基于模糊RBF神经网络的非线性滤波

该文从基本的智能技术——神经网络(NN)和模糊系统(FS)技术出发,探讨了神经网络与模糊系统相结合的基本理论,提出了一种基于模糊RBF神经网络的非线性滤波的方法。该方法将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,对信号中有色噪声进行较高精度的逼近,来达到非线性滤波的目的。该滤波方法显示出很强的处理问题的能力,学习速度快,仿真结果表明了这种方法的有效性和可性行。     

RBF神经网络的PID控制研究与仿真

研究工业控制系统优化问题,由于工业控制领域中存在复杂非线性时变系统,很难确定精确模型.传统PID控制局限于线性系统,控制效果不理想.为了提高控制精度,提出一种RBF神经网络辨识的PID控制方法.首先利用RBF神经网络线辨识被控对象的离散模型,获得PID参数在线调整信息,然后利用单神经元对控制器参数进行在线自适应整定,从而实现系统的智能控制.通过实例进行验证,并与传统PID控制方法进行对比,结果表明控制方法具有响应速度快、控制精度高等优点,且具有较强的自适应性、鲁棒性和抗干扰能力,为控制系统设计提供了新方法.     

基于RBF辨识的模糊神经网络控制器的设计与实现

随着众多新型模糊神经网络被提出,针对模糊神经网络具有的典型特点,即需要对输入输出数据范围进行转化和处理,所涉及到的对量化因子和比例因子的实时调节问题,该文提出一种优化方案。其依据神经网络具有的自学习能力,通过增加模糊神经网络的层数,提出一种包含对量化因子和比例因子调节的改进型模糊神经网络,以减少系统的辅助优化环节。同时,引入辨识性能较好的径向基函数神经网络（RBF）为系统提供精确的Jacobian信息,取代常规的近似做法。最后结合实例仿真证明了该优化方案的合理性。     

自适应模糊神经网络控制器在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器,着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降法。给出了适于非线性时滞、基于径向基函数网络和自适应模糊神经网络控制器的控制方案,并把它用在电阻加热炉中。实际应用表明,模糊神经网络控制器具有良好的控制效果。     

自适应B样条模糊神经网络控制器的设计

B样条具有最小局部支撑和易于实现的优点。文章利用多变量B样条网络在运算表达式上与模糊神经网络结构之间的对等关系,并通过对其权值的训练,设计出自适应B样条模糊神经网络控制器。应用于具有严重非线性摩擦力影响的速度跟踪系统的仿真实验表明,所设计的控制器完全等价于模糊神经网络控制器,同时在计算量和实现上具有明显的优势。     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

基于遗传算法和梯度下降的RBF神经网络组合训练方法

在使用基于梯度下降的径向基函数（RBF）神经网络学习方法时，由于网络目标函数误差曲面极其复杂，因而产生了网络收敛速度慢，且容易陷入局部极小，网络初始值的设置对网络训练结果影响很大等问题。基于遗传算法的训练方法能够摆脱陷入局部最优的困扰，但遗传算法的局部搜索能力不够，从而影响网络的训练效果。为了解决上述问题，在研究两种算法特点的基础上，提出一种组合训练方法，用提出的训练方法对UCI中的部分数据集进行了仿真实验，并将实验结果与传统方法下的结果进行了比较，实验结果表明新方法是有效的。     

一种径向基函数神经网络生成模糊系统的方法研究

如何建立合适的模糊规则.是模糊系统设计的关键和难点。传统的方法是依靠统计分析或经验建立模糊规则库[lJ,不仅难度大,而且建立的模糊系统缺乏适应能力。人工神经网络(ANN)技术的发展为模糊规则的自动获取提供了一条新途径.许多学者研究ANN与模糊系统的融合问题,其主要目的就是利用ANN的学习能力和自适应能力,从样本中提取模糊规则.形成具有自适应能力的模糊系统。尽管利用多层前馈网获取模糊规则口     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

一种基于模糊神经网络的模拟电路故障诊断方法

提出了一种采用小波分析与遗传算法相结合的模糊神经网络对模拟电路进行故障诊断的新方法。该方法采用基于小波分析的主成分分析方法对网络的训练样本进行预处理,提取优化向量后利用遗传算法对模糊神经网络进行训练。对两个模拟电路的诊断实例表明该方法故障覆盖率高,并能有效诊断出同类方法误诊的故障类型。     

基于竞争方程的竞争型协同进化算法及应用

协同进化算法是近年来针对遗传算法的不足而兴起的，还处于研究初步阶段。本文在竞争型协同进化的基础上，借鉴生态学中种群竞争的Gause竞争模型，提出了Gause竞争型协同进化模型及算法，并将该算法应用于模糊神经系统的辨识问题上。实验证明，该算法比标准遗传算法、典型竞争型协同进化算法和BP学习算法具有更好的全局收敛性和更快的收敛速度，它在一定程度上解决了标准遗传算法的不足。     

遗传模糊神经网络在航空发动机控制中的应用

模糊神经网络控制器是一种将模糊逻辑与神经网络相结合的智能控制器,其既不依赖于被控对象精确的数学模型,又能根据被控对象参数和环境的变化自适应地调节控制规则和隶属函数参数,但是存在着收敛速度慢,较多局部极小的情况下很容易陷入局部极小值等缺点。针对存在的问题,提出一种模糊神经网络控制器的优化方法。隶属度函数的参数具有全局性,用遗传算法来优化;神经网络的权值代表模糊系统的控制规则,它用神经网络的误差反传算法(BP)来调整。将算法用于航空发动机控制,实现对低压转子转速的无静差控制,与应用BP算法的模糊神经控制相比,控制性能改善较大,结果令人满意。     

神经网络PID在PLC系统控制中的应用研究

针对传统的PID算法由于难以给出精确的数学模型,使得系统参数设定困难,同时系统控制效果上存在一定的缺陷,造成系统安全性和可靠性降低,系统控制质量不高。为了解决传统的PID算法所带来的问题,提出了基于模糊神经网络的PID算法,将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法。将算法应用在PLC控制系统中,实验表明算法有效的实现了PID参数的自整定,并且提高了控制质量,具有一定的实际应用推广价值。     

基于神经网络和遗传算法的智能PID控制

提出了一种结合神经网络和遗传算法的智能PID控制算法;该控制器先利用RBF辨识网络在线辨识系统模型,再利用遗传算法在线调整PID三个控制参数,将传统的Ziegler-Nichols方法所得的控制参数作为遗传算法的初始参数范围,缩小了遗传算法的寻优范围;在MATLAB6.5环境下进行仿真和试验研究,结果证明RBF辨识网络的输出能够很好地跟踪对象输出,遗传算法很好地优化了控制参数;二者结合可在线有效地控制较复杂的被控对象.     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。     

基于改进遗传算法寻优的神经网络PID控制及应用

根据神经网络PID控制器初值的选取影响系统控制性能的特点,提出了一种基于改进遗传算法寻优的神经网络PID控制方法.即先利用遗传算法对PID控制器参数离线寻优,将求出的参数值作为控制器的比例、积分、微分系数的初值,再进行神经网络PID控制.对一类液位过程的实时控制结果表明采用本方法的控制系统具有较好的稳定性和鲁棒性.     

基于模糊聚类分析的模糊神经网络结构的优化

该文讨论了模糊聚类分析在模糊神经网络结构的确定中的应用。通过将模糊C－均值算法、有效性函数和模糊指数相结合,给出了模糊神经网络结构确定的方法,并且给出了应用该算法具体的模糊神经网络模型。