加热炉钢坯温度软测量模型研究

研究基于模糊聚类的钢坯温度神经网络软测量模型.该方法由两个部分组成, FCM(Fuzzy C-Means)聚类算法用来对训练样本进行分类,分布式RBF(Radial Basis Function) 网络对每类样本进行训练.在线测量时,采用自适应模糊聚类算法对新的工况数据进行 隶属度计算.文中将该算法应用于步进式加热炉钢坯温度的预报,仿真结果表明该算法的有 效性.     

阳极焙烧中温度的软测量

本文利用模糊聚类的神经网络方法,采用数据分组训练、自动确定模糊分类线、在线测量时分类中心自适应修正,降低了计算量,提高了温度精度,将该算法用于阳极焙烧中温度预报的仿真,仿真实验以已有的焙烧炉温度场模型为基础,仿真结果表明该方法能够解决阳极焙烧温度难以在线测量的问题.     

基于软测量的钢坯内部温度场分布研究

由于目前测试技术的限制，在生产过程中对钢坯内部温度的检测比较困难，为了获得钢坯内部的温度，一些研究人员尝试通过数学模型的方法实现钢坯内部温度分布的软测量模型。本文以步进式加热炉中钢坯温度场分布为应用背景，提出了利用机理建模的方法来实现钢坯内部温度场分布的软测量模型，并且对典型工况进行了仿真，结果表明测量精度完全符合工业应用要求。     

基于免疫原理的T-S模糊系统在线建模方法

基于人工免疫原理，提出一种在线构造T-S模糊系统的建模方法．该方法结合网格空间划分方法，以建模数据为抗原，模糊规则为抗体，采用人工免疫原理确定系统结构，并应用最小二乘方法估计线性规则后件参数．该方法具有简单、学习速度快、实时性强等特点，适合多输入模糊系统的在线学习和结构调整．     

基于软测量的钢坏内部温度场分布研究

由于目前测试技术的限制,在生产过程中对钢坯内部温度的检测比较困难,为了获得钢坯内部的温度,一些研究人员尝试通过数学模型的方法实现钢坯内部温度分布的软测量模型.本文以步进式加热炉中钢坯温度场分布为应用背景,提出了利用机理建模的方法来实现钢坯内部温度场分布的软测量模型,并且对典型工况进行了仿真,结果表明测量精度完全符合工业应用要求.     

温度测量及故障诊断系统的设计

文章给出了基于数字式温度传感器DS18X20的温度测量系统，并利用模糊原理、在线测量温度等方法进行故障诊断。详细论述系统的组成原理、模糊故障诊断方法、硬件电路和软件设计思想。该系统具有故障在线检测、自诊断、显示故障类型及发出声音报警等功能，在实际应用中取得了很好的效果。     

基于T-S模糊系统的软测量混合建模研究

在分析几种模糊系统建模方法的基础上，提出一种简单有效的软测量建模方法．该算法基于变结构构造法模糊建模思想，均匀设计模型的初始结构，以绝对误差为建模指标，通过增加模糊规则来提高T S模糊系统的精度．为降低规则参数辨识的计算量，提高建模速度，将规则参数分为线性和非线性两部分，分别采用Levenberg Marquardt法与最小二乘法进行辨识．实例证明，本文所提出的建模方法规则分布合理，收敛速度快，泛化性能好，适合建立多输入的软测量模型，具有较好的实际应用价值．     

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法，采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算；在训练网络时,部分参数采用Levenberg-Marquardt算法来训练，另一部分采用一阶梯度下降法．最后用该建模方法建立了聚合反应中熔融指数的软测量模型，并与一般的模糊神经网络软测量模型进行比较．结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性，同时还能达到指定的预测精度，很适合工程应用．     

基于分散推理结构的加热炉钢坯温度分布模糊控制

针对钢坯加热炉系统所具有的典型分布参数特点,提出了一种基于分散推理结构的钢坯温度分布模糊控制方案．首先,将炉内钢坯温度偏差分布作为模糊推理系统的输入信息;然后,对于每一个炉温调整点,通过一组二维模糊控制器,产生一组与钢坯温度偏差分布对应的炉温补偿控制分量;最后,综合各控制分量获得各调整点处的炉温补偿量．仿真算例表明,该方案能够有效地保证钢坯按理想加热曲线完成加热过程．     

回转窑煅烧带温度控制器的设计与仿真

针对传统的回转窑煅烧带温度PID控制系统存在温度稳定性差、无法在线调整PID参数等问题,文章提出了一种采用模糊自整定PID参数控制方式设计回转窑煅烧带温度控制器的方案,介绍了该控制器的结构、设计步骤及回转窑煅烧过程系统的建模等,并采用Matlab中的Simulink模糊工具箱对模糊自整定PID温度控制器进行了仿真。仿真结果表明,该控制方法无超调量、调节时间短,能够实现参数的在线自调整。实际应用也证明了该控制方法的优越性。     

基于密度的模糊代表点聚类算法

结合密度聚类和模糊聚类的特点,提出一种基于密度的模糊代表点聚类算法.首先利用密度对数据点成为候选聚类中心点的可能性进行处理,密度越高的点成为聚类中心点的可能性越大;然后利用模糊方法对聚类中心点进行确定;最后通过合并聚类中心点确定最终的聚类中心.所提出算法具有很好的自适应性,能够处理不同形状的聚类问题,无需提前规定聚类个数,能够自动确定真实存在的聚类中心点,可解释性好.通过结合不同聚类方法的优点,最终实现对数据的有效划分.此外,所提出的算法对于聚类数和初始化、处理不同形状的聚类问题以及应对异常值等方面具有较好的鲁棒性.通过在人工数据集和UCI真实数据集上进行实验,表明所提出算法具有较好的聚类性能和广泛的适用性.     

基于遗传算法的模糊聚类分析

模糊C-均值聚类(FCM)应用广泛，但是它容易陷入局部最优，且对初始值很敏感。该文提出了一种基于遗传算法的模糊聚类方法，首先用遗传算法对模糊聚类中聚类中心的个数和聚类中心的选取进行指导，然后利用FCM进行聚类。实验结果表明：该方法可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷，使聚类更合理，效果很好。     

一种新的模糊规则提取方法

提出了一种新的模糊规则提取方法,该方法先采用基于山峰函数的减法聚类法自适应地确定初始的聚类中心,然后由此构造动态自组织神经网络进行学习,在学习的过程中可根据情况适当地合并或分裂神经元,并重构神经网络继续学习,最后按聚类中心确定模糊子集数目和隶属函数并形成模糊规则集.实验结果表明,通过网络结构和神经元的动态自适应变化能够获取样本集中的模糊信息,形成直观的模糊规则.     

改进的RBFNN在运动员竞技状态预测中的应用

提出了一种改进的径向基函数(RBF)神经网络,该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数,然后通过模糊C均值聚类算法优化基函数中心与宽度,最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明:该算法先进有效、具有较高的精度,用其建立的模型具有较强的实用性。     

基于模糊粒度计算的K-means文本聚类算法研究

传统的K-means算法对初始聚类中心非常敏感,聚类结果随不同的初始输入而波动,算法的稳定性下降。针对这个问题,提出了一种优化初始聚类中心的新算法:在数据对象的模糊粒度空间上给定一个归一化的距离函数,用此函数对所有距离小于粒度d_λ的数据对象进行初始聚类,对初始聚类簇计算其中心,得到一组优化的聚类初始值。实验对比证明,新算法有效地消除了传统K-means算法对初始输入的敏感性,提高了算法的稳定性和准确率。     

A new method for fuzzy information retrieval based on fuzzy hierarchical clustering and fuzzy inference techniques

In this paper, we extend the work of Kraft et al. to present a new method for fuzzy information retrieval based on fuzzy hierarchical clustering and fuzzy inference techniques. First, we present a fuzzy agglomerative hierarchical clustering algorithm for clustering documents and to get the document cluster centers of document clusters. Then, we present a method to construct fuzzy logic rules based on the document clusters and their document cluster centers. Finally, we apply the constructed fuzzy logic rules to modify the user's query for query expansion and to guide the information retrieval system to retrieve documents relevant to the user's request. The fuzzy logic rules can represent three kinds of fuzzy relationships (i.e., fuzzy positive association relationship, fuzzy specialization relationship and fuzzy generalization relationship) between index terms. The proposed fuzzy information retrieval method is more flexible and more intelligent than the existing methods due to the fact that it can expand users' queries for fuzzy information retrieval in a more effective manner.     

Extended Gaussian kernel version of fuzzy c-means in the problem of data analyzing

Fuzzy c-means clustering with spatial constraints is considered as suitable algorithm for data clustering or data analyzing. But FCM has still lacks enough robustness to employ with noise data, because of its Euclidean distance measure objective function for finding the relationship between the objects. It can only be effective in clustering ‘spherical’ clusters, and it may not give reasonable clustering results for “non-compactly filled” spherical data such as “annular-shaped” data. This paper realized the drawbacks of the general fuzzy c-mean algorithm and it tries to introduce an extended Gaussian version of fuzzy C-means by replacing the Euclidean distance in the original object function of FCM. Firstly, this paper proposes initial kernel version of fuzzy c-means to aim at simplifying its computation and then extended it to extended Gaussian kernel version of fuzzy c-means. It derives an effective method to construct the membership matrix for objects, and it derives a robust method for updating centers from extended Gaussian version of fuzzy C-means. Furthermore, this paper proposes a new prototypes learning method and it obtains initial cluster centers using new mathematical initialization centers for the new effective objective function of fuzzy c-means, so that this paper tries to minimize the iteration of algorithms to obtain more accurate result. Initial experiment will be done with an artificially generated data to show how effectively the new proposed Gaussian version of fuzzy C-means works in obtaining clusters, and then the proposed methods can be implemented to cluster the Wisconsin breast cancer database into two clusters for the classes benign and malignant. To show the effective performance of proposed fuzzy c-means with new initialization of centers of clusters, this work compares the results with results of recent fuzzy c-means algorithm; in addition, it uses Silhouette method to validate the obtained clusters from breast cancer datasets.     

自适应模糊C均值聚类彩色图像分割方法

模糊C均值聚类用于彩色图像分割具有简单直观,易于实现的特点,但存在聚类性能受中心点初始化影响且计算量大等问题,为此,提出一种自适应模糊C均值分割方法.算法根据人类的视觉特性,参照NBS距离与人类视觉对颜色差别的定量关系,结合具体图像的色彩分布,自动确定初始聚类中心及聚类数目,继而进行模糊C均值聚类.实验表明,该方法无需人为的干预,分割速度快,分割效果跟人的主观视觉感知保持了良好的一致性.     

Multispectral remote sensing image segmentation using rival penalized controlled competitive learning and fuzzy entropy

This paper proposes an image segmentation approach for multispectral remote sensing imagery based on rival penalized controlled competitive learning (RPCCL) and fuzzy entropy. In this approach, the clustering center component for each band of the image is first chosen based on the fuzzy entropy histogram of the corresponding band of the image. The initial clustering centers are then formed by combining the obtained clustering center components. The number of clusters and the real clustering centers are then determined by the use of the RPCCL method. The advantages of the proposed approach are the appropriate initial cluster centers and the fact that the number of clusters is determined automatically. The results of the experiments showed that without providing the number of clustering centers before the clustering operation, the proposed method can effectively perform an unsupervised segmentation of remote sensing images.