基于模糊神经网络的电液伺服系统建模

针对电液伺服系统具有典型的非线性系统,但要求控制精度高和响应速度快,建模困难.为解决上述问题,提出用减法聚类的模糊神经网络自学习算法,确定初始的模糊神经网络结构.在网络的学习过程中,对结论参数用最小二乘法进行辨识,并对前提参数用误差反传算法进行调整.获取输入输出数据对,可在AMESim软件平台上搭建系统的仿真模型,并通过软件接口把数据导人MATLAB中,最后使用提出的方法对电液伺服系统建模进行仿真,结果与其它模糊神经网络建模方法相比效果好,验证了方法的有效性.     

基于Lbest PSO和NNs的电液伺服系统输出力PID控制研究

为了实现电液伺服系统输出力的稳定控制,结合局部最优粒子群优化算法和神经网络模型,提出一种PID控制器设计方法。该方法将神经网络模型(NNS)与PID控制器耦合,得到基于神经网络的PID控制器参数整定结构;再采用局部最优粒子群优化算法(Lbest PSO)确定神经网络的权重,从而得到基于局部最优粒子群优化算法和神经网络的PID控制算法;最后将提出的PID控制算法用于控制虚拟的电液伺服加载系统,以进行仿真实验。仿真结果表明,由该PID控制器控制的电液伺服系统的输出力平稳地收敛于给定力,从而提高了系统的稳定性。     

模型数据相结合的电液伺服系统传感器早期故障检测与辨识

电液伺服系统中存在各类非线性因素和不确定干扰,传感器早期故障引起的系统状态量变化往往小于干扰引起的变化,因此很难发现。本文提出了一种模型和数据相结合的电液伺服系统传感器早期故障诊断方法,通过基于模型的方法对系统中难以准确测量的外干扰力进行有效解耦,通过建立观测器组对系统中常见的传感器故障进行辨识,针对系统中的建模误差、测量噪声等剩余不确定干扰,采用基于神经网络的方法进行模型补偿,通过建立补偿规则,可进一步提高对早期故障的敏感性。仿真和实验结果验证了所提出的混合式故障诊断方法的有效性。     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

基于自组织神经网络的非线性系统建模

针对基于T-S模糊模型的非线性系统建模问题,提出了一种基于自组织神经网络的新方法.在T-S模糊模型的建模中,目前常用的模糊C均值聚类算法存在迭代次数多,计算耗时的缺点.首先,利用竞争学习算法对输入空间进行聚类,基于此结果,借助于模糊C均值聚类算法进一步优化聚类结果,提取T-S模糊模型的规则前件隶属函数参数.然后,采用最小二乘法求得T-S模糊模型的规则后件参数,从而建立起非线性系统的T-S模糊模型.最后,仿真结果表明,该方法可以为模糊建模提供好的模型结构,并且有较高的计算效率和精度.     

电液伺服系统的模糊神经网络鲁棒控制

为解决传统自适应控制模型的在线辨识和控制器的在线设计问题,基于模糊神经网络结构,提出了一种复合式控制方案.该方案通过引入运行监控器,克服了模糊神经网络实时性差的问题,实现了对不确定非线性系统的高精度输出跟踪;同时利用鲁棒反馈控制器,保证了模糊神经网络学习初期闭环系统的稳定性.该方案在电液伺服系统的应用中获得了满意的控制效果.     

爆破扫雷器遗传优化RBF模糊控制器研究

研究爆破扫雷器电液伺服系统的控制问题。针对液压系统的非线性、发射架位置和带弹量不同引起的系统负载及转动惯量变化,常规控制方法难以得到满意的动静态性能指标。在分析电液伺服系统传递函数的基础上,设计了基于RBF神经网络的模糊控制器,并采用改进遗传算法对控制器的节点中心矢量和权值等参数进行优化,在优化目标函数中使用控制量平方项,增大其影响力。最后对系统在不同模拟负载及转动惯量的情况下进行了仿真,系统动态响应快、超调小,为优化设计提供了依据。     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

基于UKF的增长型模糊神经网络设计

为了实现模糊神经网络结构和参数的同时调整,提出一种基于无迹卡尔曼滤波(UKF)的增长型模糊神经网络(UKF-GFNN).首先,利用UKF对模糊神经网络的参数进行调整;然后,设计一种基于隐含层神经元输出强度的模糊规则增长机制,实现模糊神经网络的结构增长;最后,将所提出的增长型模糊神经网络应用于非线性系统建模.实验结果显示,基于UKF的增长型模糊神经网络能够实现结构和参数的自校正,并且具有较高的建模精度.     

催化裂化过程稳态优化控制研究

催化裂化装置是一个高度非线性、时变、长时延、强耦合、分布参数和不确定性的复杂 系统.在研究其过程机理的基础上,定义了一种模糊神经网络用以建模,用自相关函数检验法检 验模型的正确性,再用改进的Frank-Wolfe算法进行稳态优化计算,并以一炼油厂催化裂化装 置为对象进行试验,研究其辨识、建模和稳态优化控制.这种模糊神经网络具有隐层数多、隐层 结点数多、泛化能力和逼近能力强、收敛速度快的优点,更突出的特点还在于可由输出端对输入 求导,为稳态优化计算提供了极大方便,它与改进的Frank-Wolfe算法相结合用于解决非线性 复杂生产过程的建模和稳态优化控制问题是可行的.     

基于一种FGA–ANFIS技术的DMFC温度建模和控制

为了提高直接甲醇燃料电池(DMFC)的发电性能,采用自适应神经模糊推理技术(FGA-ANFIS)对电池的工作温度进行建模与控制.首先,基于实验的输入输出数据建立了DMFC电堆温度的自适应神经模糊辨识模型,避开了DMFC电堆的内部复杂性.然后,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法对神经模糊控制器的参数和模糊规则进行自适应调整.最后,通过仿真.将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能.     

一种基于模式匹配的模糊模型及其神经网络实现(英)

通过模糊模式匹配概念，引入了一种新的模糊模型，并用神经网络方法对该模型进行辨识，以获得更高的精度．仿真实验表明，该模糊模型不仅简单易行，而且比通常的模糊模型有更强的辨识能力，另外，本文还讨论了模型的进一步求精，以及模糊神经网络的一般性问题．     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

基于遗传算法的模糊神经网络股市建模与预测

提出一种基于模糊神经网络的股票市场建模与预测方法，并采用遗传算法训练网络权值及模糊子集的划分，对于上证指数及个股的建模与预测结果表明，该方法具有很强的学习与泛化能力，在处理诸如股票市场上这种具有一定程度不确定性的非互性的建模与预测方面有很发的价值。     

减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。     

A block-diagonal recurrent fuzzy neural network for system identification

A recurrent fuzzy neural network with internal feedback is suggested in this paper. The network is entitled dynamic block-diagonal fuzzy neural network (DBD-FNN), and constitutes a generalized Takagi-Sugeno-Kang fuzzy system, where the consequent parts of the fuzzy rules are small Block-Diagonal Recurrent Neural Networks. The proposed model is applied to a benchmark identification problem, where a dynamic system is to be identified. Additionally, an application of the proposed model to the problem of the analysis of lung sounds is presented. Particularly, a filter based on the DBD-FNN is developed, trained with the RENNCOM method. Extensive experimental and simulation results are given and performance comparisons with a series of other models are conducted, highlighting the modeling characteristics of DBD-FNN as an identification tool and the effectiveness of the proposed separation filter.     

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

模糊规划的提取和隶属度函数的学习是模糊推理系统设计中重要而困难的问题，自适应神经模糊推理系统（ANFIS）方法基于Sugeno模糊模型，其结构类似于神经网络，采用反向传播算法和最小二乘法调整模糊推理系统的参数，并能自动产生模糊规划，本文应用该方法给出了对一个典型系统建模的仿真实例，取得了良好的效果。