基于遗传算法的模糊神经网络智能控制器及其应用

提出了一种基于遗传算法的模糊网络控制系统,该系统采用模糊神经网络结构实现,它用遗传算法优化具有全局性的隶属函数参数,而用ＢＰ算法调节和优化具有局部性的网络权值参数。仿真结果表明该控制器可大大提高模糊神经推理控制系统的自学习性和鲁棒性。     

基于遗传算法的模糊神经控制及其应用

将遗传算法和模糊神经网络结合起来,提出一类智能控制方案。仿真实验和实际温控表明,这类智能控制器可改善具有时变、非线性及大纯滞后系统的控制品质,其性能优于一般模糊控制。     

基于量子遗传算法的正规模糊神经网络控制器设计

针对模糊神经网络控制器通常涉及的参数较多,反传播算法难于收敛的问题,提出了一种优化设计正规化模糊神经网络控制器的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异,将量子位的概率幅看作两个并列的基因,因此每条染色体包含两条并列的基因链,在染色体数目相同时,可提高获得全局最优解的概率。对控制器参数随机编码建立初始群体,利用量子遗传算法进行参数优化。实验结果表明该方法是有效的。     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

动态T-S递归模糊神经网络及其应用

提出了动态T-S递归模糊神经网络(DTRFNN).该网络具有全局收敛特性的递归结构;采用BP算法进行网络权值的学习;并利用Lyapunov定理证明该模型具有全局收敛性,并在此基础上提出了克服局部极小的方法.最后以动态系统的辨识为例,进行实验研究,取得了很好的效果,表明DTRFNN动态模型能很好的对动态系统进行辨识.     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

基于IREA的模糊神经网络及其在网络拥塞预测中的应用

将粗糙集从原始数据中提取数据的能力和模糊神经网络的推理能力有效地集成起来。使用增量式规则提取算法(IREA)从原始数据中抽取构建模糊神经网络(FNN)所需的规则集。与传统的模糊神经网络相比较,使用IREA算法构建的FNN具有较短的规则长度和更少的规则条数。网络拥塞仿真试验验证了本文所述方法的优越性。     

基于遗传算法的模糊优化研究

针对约束条件、系数和优化变量均为模糊数形式的线性和非线性全模糊优化问题 ,利用模糊数积分排序方法 ,提出了基于遗传算法的模糊优化问题求解方法 ,在该方法中对优化变量采用模糊数编码(每个变量用三个实数编码 ,对应三角模糊数中的 a,b,c) ,最后通过全模糊线性和非线性优化算例 ,验证了方法的有效性.     

模糊BP神经网络及其在故障诊断中的应用

概括总结了传统故障诊断系统的缺陷,介绍了模糊神经网络技术的优点及其在故障诊断中的优势,简述了采用模糊BP神经网络解决故障诊断     

基于遗传算法的模糊规则自动生成

模糊控制是人工智能的一重要研究领域,已在家电和工业控制中得到重视和应用。模糊规则自动生成是模糊控制的关键性技术之一。将介绍模糊控制的原理,提出了基于遗传算法的模糊规则自动生成算法,并说明其特点。     

基于遗传算法的模糊免疫控制器设计

运用模糊李亚普诺夫综合法设计模糊控制器来模拟免疫系统中的反馈机理,应用遗传算法对控制系统响应的快速性及稳定性的参数进行了优化,实现了免疫控制器的合理设计。采用此方法设计平衡梁系统控制器,仿真结果表明,控制器性能优于常规控制器,且系统具有良好的鲁棒性。     

遗传算法及其应用

本文系统地介绍了遗传算法——一种新的鲁棒优化算法的基本思想和寻优过程。对遗传算法的特点和若干重要问题做了较详细的论述。最后综述遗传算法的应用及其在航空航天领域的应用前景。     

基于混沌神经网络模型的模糊预测控制及应用

由于混沌时间序列内部确定的规律性，其重构出混沌吸引子的相空间具有高精度短期预测性，为此，本文根据非线性，大时滞系统的时间序列及所得的Lyapunov指数规律，计算出系统的饱和嵌入维数和可预报尺度，并以此为指导，采用混沌神经网络重构混沌时间序列相空间，该混沌神经网络即便在网络输入不完整或发生变异的情况下，仍能对系统作高精度预测，在此基础上，又将预测模型与模糊控制相结合，提出了一种新型的模糊预测控制决策，实现了非线性，大时滞系统高精度的自适应控制，将该控制应用在单元机组负荷控制中，仿真表明该控制具有实时性，容错性和鲁棒性。     

基于T-S模型的扩展型模糊神经网络及应用

针对基于T-S模型的模糊神经网络的局部逼近缺陷,提出了一种基于T-S模型的扩展型模糊神经网络,从训练样本特性和网络结构两个方面来提高网络模型的泛化能力.利用先验知识和模糊推理的方法对样本集进行分析和分类处理,使样本集更加规范;并采用模糊规则推理动态调整正则项系数的方法来减小网络结构.仿真结果表明,所提出的网络具有更快的收敛速度和良好的泛化能力.     

基于混沌预测的模糊神经网络控制器设计及应用

由于混沌时间序列内部确定的规律性 ,其重构出混沌吸引子的相空间具有高精度短期预测性。根据非线性、大时滞系统的时间序列重构相空间 ,计算相空间的最大Lyapunov指数、饱和嵌入维数和可预报尺度 ,并以此为指导 ,对系统作高精度预测。在此基础上 ,又设计了遗传算法优化的模糊神经网络预测控制器 ,实现了对非线性、大时滞系统高精度的自适应控制。将该控制应用在锅炉过热汽温控制中 ,仿真表明该控制的有效性、准确性和鲁棒性。     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

基于遗传算法的神经网络两阶段学习方案

一种两阶段学习方案被提出用于神经网络的训练。在第一阶段，让实数编码的遗传算法来代替人解决神经网络结构的选择和初始参数的设定，称之为结构辨识阶段。在第二阶段，让传统的优化算法来解决参数的学习，称之为参数辨识阶段。在整个学习过程，神经网络的复杂度、逼近精度和泛化能力之间得到了满意综合。     

一种基于遗传算法的新型神经网络设计

神经网络的设计主要集中在网络权值的选取和神经网络结构的确定两个方面 ,与遗传算法结合是目前研究发展的趋势 .本文与一般的基于遗传算法的神经网络设计相比 ,提出一个新型算子—— BP算子 ,并对神经网络的权值和结构同时优化 .仿真结果表明该算法结果比较理想 .     

基于遗传算法的主动悬架模糊控制器设计

应用模糊逻辑控制理论,进行了车辆主动悬架模糊控制器的设计,并利用遗传算法对模糊控制的控制规则进行了优化。利用Matlab/Simulink对主动悬架系统进行了仿真,并与传统的被动悬架和用LQG控制的主动悬架进行了性能比较和分析,仿真结果表明具有模糊控制器的主动悬架能够有效提高车辆的平顺性和操纵稳定性,且具有较好的适应性和鲁棒性。