一种基于模糊神经网络的故障诊断方法的研究

针对故障与征兆之间的复杂非线性映射关系，提出了一种新的诊断系统结构模型。用模糊神经网络从以往诊断实例的统计中得到诊断矩阵，用模糊变换法进行推理，通过动态权值综合法综合各规则的推理结论得出最后诊断结果，从而解决了规则不正交的问题，使诊断结果具有统计意义，且解决了常用方法中规则获取的困难和在使用中不易修改的问题。经对A320飞机故障实例的诊断仿真，得出了比较满意的结果。     

基于神经网络建模的预测控制

预测控制具有多步预测、滚动优化和在线自适应校正等优点。文中提出了用神经网络方法建立预测模型, 将其应用到了润滑油溶剂脱蜡过程并取得了有效的仿真结果     

一种基于动态递归神经网络的交通流量实时预测方法

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出了一种基于改进型Elman神经网络的交通流量实时预测方法，由于预测模型中采用的递归神经网络具有动态记忆能力，因而可在网络规模较小的情况下实现对交通流量的快速、准确预测，并用实例验证了所提出的交通流量预测方法的有效性。     

基于模糊神经网络的非线性预测算法

传统的宏观经济预测主要采用传统计量经济学方法，由于宏观经济系统的具有非线性特征和不确定性关系，计量经济学方法有一定局限性，不能完全适应宏观经济系统的动态性和复杂性。本文提出了将神经网络和模糊技术相结合，将专家经验引入到宏观经济的预测过程中，根据宏观经济系统模式特点建立非线性预测系统，从而为经济领域的这一难题的解决提供了有效的新方法和途径。     

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．     

基于TSK模型的模糊推理改进算法

在传统的基于TSK模型的模糊推理算法基础上,研究了一种改进的基于TSK模型的模糊推理新算法,并应用模糊神经BP算法给出三角形隶属函数下的算法的过程,最后将新算法与传统算法做了比较,得出基于TSK模型的模糊推理新算法在实际的过程中克服了传统推理算法会出现弱连续或不连续情况的优点。     

基于神经网络方法的噪声字符识别研究

文献【1】提出了一种基于布尔神经网络的字符识别方法．本丈采用离散型Hopfield神经网络进行字符识别．该模型与前者相比在信息处理的并行性和实时性等方面更接近实际生物神经网络．仿真结果表明，该方法可以有效地对噪声字符进行识别．     

基于神经网络的模糊控制器

将神经网络的非线性与自学习特性有机地应用于模糊控制系统中，用神经元节点及其相应的内部函数代替模糊控制系统的各个模糊子集及其隶属函数，而神经元节点间的连接代替模糊推理机，设计了一类基于神经网络的模糊器，以克服复杂非线性系统难以确定模糊子集的划分及其隶属函数和模糊推理规则等问题。     

基于时间序列神经网络的温度场预测分析

为合理将人工冻结法应用于地下工程建设中,确保冻结壁的稳定性。通过对人工冻结试验过程中的温度场进行预测分析,利用神经网络对样本进行学习,并与实测数据进行对比,表明该方法可以较为准确地对未知温度场进行预测。通过对西南某地区泥炭土进行冻结试验,试验结果表明：在封闭不补水条件下人工冻结试样冷端温度越低,土体的降温速率越快,温度场稳定后值越小。以实测温度场构成时间序列,基于神经网络,通过建立时间序列神经网络预测模型对泥炭土的温度变化进行预测,对比实测值和预测值,平均绝对误差为0.066 8,均方根误差为0.034 7,整体误差较小,该预测模型能够较为精确地预测温度场变化规律。     

自适应神经网络模糊推理系统在结构振动主动控制中的研究

运用线性二次型经典最优控制算法获得学习样本，由神经网络反向传播算法训练产生模糊规则和隶属度函数，设计自适应神经网络模糊控制器，通过某结构地震波作用下振动控制的数字仿真，表明自适应神经网络模糊推理系统可以有效地应用到结构控制中。     

径流中长期预报的粗集模糊推理-神经网络模型

针对传统径流中长期预报模糊推理法存在的问题,基于粗集理论、模糊推理和神经网络技术,提出了基于粗集模糊推理-神经网络的径流中长期预报模型.通过比较预报因子相关关系系数值大小来选择径流的预报因子;用粗集理论约简径流中长期预报决策表,产生模糊推理规则;用BP神经网络技术学习模糊推理中的有关参数.实例验证,该模型比较客观地确定了预报因子模糊子集的隶属函数的参数,简单可行.     

基于BP神经网络的烟田土壤水分预测

提出了分区域、分阶段建立烟叶田间土壤水分预测简化模型的思想,并利用BP神经网络建立了烟田土壤水分预测模型,确定区域阶段土壤水分初值、蒸发量、月均气温、日照、降雨量为输入层和阶段土壤水分为输出层,实现了从输入端到输出端的非线性映射。研究表明,该预测模型具有较好的预测效果,有广泛的适应性和广阔的应用前景。     

改进的灰色神经网络预测方法

针对GM（1,1）算法求解发展系数和灰色作用量时受背景值影响的问题,提出一种回避背景值的辨识参数求解方法,避开背景值试算选取的步骤或选取不当造成预测精度低的问题;针对GM（1,1）模型预测时初始条件为固定值影响预测精度的问题,提出一种构建变权初始值的方法,避免预测精度受固定初始值的影响;针对传统灰色神经网络样本类型单一的问题,提出一种新的组合预测模型结构,突破了传统模型只依靠单一浸润线历史数据预测的局限,建立了基于改进灰色神经网络的浸润线预测模型.通过工程验证,该模型短期内对浸润线高度的变化预测效果较好.     

基于GA的模糊神经网络控制

在详细论述模糊神经网络技术基础上,提出了基于GA的模糊神经网络控制器构造方法.选择MATLAB作为开发工具,使用所提供的神经网络和模糊逻辑工具箱,完成了基于GA的模糊神经网络控制器设计,并应用ActiveX技术在虚拟测控系统中实现了对其的调用.     

模糊神经网络的混合调整方法

由于常规调整方法的收敛性依赖于模糊型的初始条件。文中提出一种新的基于遗传算法和梯度法的模糊神经网络自动调整方法。通过仿真证明了这一方法是有效的。     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

一种基于相似测量的模糊推理方法

本文提出一种基于两个向量适配函数进行模糊推理的新方法，讨论了单输入输出（ＳＩＳＯ）系统和多输入多输出（ＭＩＭＯ）系统，这种方法克服了传统Ｍａｍｄａｎｉ推理中存在的“信息丢失”现象，对模糊推理方法是一种重要的改进。     

基于改进的GABP神经网络光伏发电短期出力预测

分析了影响光伏出力的主要因素,选取了太阳辐射量,以及隐含前一日综合气象信息的历史出力数据为关键影响因素,建立了改进的GA-BP神经网络的短期光伏发电功率预测模型.对样本空间进行了合理降维和去噪,并利用遗传算法逐步迭代出优化的初始权值,将得到的最优权值(阈值)赋值给预测网络各层进行学习和预测.仿真结果表明,改进的GA-BP神经网络模型能够剔除冗余的样本数据和优化初始权值,既具备了较快的收敛速度又不易陷入到局部极值中,具有较强的泛化能力,预测精确度大幅提高.