基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识，从而自动获得模糊规则库，并可以得到模糊系统的初始参数，在聚类的基础上，构造一个与之相匹配的模糊神经网络，用它的学习算法来训练网络，得到一个精确的模糊模型，从而实现参数辨识，通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

一种基于模糊分类的模糊神经网络辨识方法

针对非线性辨识问题,基于改进的T-S模型,提出一种自适应模糊神经网络模型(AFNN)。首先,基于模糊竞争学习算法确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

利用调制函数法的模糊模型参数辨识

利用调制函数法辨识非线性连续系统的模糊模型参数.系统的动力学微分方程存在微分项,通过输入输出数据辨识模糊模型参数时不能忽略扰动的影响,因此辨识模糊模型参数比较困难.利用调制函数法可以消除微分项,通过无微分项的联立方程的求解容易进行模糊模型参数辨识.几个非线性连续系统的仿真实验验证了所设计的利用调制函数法的模糊模型参数辨识的正确性和有效性.     

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

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。     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

基于T-S模型的非线性系统模糊聚类辨识方法

提出一种基于T-S模型的非线性系统模糊聚类辨识方法,对T-S模糊模型的前提部分和结论部分进行分开辨识,既简化该模型的辨识步骤,又提高它的泛化能力,同时也解决了T-S模糊模型随辨识系统复杂程度提高而规则数增大的问题。对一个非线性系统辨识的仿真结果验证了这种模糊聚类辨识方法的有效性。     

基于理性遗传算法的模糊系统辨识

针对模糊系统辨识的复杂问题,提出基于理性遗传算法的模糊系统辨识。模糊系统辨识包括前件结构、参数辨识和后件结构、参数辨识,在利用模糊系统的通用逼近性的基础上,采用理性遗传算法对模糊模型进行辨识,并给出仿真结果,其结果表明理性遗传算法在进行离线辨识中是一种十分有效的方法。     

基于模糊聚类的模糊神经网络控制

对于复杂的非线性离散系统,提出将模糊聚类算法同神经网络相结合,使用衡量聚类有效性的S函数确定模糊规则数目,进而确定模糊神经网络的结构;控制器的设计应用LMI方法。以典型的非线性系统二级倒立摆为例,在Matlab中进行仿真实验,结果表明,基于聚类算法的神经网络控制能够在较大范围的初始状态下使系统获得稳定。     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

基于模糊神经网络的信息融合技术研究

针对信息融合技术中目标融合识别的问题,根据人工神经网络和模糊系统的各自特点,形成一种模糊神经网络模型。首先将模糊系统用神经网络的结构表示,并采用相应的学习算法训练模糊神经网络实现模糊推理功能。最后对模糊神经网络模型进行仿真实验和结果分析。     

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.     

基于模糊神经网络火灾探测信号处理方法

针对火灾探测信号的特点,建立了火灾探测系统模型及用于处理火灾信号的模糊神经网络计算模型.利用神经网络构造模糊系统,用神经网络的自学习和自适应能力自动调整模糊系统参数,用改进的BP算法对网络进行学习和训练.根据国家标准试验火数据进行网络的学习和测试,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.     

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。     

广义模糊神经网络

从非线性系统本身的物理背景出发,根据系统本身的内在特性、先验知识和经验建立系 统辨识模型,提出了广义模糊神经网络(GFNN).文中证明了GFNN的函数逼近定理,并据此提 出了GFNN的结构自组织和参数自学习算法.GFNN在预设的辨识精度下能自动辨识系统的网 络结构以及进行参数自学习,实现GFNN网络结构的真正在线自组织.仿真结果表明,对于慢时 变非线性对象,GFNN表现出了很强的非线性逼近能力,是模糊逻辑系统与人工神经网络两类方 法的比较成功的融合.     

Lugre摩擦模型的模糊神经网络辨识仿真研究

LuGre模型是典型伺服系统的摩擦模型,该模型能够准确地描述伺服系统摩擦过程复杂的动静态特性.模糊神经网络已成为模糊逻辑和神经网络研究最前沿的课题之一.模糊神经网络同时具有神经网络和模糊逻辑的优点.针对伺服系统所面临的摩擦问题,以低速伺服系统为对象,建立伺服系统的LuGre摩擦模型,采用模糊神经网络进行非线性在线辨识.仿真结果表明,采用模糊神经方法建立对非线性对象的辨识器,具有较高的辨识精度.