循环流化床入炉垃圾热值软测量

面对城市生活垃圾(MSW)的热值(HVs)难以实时测量的现状,构建基于减法聚类的自适应模糊神经网络(ANFIS)的入炉垃圾热值软测量模型.针对循环流化床(CFB)生活垃圾焚烧炉的工艺特点,选择模型的输入变量;依据专家经验对样本的热值进行模糊分类;利用减法聚类(SC)算法对训练样本进行分析,自适应地确定初始模糊规则和模糊神经网络的初始结构参数;结合最小二乘估计法和误差反向传播算法对模糊神经网络的参数进行学习,构建自适应神经模糊推理系统,完成CFB生活垃圾焚烧锅炉入炉垃圾热值的软测量建模.对比研究BP神经网络、RBF神经网络和支持向量机模型在垃圾热值预测方面的表现,结果表明:基于减法聚类的模糊神经网络模型具有最高的预测精度.预测值和实际垃圾热值的比较结果证明:模糊神经网络模型能够表征垃圾热值的整体变化趋势,可以对循环流化床垃圾焚烧锅炉的运行、控制和管理起到指导作用,并且能够为循环流化床生活垃圾焚烧锅炉的燃烧自动控制(ACC)系统提供可靠的热值反馈信号.     

基于ANFIS的三容系统解耦及液位控制

利用模糊减法聚类技术,建立初始的模糊推理系统(FIS)结构,然后利用自适应神经模糊推理系统(ANFIS)函数对模糊模型进行训练,得出模糊神经网络解耦控制块.实现了对三容系统的解耦及液位控制.利用Matlab仿真工具,对自适应模糊神经网络解耦控制系统进行了研究,结果表明,其与传统的输入变换和状态反馈解耦控制相比,动态响应快,鲁棒性好,具有优异的性能.     

模糊神经网络的临床路径优化决策研究

针对医疗信息的复杂性及模糊不确定性,对信息化医疗数据进行综合分析,采用模糊C均值算法进行迭代运算,获得最终模糊聚类结果。在此基础上建立模糊神经网络T—S模型对聚类结果进行训练,达到自适应学习的目的。采用Matlab进行模拟仿真,实验结果表明该模型具有较强的泛化性、自适应学习能力,实际输出与预测输出误差较小,能持续优化临床路径,并快速为患者选择最优治疗方案。     

基于模糊聚类的电力系统负荷特性分析

以变电站负荷构成比例作为基本特征向量,提出采用自适应矢量量化(AVQ)神经网络模糊聚类方法对电力负荷特性进行分类与综合.将AVQ神经网络模糊聚类方法和模糊C均值(FCM)聚妾方法进行了对比研究.通过对福建电网44个变电站进行聚类分析,得出两种聚类方法不仅具有良好的聚类综合能力,同时能够通过优化理论获得聚类中心矩阵,与其他聚类方法相比有明显优势;两者相比,AVQ神经网络模糊聚类算法本身机时小,处理速度更快,而且结果更为合理.     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明：该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。     

基于模糊C均值聚类和减法聚类结合的图像分割

针对模糊C均值聚类算法（FCM）聚类过程中,初始聚类中心通过随机产生、类别数的确定通过预定义的方式实现的问题,利用减法聚类（SCM）以及聚类有效性函数,实现对FCM聚类过程的聚类中心和聚类类别数自动进行设定,实现了数据的自适应聚类,并将其应用到了CT图像的自动分割中。实验结果表明,该方法是有效的。     

算法改进的自组织神经网络曲面重构

为提高神经网络法三角网格曲面重构的效率,提出自组织神经网络算法与模糊聚类算法相结合的 改进算法．应用改进算法对大规模散乱点云曲面及花瓶实例进行了网络训练及三角网格重建,在初次网络训 练收敛后,加入模糊聚类计算模块,由模糊聚类算法中隶属度计算来确定输入样本是否可用．与自组织神经 网络算法训练特性进行了比较,结果表明：改进后算法避免了以往算法的重复循环,减少了计算量,加快了网 络训练收敛速度和三角网格曲面重构的速度,仿真重构结果表明：改进后的自组织神经网络算法可实现不同 疏密程度的三角网格曲面重建,并可在保持原数据特征的前提下实现数据精简,较通常算法收敛速度快     

封装板式冰蓄冷系统蓄能模糊建模与分析

针对冰蓄冷系统蓄能的非线性特性,将自适应神经网络应用于封装板式圆罐型蓄冰装置的蓄能初始化和释冷出口温度实时运行的模糊建模,进行了冰蓄冷系统蓄冷量的模糊建模,确定了实验影响因素载冷剂进口温度、载冷剂流速、蓄冷时间的隶属度函数和模糊推理规则.运用减法聚类法和网格法对模型进行初始化训练与运行对比,使蓄冷系统能够跟踪负荷情况.通过调控影响因素的参数,可以更合理地初始化设定蓄冷阶段的蓄冷量.利用该建模程序进行实时释冷出口温度模糊建模策略验证,模型运行平稳.冰蓄冷装置蓄能模糊控制性能的优化保证了蓄冷量与负荷相匹配,实时输出释冷出口温度,进而达到冰蓄冷空调系统优化及经济运行的目标.     

基于模糊聚类理论的水量短期预测方法

为提高城市供水系统水量负荷的预测精度,提出一种基于模糊聚类理论的城市管网水量短期负荷预测的新方法.该方法通过对负荷历史数据进行聚类、隶属度分析,利用模糊聚类参数来描述负荷与影响因素之间的关系,并应用这种确定的相关关系进行负荷预测.应用MATLAB语言进行预测仿真得到基于模糊聚类的模糊训练结果、最终预测结果和预测误差.实践表明该方法较多地考虑各种影响因素,结构简单,预测精度高.     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于模糊聚类和粗糙集的电力系统短期负荷预测

电力系统短期负荷预测中存在大量的不确定因素直接影响到负荷预测结果的准确性,而粗糙集理论能有效地分析和处理各种不精确、不一致、不完整的信息,并从中发现隐含的知识,揭示潜在的规律。将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷进行预测。首先通过模糊聚类分析,根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类,然后应用粗糙集理论分别建立相应的负荷预测模型。采用某电网提供的数据进行负荷预测,结果分析表明该方法有很高的预测精度,从而说明了基于模糊聚类和粗糙集理论的电力系统短期负荷预测方法的优越性。     

基于系统辨识与T-S模糊神经网络的磨矿分级控制

针对磨矿分级过程控制中具有的慢时变、非线性特征,提出了一种基于系统辨识的自适应模糊推理网络模型,并应用于磨矿控制领域.利用模糊聚类法对现有数据样本进行系统辨识,自动获取模糊规则库和相应的初始参数.依据得到的模糊系统构建基于Takage-Sugeno推理模型的自适应模糊神经网络推理系统,获得比传统的模糊神经网络具有更强的...     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. themultiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learningalgorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzyneural network model, the network is used to Predict short-term load by compaing the network output against the realload data from a local power system supplying electricity to a large steel manufacturer. The experimental results aresatisfactory.     

基于PSO-ANFIS 改进算法的推理系统平衡性研究

针对粒子群优化(PSO)算法在自适应神经模糊推理系统(ANFIS)中的集成应用,提出对学习神经模型参数、隶属度函数参数进行改进优化的算法。该算法可增强模糊系统的近似精度和可解释性,提高系统的性能,进而发现更好的分类优化规则。算法经4个标准数据库的数据测试,结果表现出更好的性能,获得更好的分类效果,同时降低了系统时间复杂度。     

基于ANFIS控制的交流变频调速系统研究

针对交流电动机矢量控制系统因电机参数变化和负载波动等因素而使性能变差的问题,设计了一种基于自适应神经网络的模糊推理系统作为交流电动机矢量控制系统的速度调节器。仿真实验结果表明,具有自适应神经网络的模糊推理系统控制的异步电机矢量控制系统不仅动态和稳态性能都得到提高,而且具有较强的鲁棒性。     

模糊神经网络及其在聚酯酯化建模中的应用

提出一种通过改进减法聚类优选模糊规则的模糊神经网络建模方法.该算法仅从已知的输入输出数据中,就能快速确定模糊规则的数目;给出了模糊规则中参数的确定方法,用误差反传法优化参数;最后用该方法对聚酯的酯化率建立软测量模型.仿真结果表明该方法运算速度快,模糊规则较少,同时具有的良好泛化性能,能够满足软测量建模精度的要求.