基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于微粒群优化算法的T-S模糊建模

在传统T-S模糊模型的基础上,提出一种高次多项式T-S模糊辨识模型.将传统T-S模型规则后件中的线性模型用简单多项式模型代替,并进一步利用微粒群优化算法辨识规则后件参数.数值仿真表明:用该方案辨识得到的T-S模糊模型同传统的具有线性后件的T-S模型相比,能够显著减少模型规则条数而保持辨识精度不变,同时辨识时间也相应地缩短;且随着输入变量个数的增加,这一优势将更加明显.     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

基于TS模型的非线性系统模糊辨识算法

对一类采样数据较均匀的非线性系统,提出一种基于TS模型的系统辨识算法.首先利用等分区间法对输入空间进行前提结构的划分,并根据所选定的隶属度函数确定每个输入变量在各个模糊子空间中的隶属度,然后利用卡尔曼滤波算法来辨识模型的后件参数.与模糊聚类等辨识算法相比,该算法计算量较小,适用于系统的在线辨识,仿真研究表明该算法具有较高的辨识精度.     

非线性系统的模糊建模方法研究

给出一种基于T-S模型进行非线性模糊建模的方法,该方法首先通过模糊聚类的方法进行模糊结构辨识,再利用带遗忘因子的递推最小二乘法对后件参数的辨识,从而得到模糊模型,通过利用Box和Jenkins煤气炉数据进行仿真,验证了所提方法的有效性.     

神经模糊理论在模糊建模中的应用

在模糊建模的辨识算法研究中,大多采用的是模糊系统,但因其缺乏自学习和自适应能力,要研究和建立精度较高的模糊模型比较困难,而神经网络可直接从样本中进行有效的学习,并优化模糊系统的性能.为此,将给定的系统数据应用聚类的方法,从大量的数据中抽取固定特征,应用神经模糊理论辨识系统,研究表明:建立的模糊模型可较好的逼近实际系统.     

基于MIV特征筛选和BP神经网络的三维人体参数转换

在BP神经网络建模技术的基础上,提出引入平均影响值(MIV)算法筛选采集的变量参数,构建三层前馈神经网络求解三维人体建模参数的方法.结果表明,通过逐步删除后10％序位的参数变量,所建模型的最大误差为0.23,平均误差为0.058 667,训练精度为4E-3,预测精度为94.2％,可用于实际三维试衣时的参数计算.     

一种递归型模糊神经网络用于动态系统辨识的研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在T-S模糊神经网络标准结构基础上,通过在输入层与状态层间加入可以记忆暂态信息的递归层,一种新的T-S递归型模糊神经网络(TSRFNN)被提出,来提高对动态系统的辨识能力.同时,给出了参数的动态BP学习算法.通过仿真实验,证明提出的TSRFNN对动态非线性系统的辨识比传统静态模糊神经网络(TFNN),具有更快的网络收敛速度,更高的辨识精度,更适合于动态系统的辨识.     

基于动态模糊神经网络的多余力矩抑制方法

针对负载模拟器难以准确建模,多余力矩严重影响力矩加载性能的特点,提出一种基于动态模糊神经网络抑制多余力矩的新方法．该动态模糊神经网络无须较强领域的专家知识,是系统自动建模及抽取模糊规则的网络,且模糊神经网络结构是动态变化的,其模糊规则是在学习过程中逐渐增长而形成的．设计了结合前馈反馈控制和直接逆控制的控制策略,在线更新算法,实时更新网络结构及参数以及时跟踪被控对象逆模型的变化,与其并行的PID控制器的作用在于保持系统的稳定并获得更快速的系统响应和更佳的跟踪精度．通过仿真可以看出基本消除了多余力矩,系统性能得到改善,仿真效果令人满意．     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络（DFNN）的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯（CHP）分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型（CFNN）.     

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.     

基于BP神经网络算法的结构振动模态模糊控制

为了更合理、方便地控制土木工程结构地震动力反应,提出基于反向传播(back propagation, BP)神经网络的结构振动模态模糊控制算法。以结构地震动力反应数据训练神经网络建立结构分析模型,以时域模态坐标作为被控变量,实现系统降阶,使建立模态模糊控制规则所需要的模糊推理数量处于可接受范围内,并以体系能量最小作为控制目标制定控制规则。建立结构动力反应模糊控制数值模型,根据计算地震动力反应评价所提出算法的减震效果。结果表明:经过训练的BP神经网络可以准确地预测结构的地震动力反应,并可以据此建立模糊控制规则。仅对结构第一阶振型采用模态模糊控制就能达到满意的减震效果。采用主动质量驱动(active mass driver, AMD)最优控制力幅作为各楼层控制力的论域时,模态模糊控制减震效果与其存在差距;增大控制力的论域,可以得到更好的减震效果。     

基于BP神经网络算法的结构振动模态模糊控制

为了更合理、方便地控制土木工程结构地震动力反应,提出基于反向传播(back propagation, BP)神经网络的结构振动模态模糊控制算法。以结构地震动力反应数据训练神经网络建立结构分析模型,以时域模态坐标作为被控变量,实现系统降阶,使建立模态模糊控制规则所需要的模糊推理数量处于可接受范围内,并以体系能量最小作为控制目标制定控制规则。建立结构动力反应模糊控制数值模型,根据计算地震动力反应评价所提出算法的减震效果。结果表明:经过训练的BP神经网络可以准确地预测结构的地震动力反应,并可以据此建立模糊控制规则。仅对结构第一阶振型采用模态模糊控制就能达到满意的减震效果。采用主动质量驱动(active mass driver, AMD)最优控制力幅作为各楼层控制力的论域时,模态模糊控制减震效果与其存在差距;增大控制力的论域,可以得到更好的减震效果。     

改进补偿模糊神经网络在坡面产沙模拟预报中的应用

土壤侵蚀产沙是一个极其复杂的物理过程,其物理机理十分复杂,往往难以用数学方式来描述.根据土壤侵蚀过程内在特点,采用一种改进的补偿模糊神经网络(CFNN)方法,对坡面侵蚀产沙过程进行了预测研究.利用四川某水土保持实验站观测数据,通过MATLAB语言编制程序进行了仿真试验, 全局误差为0.0517,预测值与实测值吻合良好,误差小于10%.结果表明,该方法预报精度较好,为坡面产沙模拟模型的建立提供了重要的参考方法.     

小波框架支持向量机的模糊小波网络分类方法

针对现有的支持向量机(SVM)不具有多分辨率学习的特点,提出一种新的小波框架的多尺度支持向量机(SVM)的模糊小波网络(FWN)算法.将小波多尺度学习和模糊推理方法相结合,由于FWN对应着多个模糊规则,而每个模糊规则的后件对应一个小波网络,解决了模糊规则后件难以描述的问题;对高维输入的小波网络的初始参数和网络结构的确定困难问题,用基于正交小波框架的支持向量机代替小波网络的方法,使FWN模型具有更好的泛化性能;为了提高FWN模型的逼近精度,使用梯度下降方法调节FWN参数.仿真结果表明,与传统的模糊神经网络(FNN)相比,该方法能显著地提高分类精度.