改进型B样条模糊神经网络

提出了一种改进型B样条模糊神经网络,用以增加B样条函数在作为模糊神经网络控制器实际应用中的抗干扰能力,通过指出常规B 样条模糊隶属函数构造中存在的不足,提出了针对性的改进措施,从而既满足了B样条本身的性质,又从理论设计上避免了使系统不稳定的因素,在实际电机速度控制系统的对比实验中证明了所提改进方法的有效性和实用性,文中给出了改进型B样条网络的设计过程及实验结果。     

模糊B样条基神经网络磁共振图像分割方法

针对磁共振图像分割的特点,提出了一种基于模糊B样条基神经网络的磁共振图像分割方法。该方法采用B样条基函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练。实验结果表明,这种基于模糊B样条基神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度。     

模糊B样条基神经网络及其在机器人轨迹跟踪中的应用

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制．这种模糊神经网络利用B样条基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力．仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能．     

模糊B样条神经网络在变压器超高频局部放电模式识别中的应用

结合自适应模糊算法和B样条算法的优点,构造出模糊B样条混合算法作为神经网络的学习算法,对变压器超高频局部放电进行了模式识别。实验表明,模糊B样条神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又提高了模糊B样条神经网络的收敛速度、稳定性和求解质量。     

小波方法光顺的B样条模糊系统及其应用

为了减少不准确数据对模糊系统的影响, 本文利用准均匀B样条小波方法光顺了B样条模糊系统. 首先将B样条模糊系统的多分辨率表示转化为准均匀B样条函数的多分辨率表示, 接着利用准均匀B样条小波分解方法对相应的准均匀B样条函数进行分解就得到了一系列光顺性逐渐增强、规则个数逐渐减少的模糊系统, 即基于小波方法的光顺B样条模糊系统. 最后, 仿真结果表明, 小波方法光顺的B样条模糊系统构造的模糊控制器在改善原来B样条模糊系统构造的模糊控制器性能的同时, 大大提高了原来控制器的运行效率.     

B样条函数在模糊系统中的应用

模糊系统的设计可看成是一类函数逼近问题, 从而可以利用数值逼近的方法来设计模糊系统. 本文将B样条函数引入到模糊系统的设计中, 构造了两类多输入单输出的B样条模糊系统, 并证明了它们均能逼近函数及其导函数. 仿真结果表明, 将两类B样条模糊系统应用到模糊系统建模和模糊控制器设计是可行的, 且在大多数情形下, 第1类B样条模糊系统的性能优于本文提到的其他模糊系统.     

用B样条神经网络设计自适应模糊控制器*

本文提出一种可用于设计自适应模糊控制器的模化Ｂ样条神经网络，并给出了合适的训练算法。由于这种网络在每次训练时仅需对少量权重进行调整，因此构成的模糊控制器学习速率快，可应用于过程控制中。本文最后以电厂中过热汽温的控制为例，说明本文的设计方法是有效的。     

两类B样条模糊系统及其应用

能够同时逼近函数及其导函数的模糊系统在应用中具有重要意义.本文利用B样条函数作为推理前件,得到了两类能够同时逼近函数及其导函数的B样条模糊系统.其中第一类B样条模糊系统是插值系统且对函数及其一阶导函数分别具有二阶和一阶逼近精度,第二类B样条模糊系统是拟插值系统且对函数及其一阶、二阶导函数均具有二阶逼近精度.最后,将这两类模糊系统应用到一级倒立摆的稳定控制中,仿真结果表明利用这两类模糊系统设计的控制器是可行的,且具有一定的鲁棒性.     

一种基于模糊B样条基函数神经网络控制的磨削加工系统

本文将模糊控制与神经网络相结合。用神经网络来实现模糊推理,提出了一种把B样条函数作为隶属函数的模糊神经网络,并将之用于磨削加工的质量控制。仿真结果表明,该系统具有响应快、稳态精度高、鲁棒性强等优点,能很好地应用于磨削加工的质量控制。     

基于B样条隶属函数的模糊推理系统

隶属函数和推理规则的确定是模糊推理的难点。通过研究模糊推理过程和B样条函数的特性,对应用B样条函数拟合模糊隶属函数进行推理的方法进行改进。通过对误差极值点、曲率极值点的计算和筛选,得到B样条函数的型值点。反算求得控制点之后,通过自适应增加控制点对曲线进行调整,增加曲线对隶属函数的拟合度,解决了B样条函数对隶属函数的拟合问题。建立B样条推理规则,构造实现了B样条推理系统,并求出该系统的最终结果为B样条超曲面。最后,通过实验验证了该方法的有效性和可行性。     

B-spline backstepping control with derivative matrix estimation and its applications

A B-spline backstepping controller is proposed for a class of multiple-input multiple-output (MIMO) nonlinear systems. The control scheme incorporates the backstepping design technique with a B-spline neural network which is utilized to estimate the system dynamics. The B-spline neural network has the advantage of locally controlling its output behavior compared with other neural networks; therefore, it is very suitable to online estimate the system dynamics by tuning its interior parameters, including control points and knot points. Based on the mean-value theorem, the derivative of B-spline basis functions in relation to parameters can be estimated to online adjust these parameters. In addition, the validity of the proposed scheme is verified through an experiment on a servo motor system which is controlled by the output voltage of the Buck DC-DC converter.     

An Efficient Hardware Implementation of Feed-Forward Neural Networks

This paper proposes a new way of digital hardware implementation of nonlinear activation functions in feed-forward neural networks. The basic idea of this new realization is that the nonlinear functions can be implemented using a matrix-vector multiplication. Recently a new approach was proposed for the efficient realization of matrix-vector multipliers, and this approach can be applied for implementing nonlinear functions if these functions are approximated by simple basis functions. The paper proposes to use B-spline basis functions to approximate nonlinear sigmoidal functions, it shows that this approximation fulfils the general requirements on the activation functions, presents the details of the proposed hardware implementation, and gives a summary of an extensive study about the effects of B-spline nonlinear function realization on the size and the trainability of feed-forward neural networks.     

基于模糊B 样条基函数神经网络控制的交流伺服系统

采用Ｂ样条函数八为模糊隶属函数,利用神经网络实现模糊推理,提出一种模糊Ｂ样条基品数神网络,并将其用于交流伺服系统的控制。仿真结果表明,该控制方法响应速度快,鲁棒性强,是一种有效的控制方法。     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法，有序网络学习速度快，所需神经数目少，用事先训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用一种改进的模糊控制器原有的PID控制器，增强系统的鲁棒性。仿真结果表明，所提出的神经模糊预测控制方法可以获得理想的控制效果。     

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲GTAW熔池动态过程智能控制中的应用研究 结果.建立了脉冲GTAW平板对接动态过程特征:正反面熔池的最大宽度、长度与面积等参数 的神经网络模型,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则,进而设计了 具有自学习适应能力的模糊神经网络控制器.建立了脉冲GTAW熔池动态过程智能控制系统, 焊接实验验证了所设计的模糊神经网络控制器具有智能控制效果.     

模糊神经网络pH控制器的DSP实现

针对pH值控制过程具有较强非线性、纯滞后性的特点，传统PID控制往往达不到满意控制效果。介绍一种将模糊控制技术与神经网络技术相结合构成的模糊神经网络pH控制器，通过数字仿真显示了该控制算法的控制效果优于传统的PID控制和一般的模糊控制算法。并将提出的模糊神经网络控制算法在DSP上进行了实现．通过模拟实验验证了该控制器的可行性。     

几种局部连接神经网络结构及性能的分析与比较

对人工神经网络中的局部连接网络进行了综合研究，比较和分析了CMAC、B样条和RBF这3种用于函数逼近的局部网络的性能。还分析了以ART-2为代表的局部网络中用于模式识别的网络结构及功能。最后在对以上几种网络进行模糊化的基础上，讨论了相应模糊神经网络的性能，为选择和应用局部神经网络提供了一定的依据。     

一种基于神经网络的可调整模糊系统模型

对基于人工神经网络的模糊系统进行研究，建立了一种可调整的模糊系统模型，并且在智能汽车控制器中得到了运用。通过神经网络对输入的经验值进行学习、调整来获得模糊系统控制的新参数。经计算机仿真，并与传统模糊控制模型相比较，小车绕开障碍的性能得到了明显的改善，是一种比较理想的模糊系统模型。