二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.     

基于自适应神经网络模糊推理的负荷预测

针对中长期负荷预测,本文将模糊理论与神经网络相结合,提出了基于高木-关野自适应神经网络模糊推理系统的中长期负荷预测模型.该模型采取神经网络技术对模糊信息进行处理.使得模糊推理系统的模糊规则和模糊隶属度函数能通过学习功能自动生成,从而有效地解决了模糊理论中必须根据专家经验人为制定规则和隶属度函数的瓶颈及采用神经网络所获得的输入/输出关系不易被人接受的问题;并以湖南省安乡县经济发展指标和全社会用电量为基础数据,通过高木--关野自适应神经网络模糊推理系统对安乡县预测年份全社会用电量水平的进行预测分析.算例表明,该推理系统计算快捷.准确性高,在电网规划中长期负荷预测中有较强的实用价值.     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器对二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度。     

一种基于模糊规则的神经网络结构及其学习算法研究

文章提出了一种基于模糊规则的神经网络结构,并用形式化语言进行描述。基于模糊规则的神经网络由输入层、规则层和输出层三层网络结构组成,以隶属度函数（语义值）作为网络权值,输入值沿权值的传播即进行隶属度计算。在充分分析三角形函数特征的基础上,应用启发式方法,导出了FRBNN网络的学习算法。最后应用FRBNN评价船舶碰撞危险度,表明FRBNN兼备神经网络和模糊推理系统的优点。     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

三级倒立摆的加权变量模糊神经网络控制

为了提高三级倒立摆系统控制的响应速度和稳定性,在设计Mamdani型摸糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比,表明该Sugeno型模糊神经网络控制器对三级倒立摆系统的控制具有良好的稳定性和快速性,以及较高的控制精度。     

一种新的神经模糊系统及其学习算法

本文提出一种规则结论部分的语言变量具有离散隶属度函数的、基于Mamdani形规则的新神经模糊系统,并描述了它的学习算法.新神经模糊系统由模糊推理系统及其一一对应的神经网络系统构成.在只有训练数据的情况下,首先提出了一种基于RBF神经网络的模糊建模方法.而在模糊推理系统由模糊建模或者直接由专家经验知识确定后,应用梯度下降法优化神经网络系统参数.倒立摆控制和时间序列预测的仿真试验体现了本文提出的新的神经模糊系统的可用性和优越性.     

自适应神经模糊推理系统的参数优化方法

自适应神经模糊推理系统(ANFIS)将模糊推理系统(FIS)中的模糊逻辑规则及隶属度函数参数通过神经网络的自学习来整定,自动产生模糊规则和调整隶属度函数,解决了模糊控制系统中模糊推理规则主要根据专家经验设计、缺乏自学习能力、控制精度不高等问题.而在建立一个初始系统进行训练时,其训练次数、隶属度函数的数目及类型都是待定的,这三个参数的选择直接影响系统训练后的效果,其确定方法值得研究.本文应用自适应神经模糊推理系统对一个典型系统进行建模仿真,并提出三个参数的寻优方法.     

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

模糊规划的提取和隶属度函数的学习是模糊推理系统设计中重要而困难的问题，自适应神经模糊推理系统（ANFIS）方法基于Sugeno模糊模型，其结构类似于神经网络，采用反向传播算法和最小二乘法调整模糊推理系统的参数，并能自动产生模糊规划，本文应用该方法给出了对一个典型系统建模的仿真实例，取得了良好的效果。     

基于零代价函数神经网络的神经-模糊系统与应用

以洗衣机的控制对象,提出了一种神经模糊系统,对其进行建模和控制.根据人类专家的经验提取出来的语言规则,置于模糊逻辑系统之中,并引入线性隶属函数将这些模糊规则转化成数值.这些数值(输入、输出样本对)用来作为神经网络的训练样本.为了改善洗衣机的性能,采用的是基于零代价函数的神经网络训练算法,因此,神经网络的输出数据可以转换成模糊规则,而不存在误差.展望了神经模糊系统方法的发展方向和在洗衣机中的应用.     

基于模糊神经网络的发酵过程溶解氧预估控制

采用模糊逻辑学习算法建立Ｌ－异亮氨酸发酵溶解氧的模糊间接预估规则,并利用模糊神经网络实现这些规则。该网络经过学习能对模糊规则的隶属函数进行调整。仿真结果表明,按该模糊神经网络预估器进行预估控制,可节约发酵供氧能量,防止出现氧限制的情况,从而解决了常规控制难以解决的溶解氧控制问题。     

一种自组织双模糊神经网络控制算法

针对传统模糊神经网络设计复杂、控制实时性滞后的问题,提出自组织双模糊神经网络算法。将样本数据进行聚类划分,形成原始的模糊隶属函数集;在神经网络的离线训练过程中,完善并优化模糊隶属函数和规则;采用双神经网络结构,在线工作时,一个神经网络完成在线学习任务,另一个神经网络完成工业控制任务;经过一定的系统周期,同步系统中两组神经网络的参数;提取完成控制任务的神经网络的输出作为算法的输出。应用于火箭发动机试验台控制系统中,表明算法能够提升控制系统中针对输入参数越界的鲁棒性,提高控制实时性,简化了模糊神经网络的设计复杂度。     

A NEURO‐FUZZY SYSTEM DESIGN METHODOLOGY FOR VIBRATION CONTROL

Fuzzy system has been known to provide a framework for handling uncertainties and imprecision by taking linguistic information from human experts. However, difficulties arise in determining effectively the fuzzy system configuration, i.e., the number of rules, input and output membership functions. A neuro‐fuzzy system design methodology by combining neural network and fuzzy logic is developed in this paper to adaptively adjust the fuzzy membership functions and dynamically optimize the linguistic‐fuzzy rules. The structure of a five‐layer feedforward network is shown to determine systematically the correct fuzzy logic rules, tune optimally (in the sense of local region) the parameters of the membership functions, and perform accurately the fuzzy inference. It is shown both numerically and experimentally that engineering applications of the neuro‐fuzzy system to vibration control have been very successful.     

一种基于聚类的超闭球模糊神经网络

针对一类不确定非线性多输入多输出复杂系统,根据系统的输入输出数据对,提出一种基于聚类的超闭球模糊神经网络系统．该系统通过改进的模糊聚类方法（FCM）确定模糊规则数,采用高维隶属度函数取代常规的单维隶属度函数,并对隶属度函数中心值和隶属度函数参数采用一步通过算法,所提方法可降低系统的模糊规则数,简化网络计算．此外,当系统的输入输出发生变化时,可实现模糊规则库的在线修改．仿真实例验证了所提方法的有效性．     

Performance Enhancement for T–S Fuzzy Control Using Neural Networks

A new control scheme is proposed to improve the system performance for Takagi–Sugeno (T–S) fuzzy system using control grade functions tuned by neural networks. First, systematic modeling method is introduced to construct the exact T–S fuzzy model for a nonlinear control system. For the T–S fuzzy model, the system uncertainty affects only the membership functions. To cope with this problem, the grade functions, resulting from the membership functions of the control rules, are tuned by a back-propagation network. On the other hand, the feedback gains of the control rules are determined by solving a set of linear matrix inequalities (LMIs) which satisfy sufficient conditions of the closed-loop stability. As a result, both stability guarantee and better performance are concluded. The scheme is applied to a ball-and-beam system example verified by numerical simulations.     

Hypoglycaemia detection using fuzzy inference system with multi-objective double wavelet mutation Differential Evolution

In this paper, a fuzzy inference system (FIS) is developed to recognize hypoglycaemic episodes. Hypoglycaemia (low blood glucose level) is a common and serious side effect of insulin therapy for patients with diabetes. We measure some physiological parameters continuously to provide hypoglycaemia detection for Type 1 diabetes mellitus (TIDM) patients. The FIS captures the relationship between the inputs of heart rate (HR), corrected QT interval of the electrocardiogram (ECG) signal (QT_c), change of HR, change of QT_c and the output of hypoglycaemic episodes to perform the classification. An algorithm called Differential Evolution with Double Wavelet Mutation (DWM-DE) is introduced to optimize the FIS parameters that govern the membership functions and fuzzy rules. DWM-DE is an improved Differential Evolution algorithm that incorporates two wavelet-based operations to enhance the optimization performance. To prevent the phenomenon of overtraining (over-fitting), a validation approach is proposed. Moreover, in this problem, two targets of sensitivity and specificity should be met in order to achieve good performance. As a result, a multi-objective optimization using DWM-DE is introduced to perform the training of the FIS. Experiments using the data of 15 children with TIDM (569 data points) are studied. The data are randomly organized into a training set with 5 patients (l99 data points), a validation set with 5 patients (177 data points) and a testing set with 5 patients (193 data points). The result shows that the proposed FIS tuned by the multi-objective DWM-DE can offer good performance of doing classification.