神经网络模型及其在计量与测试中的应用

本探讨了神经网络模型及其在计量与测试中的应用。以反传（BP）神经网络为例，详细讨论了神经网络模型结构、学习算法，推导了一种优于常规BP算法的递推预报误差算法，并给出了应用实例。     

基于模糊神经网络的液体火箭发动机振动检测

液体火箭发动机振动检测涉及部件振动数据的收集、振动特征的抽取与度量以及度量结果的决策。基于模糊神经网络提出了一种发动机振动故障检测的基本系统。这种技术的吸引力在于：神经网络采用可变模糊集代表发动机工作模式，自然地提供了反映故障程度的有用信息；神经网络的离线学习算法可以从训练样本中提取振动知识；神经网络的监测算法不仅能正确预报故障，同时也能对新的振动信息进行在线学习。实验研究结果表明：模糊神经网络可以成功地用于泵压式液体火箭发动机热试车的振动故障检测。     

基于区间值描述的自适应直觉模糊神经网络

针对模糊集合在语义描述上存在的不足,为提高自适应模糊神经网络的紧凑性,提出了自适应直觉模糊神经网络。首先,推导了适合神经网络计算的直觉模糊规则。接着,给出了自适应直觉模糊神经网络的结构和各层的含义,并给出了网络学习算法和收敛性分析。最后,通过典型实例仿真试验,表明提出的自适应模糊神经网络结构更为紧凑,学习算法的泛化性能更佳。     

一种改进的模糊神经网络控制器学习算法

提出了一种改进的模糊神经网络混合学习算法,运用遗传算法优化构成隶属函数的网络结构,运用最小二乘法进行解模糊,具有更高的学习精度和更快的收敛速度,解决了在多变量系统中采用模糊神经网络时学习收敛慢且易陷入局部极小点的问题。     

模糊神经网络的快速学习算法研究

对模糊神经网络的快速学习算法进行了研究，提出ＦＮＮ的最小二乘－单纯形产算法。解决了ＦＮＮ采用梯度型算法学习时所固有的局部收敛问题及跗算法在线应用的问题。与梯度型算法以及ＧＡ相比，ＬＳ－Ｓｉｍｐｌｅｘ算法具有更高的学习精度和更快的收敛速度，所得的ＦＮＮ具有良好的泛化性能。     

模糊神经网络及其在高炉参数学习专家系统中的应用

本文应用模糊神经网络对高炉参数学习系统进行研究，该神经网络采用个有线性激励的ＢＰ快速学习算法，能够实现模糊推进进行隶属函数参数和规则可信度的调整，为动态模拟专家系统知识库，本文采用了七个结构相似且相互关联的神经网络代表不同的高炉异常炉况类型。     

空调系统神经模糊控制器——结构和算法

提出了一种适用于空调系统控制的新型神经模糊控制器。这种神经模糊控制器将神经网络和模糊控制紧密结合，是一种以神经网络表示模糊控制规则的模糊控制系统，控制推理基于模糊推理的精确值法，神经网络采用后向传播（BP）学习算法。本文论述这种神经模糊控制器的结构和算法，其仿真和优化将另文论述。     

基于改进BP神经网络算法的数据挖掘技术的研究

本文主要介绍数据挖掘技术的概念、过程和BP神经网络算法的原理，研究如何将BP神经网络与数据挖掘技术相结合，从海量数据中挖掘出潜在有用价值的信息，阐述了数据挖掘技术与神经网络结合的关键技术和实现方法，并提出一种改进的BP神经网络算法以实现有用模式的挖掘，能大大缩短训练时问和提高挖掘精度。     

基于多项式系的类模糊神经网络与非线性系统的控制

提出一种新的神经网络－－类模糊神经网络，并以基于多项式系的类模糊神经网络为例作了讨论。该网络具有隐层少，运算简单和函数逼近能力强的特点。就一类非线性系统的在线控制，给出了类模糊神经网络控制的选择记忆算法，并证明了这种算法的收敛性，这一类非线性系统的在线控制问题得以初步解决。     

模糊神经网络在精密三轴转台机械台体故障诊断中的应用研究

针对三轴转台机械台体故障,提出了一种基于模糊神经网络的故障诊断方法,给出了模糊神经网络的结构和学习算法,并阐述了模糊故障诊断原理和故障判别方法将振动信号和电流噪声信号结构用于机械台体的故障诊断,测试结果表明,该方法是有效的。     

气辅注塑成型注气压力的模糊神经网络控制研究

针对气辅注塑成形的注气压力精确控制要求,设计了具有５层结构的模糊神经网络控制器和控制算 法,利用神经网络的学习能力实现对模糊逻辑规则的优化,改善了系统的适应性。对系统３段压力控制的仿真 分析,验证了模糊神经网络控制模型的可行性,控制效果良好。     

Recurrent RBFN-based fuzzy neural network control for X-Y-theta motion control stage using linear ultrasonic motors

A recurrent radial basis function network (RBFN) based fuzzy neural network (FNN) control system is proposed to control the position of an X-Y-theta motion control stage using linear ultrasonic motors (LUSMs) to track various contours in this study. The proposed recurrent RBFN-based FNN combines the merits of self-constructing fuzzy neural network (SCFNN), recurrent neural network (RNN), and RBFN. Moreover, the structure and the parameter learning phases of the recurrent RBFN-based FNN are performed concurrently and on line. The structure learning is based on the partition of input space, and the parameter learning is based on the supervised gradient decent method using a delta adaptation law. The experimental results due to various contours show that the dynamic behaviors of the proposed recurrent RBFN-based FNN control system are robust with regard to uncertainties.     

Recurrent Radial Basis Function Network-Based Fuzzy Neural Network Control for Permanent-Magnet Linear Synchronous Motor Servo Drive

We propose a recurrent radial basis function network-based (RBFN-based) fuzzy neural network (FNN) to control the position of the mover of a field-oriented control permanent-magnet linear synchronous motor (PMLSM) to track periodic reference trajectories. The proposed recurrent RBFN-based FNN combines the merits of self-constructing fuzzy neural network (SCFNN), recurrent neural network (RNN), and RBFN. Moreover, it performs the structureand parameter-learning phases concurrently. The structure learning is based on the partition of input space, and the parameter learning is based on the supervised gradient descent method, using a delta adaptation law. Furthermore, all the control algorithms are implemented in a TMS320C32 DSP-based control computer. The simulated and experimental results due to periodic reference trajectories show that the dynamic behaviors of the proposed recurrent RBFN-based FNN control system are robust with regard to uncertainties     

Application of fuzzy neural network to laser bending process of sheet metal

Abstract

The optimisation and selection of process plans is very important for laser bending of sheet metal to achieve the anticipated bending deformation. In this paper, an adaptive fuzzy neural network has been proposed to predict the bending deformation. This network integrates the learning power of neural networks with fuzzy inference systems. During the establishing process of the energy density (composed of three process parameters: laser power, scanning velocity, and spot diameter), width, thickness of sheet, and scanning path curvature were taken as four input variables of the network. The gradient descent learning algorithm was applied to optimally adjust the weight coefficients of the neural network and the parameters of the fuzzy membership functions. Then, the trained network was used to predict the laser bending deformation. Good correlation was found between the predictive and experimental results.     

一种粗模糊神经分类器

介绍一种新的粗集编码模糊神经分类器。基于粗集理论的概念，讨论了知识编码、属性简化、分类系统简化的方法；并利用模糊隶属度函数将输入精确信息映射为模糊变量信息，解决分类中病态定义的数据问题和提高系统非线性映射的分类能力；提出了结合系统参数的重要性因子的网络的模糊推理方法和粗模糊神经分类器的网络结构以及有导师的最小平方误差学习训练算法。实现的粗集编码模糊神经分类器具有网络结构空间维数低、学习算法简单、网络训练时间短、非线性特性丰富等优点。     

基于深度循环神经网络的社交网络用户情感研究

目的 将深度学习与社交网络、情感计算相结合,探索利用深度神经网络进行社交网络用户情感研究的新方法和新技术,探索模型在用户需求分析和推荐上的应用.方法 自动筛选和挖掘海量社交网络数据,研究具有长时记忆的非先验情感预测方法,对网络中海量的用户数据、人与人之间关系进行建模,为关联时间序列创建LSTM模型,并结合其相互关系融入统一的大型深度循环网络中.具体包括:基于注意力模型的社交网络异构数据处理;基于深度LSTM的长时记忆建模,研究子网络选取、深度LSTM设计,以及针对社交网络的大型网络结构设计;基于社交网络情感模型和强化学习的推荐算法.结果 提高了分析的准确度,降低了对先验假设的依赖,减轻了人工情感模型的工作量和偏差,增强了对不同网络数据的普适性;供深度模型使用.结论 研究成果促进了深度学习与情感计算的结合,可推动网络用户行为分析和预测的研究,可用于个性化推荐、定向广告等领域,具有广泛的学术意义和应用前景.     

基于OLS算法的RBF神经网络在大坝安全监测中的应用

文章介绍了RBF网络的基本原理以及网络中心选取OLS算法（正交最小二乘法），并将该方法应用于大坝渗流安全监测资料的分析预报上，应用结果表明：该神经网路可以很好地克服BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷，具有较快的运算速度、较强的非线性映射能力和较好的预报功能。     

基于模糊学习算法的空调机组性能模拟

基于模糊熵准则和误差平方和准则建立了模糊学习算法,基于该模糊学习算法,应用BP神经网络对柜式空调机组的性能进行了模拟.结果表明,与传统的基于误差平方和准则的学习算法相比,采用模糊学习算法可以大大简化网络结构,有效提高模拟精度和效率.