基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

基于蚁群算法的选择性神经网络集成方法

为选择差异度较大、精确度较高的神经网络个体组建神经网络集成,提高神经网络集成的性能,提出一种新的选择性神经网络集成构造方法.该算法采用蚁群优化算法在独立训练的神经网络个体中选择部分组建网络集成,在蚁群优化过程中神经网络个体被选择的概率由信息素和启发因子决定,信息素反映当前神经网络个体的精确度,启发因子反映神经网络个体间的差异度,能有效提高系统的搜索效率和预测精度.实验结果表明,该算法构造的神经网络集成使用了较少的网络个体,而预测误差均好于传统的Bagging和Boosting算法.     

基于神经网络的模糊模式识别算法研究

模糊信息理论是一种基于模糊集理论的信息科学,人工神经网络是模式识别中的常用方法,文章把模糊理论和人工神经网络结合起来用于字符识别,得到很好的识别效果。     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

一种简化的模糊神经网络优化学习算法

提出一种用最速下降-单纯形法,先优化确定FNN的结构和参数．然后在优化确定的网络基础上用最速下降法再进一步学习的简化的优化学习算法．该算法学习效率高,泛化能力好．仿真结果证实了算法的有效性．     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法.利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络.针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路.利用改进的蚁群算法学习神经网络,为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点.应用实例表明了该方法的有效性,提高了机器人逆运动学求解的速度和精度.     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法．利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络．针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路．利用改进的蚁群算法学习神经网络．为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点．应用实例表明了该方法的有效性。提高了机器人逆运动学求解的速度和精度．     

基于蚁群算法优化RBF神经网络的汽温系统控制

针对火电厂主蒸汽温度模型不确定性的问题,提出一种智能复合控制方法.采用粒子群算法优化蚁群算法参数,将改进蚁群算法对径向基神经网络PID的权值进行优化,从而实现了对主蒸汽温度的动态控制.仿真结果表明,基于改进蚁群算法优化的径向基神经网络PID控制器使被控系统具有快速响应速度和很好的抗干扰性能,证明了该方法的有效性.     

模糊神经网络控制器的仿真研究

简要介绍了一般模糊神经网络控制器的设计理论 ,仿真给出了基于 MATLAB控制器的模糊神经控制流程和算法 ,仿真实验表明该模糊神经网络控制器具有良好的动、静态性能、抗干扰性能和鲁棒性能     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法（GA）和模糊神经网络控制器的结构进行了说明,为了克服以反向传播算法（BP）的缺点,通过遗传算法对模糊神经网络控制器的参数进行优化,亦即对模糊神经网络进行训练,用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象,仿真结果证实了其性能较常规模糊控制器优越。     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基(Radial Basis Function简称RBF)网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法.实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善.     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

基于遗传算法的模糊神经网络控制

在研究遗传算法、模糊神经网络及两者之间融合技术的基础上，设计了基于遗传算法的模糊神经网络控制系统。并通过仿真模拟实例对其功能特性进行了分析。     

一种基于神经网络识别差动态特性的自适应模糊控制器

在神经网络与模糊控制相结合的基础上,设计了一种基于神经网络识别误差动态特性的自适应模糊控制器,该控制器基于误差知识的控制,从系统误差的动态过程观点描述了误差特性,采用了神经网络实现误差知识的自适应获取。仿真结果表明,其控制性能明显优于普通的模糊控制器。     

一种基于RBF神经网络的模糊PID控制算法

提出一种将RBF神经网络与模糊控制相结合的方法,对系统输出误差进行模糊化,利用RBF神经网络对PID控制参数进行在线整定。仿真结果表明基于上述的PID控制算法能较好地实现PID控制参数的在线调整和优化。     

城市废水生物处理过程的模糊神经网络控制

针对城市废水生物处理系统的复杂性,不确定性和难以建立准确的数学模型的特点,本文提出了一种用Ｂ－Ｐ神经网络来完成规则推理的模糊控制器。仿真结果表明,该系统具有良好的动态性能和较强的鲁棒性与容错性,具有实际工程应用的价值。     

基于模糊理论和遗传算法的神经网络权值优化

基于遗传算法的神经网络权值优化的研究和应用,已经得到了很大的发展.但是现有的算法仍存在一些缺陷,容易陷入局部解且收敛缓慢.为此结合模糊理论提出了一种改进的遗传算法来实现神经网络的权值优化,并用实例证明了此算法的可行性和有效性.     

基于GA的模糊神经网络控制

在详细论述模糊神经网络技术基础上,提出了基于GA的模糊神经网络控制器构造方法.选择MATLAB作为开发工具,使用所提供的神经网络和模糊逻辑工具箱,完成了基于GA的模糊神经网络控制器设计,并应用ActiveX技术在虚拟测控系统中实现了对其的调用.     

应用模糊神经网络完成模糊控制器的设计和仿真

介绍了模糊神经网络的基本结构,讨论了利用模糊刘经网络技术通过离线学习的设计模糊控制器的方法。     

m层模糊优选BP神经网络模型及算法

通过把模糊优选原理与BP神经网络模型相结合,能得到可供优选的方案的相对优属度向量。本文作者把三层模糊优选BP神经网络模型推广到m层,从而得到适用性更强的一般模型,大大拓宽了模糊优选BP神经网络模型的应用范围。