基于EKF 的自组织T-S 模糊Elman 网络

针对模糊神经网络结构设计问题及模糊集在语言描述上存在的不足, 提出一种基于扩展的卡尔曼滤波(EKF)的自组织T-S 模糊Elman 网络, 并推导了网络训练算法. 分别采用递归最小二乘法和EKF 对线性参数和非线性参数进行更新; 基于模糊规则生成准则和误差下降率修剪策略实现了模糊规则的增删减. 最后通过系统辨识和污水处理建模实验, 表明了该算法在保证网络精度和泛化能力的同时, 可以有效地简化网络结构.

     

T-S型模糊系统的稳定性分析及其应用

讨论了状态空间形式下Ｔａｋａｇｉ和Ｓｕｇｅｎｏ提出的一类模糊系统的稳定性,利用矩阵范数和矩阵分析理论给出了判定该类系统稳定的新的充分条件。在此基础上分析了国产某飞机在地面滑行时纵向短周期运动的稳定性,比以往结论更加有效。     

T-S模糊神经网络及其在主动式集群中的应用

比较了神经网络和模糊神经网络的逼近能力,从实验数据可以看出,基于T-S模型的模糊神经网络取得了很好的性能表现,可以用于主动自调度集群服务器的容量规划.     

T-S模糊故障树分析方法

提出一种新的T-S模糊故障树分析方法,该方法将模糊逻辑和T-S模糊模型引入到故障树分析中,使故障树具有处理模糊信息的能力.T-S模糊故障树分析中不需要精确了解部件的故障概率,也不需要精确了解故障的机理,从而解决了系统的事件和故障机理的不确定性问题.最后给出了INS/GPS组合导航系统可靠性分析实例.     

基于AQPSO算法优化的Elman网络模型及其应用

Elman神经网络是一种典型的递归神经网络。提出了自适应量子粒子群优化（Adaptive Quantum-Behaved Particle Swarm Optimization,AQPSO）算法,用于训练Elman网络参数,改进了Elman网络的泛化能力。利用中集集团股票数据进行预测,实验结果表明,采用AQPSO算法获得的Elman网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值。     

基于模糊Elman网络算法的移动机器人路径规划分析

为了调正移动机器人避障线路,建立了基于模糊Elman网络算法的移动机器人路径规划模型,并应用进行Matlab仿真分析。利用现有障碍物的距离信息来实现机器人步长的实施可控制与调节,防止移动机器人在做出准确避障行为之后因为没有设定合适的步长而导致撞上障碍物,以0.5作为机器人的最初运动步长。仿真结果表明,采用模糊Elman网络可以获得比其它两种方法更优的路径规划效果,同时对障碍物进行高效避让,由此实现最优的路径规划。采用模糊Elman网络来构建得到的路径规划算法能够满足规划任务的要求,同时还能够根据机器人处于不同工作空间中的情况进行灵活调整。     

PIN型Elman网络及在动态系统辨识中的应用研究

首先介绍普通改进E lm an动态递归神经网络的结构,重点讨论一种具有P ID特性的E lm an神经网络及其学习算法,并将改进E lm an网络和P ID型E lm an网络分别用于动态系统的辨识.无论是理想的数学模型还是实际工业模型,计算机仿真结果均证明,将P ID型网络用于动态系统辨识具有更好的逼近效果.     

一种引入混沌机制的新型Elman网络及其应用

针对一大类未知、时滞、高阶非线性动态系统的建模问题,提出了一种新的改进Elman网络模型——HF Elman,在Lyapounov稳定意义下证明了网络的稳定性,并在网络权值的训练过程中引入了混沌搜索机制,利用混沌固有的全局游动性有效地消除了Elman网络易陷入局部极值的缺点,改善了网络的学习性能。仿真结果表明,新的模型及算法有效提高了网络的训练速度及乙烯质量指标的预测精度。     

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

基于T-S 模糊模型的一类非线性网络控制系统故障检测

针对同时存在网络时延和数据包丢失的网络环境,研究了一类非线性网络控制系统的鲁棒故障检测问 题．基于不确定T-S 模糊模型描述的非线性网络控制系统模型,完成了网络环境下鲁棒故障检测观测器的设计,使 得残差信号对故障敏感而对外部扰动具有鲁棒性．构造Lyapunov-Krasovskii 函数,并引入一个积分不等式,给出了 使得观测器误差动态系统渐近稳定的充分条件．采用线性矩阵不等式技术将鲁棒故障检测问题转化为具有线性矩阵 不等式约束的凸优化问题求解．仿真算例验证了上述方法应用于此类系统的故障检测的有效性．     

约束T-S模糊系统设计的模糊Lyapunov方法

通过引入模糊Lyapunov函数,研究一类执行器饱和的离散T-S模糊系统.对系统设计模糊抗积分饱和补偿器,得到系统稳定的充分条件,并扩大了系统的吸引域.这种方法避免了寻求一个满足系统所有模糊规则的公共正定矩阵P.最后,抗积分饱和补偿器增益通过迭代优化算法得到.     

T-S模糊模型在焙烧建模过程中的应用

该文是鞍钢烧结总厂球团车间燃烧系统优化控制的重要组成部分,针对焙烧的实际生产流程,深入分析了焙烧系统的动态和稳态特性并采集到实际数据,运用混合学习算法建立了实际运行过程的模糊模型;进而运用MATLAB对所建模型进行了仿真检验,并将仿真检验结果与BP网建模进行比较,说明模糊建模能很好的逼近实际系统的动态响应过程,并在收敛速度及建模精度方面优于BP网。     

遗传算法在T-S模糊模型参数辨识中的应用

介绍了T-S模糊模型的建模过程,在现有T-S模糊模型参数辨识方法的基础上,提出了一种先应用最小二乘法对结论参数进行粗略辨识,以确定参数的大致范围之后,再应用遗传算法对前提参数和结论参数同时优化的参数辨识方法。通过MATLAB对本算法进行了仿真,并对非线性函数进行了逼近实验,所取得的结果令人满意。     

T-S模糊模型在跳汰机排料系统中的应用

针对常规的PID控制难以解决实际工业系统的时滞性、非线性等问题,文章提出了一种基于T-S模糊模型的跳汰机排料系统的设计方案,介绍了跳汰机自动排料控制系统的组成,分析了T-S模糊模型辨识原理,详细阐述了基于T-S模糊模型的跳汰机排料系统的建模及仿真。实验结果表明,T-S模糊模型能够比较精确地反映出被控系统中输入与输出之间的关系,也证明了T-S模糊模型可用于非线性控制系统的建模仿真,是现代控制理论与非线性控制系统之间进行沟通的有力工具。     

基于EPSO-BP 的Elman 网络及其在飞行轨迹预测中的应用

针对BP 训练方式采用梯度法易导致局部收敛的不足, 提出一种融合进食粒子群算法(EPSO) 和梯度法的Elman 网络优化方法. 首先, 通过模拟鸟群进食行为得到一种EPSO 算法, 以改善标准PSO 的全局性能; 然后, 将EPSO 用于Elman 网络权值的全局优化, 同时将梯度法用于EPSO 的进食过程局部搜索, 以提高解的局部收敛性能; 最后, 将该网络优化方法用于飞行轨迹预测实验, 仿真结果表明了其有效性.

     

基于Chebyshev函数的T-S模糊神经网络及其快速算法

模糊神经网络有效的利用模糊技术和神经网络两者的优点,但是由于需要调整模糊隶属度函数,使得网络计算量很大,收敛速度变慢。本文利用T-S模糊模型,以Chehyshev函数作为隶属度函数,无需调整其参数,大大减少了计算量,提高了运算速度,仿真结果表明了该模型和算法的有效性和快速性。     

Elman网络在Smith预测控制中的应用

Smith预测控制在实际应用中的难点在于很难得到实际系统精确的数学模型. 通过Elman网络拟合传统Smith估计器的模型误差, 并对其进行补偿. 实验结果表明, 这种基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力, 只要对纯滞后环节精确建模, 就可以完全抵消纯滞后环节对控制品质及系统稳定性的不利影响. 这种方法使得Smith预测控制可以用于模型不易精确确定的系统.     

T-S模糊系统的构造及其逼近能力的充分条件

针对任意多变量非线性函数, 至今缺少一种简单有效的构造性方法来建造一个T-S模糊系统对其实现给定精度的模糊逼近. 本文在逼近函数g(X)∈C2及g(X)不∈C2两种情况下给出了一种当模糊集满足均匀性、连续性、正规性条件下T-S模糊系统的构造方法以及该T-S模糊系统逼近能力的充分条件. 该构造性方法简单易行且其逼近能力充分条件的保守性低. 最后通过仿真研究证实了该方法的正确性与有效性.     

一种改进型T-S模糊神经网络

对T-S模糊神经网络进行了分析,提出了一种新型T-S模糊神经网络,改进了前件网络的结构及学习算法,减少了模糊规则层的节点数,有效地克服了T-S模糊神经网络模糊规则冗余的缺点。这种新型T-S模糊神经网络具有学习算法简单、收敛速度快等优点。把该网络应用到卷取温度控制中进行仿真,得到了满意的结果。