一种新的模糊系统建模方法研究与应用

基于聚类技术和一类模糊神经网络,提出一种新的自动生成模糊系统规则库的设计方法.通过结构辨识(原始数据聚类得到模糊规则数)和参数辨识(RBF网络优化参数)方法,构造模糊系统完善的模糊规则库.通过对丙烯腈收益率问题及函数逼近问题的仿真,说明了该方法具有规则数目少、学习速度快、建模精度高等特点.     

加热炉自适应模糊神经网络智能温度控制系统设计

针对加热炉出口温度控制过程属于时变性、滞后性、具有分布参数等非线性过程，其数学模型难以精确建立，在传统控制中，出口温度往往又会受到多种干扰变量实时变化而缺乏控制能力。基于此，将模糊控制鲁棒性强、用语言模糊规则描述过程及无需建立数模等优点和神经网络自适应、自学习以及容错性强等优点相结合构成一种新型智能控制系统即自适应模糊神经网络控制系统对加热炉出口温度进行控制，同时对模糊控制和神经控制算法进行改进。经试验仿真证明，该控制对加热炉出口温度具有较好的动态性能，控制品质得到了提高。     

基于模糊神经解耦控制的板型板厚控制系统仿真

面对板型板厚控制这一复杂、多变量耦合的非线性系统,本文提出了一种两级串联结构的模糊神经网络解耦控制策略,前级为自调整模糊控制器,后级为基于动态耦合特性的自适应神经网络解耦控制器,并从理论上证明了学习算法的收敛性。实现了无模型板型板厚综合控制。仿真结果表明,该控制系统收敛性好、抗干扰性强,取得令人满意的板型板厚控制精度。     

基于模糊聚类的模糊神经网络的系统辨识

本文采用基于模糊聚类的模糊神经网络模型对系统进行辨识,首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经网络来调整模型的前件参数和后件参数。用此设计方法对函数逼近问题进行仿真,结果表明利用聚类技术可以获得较好的初始值,学习速度快、建模精度高。     

模糊神经网络在无缝钢管生产中的应用

为了解决无缝钢管生产过程中能源浪费、精度低的问题,提出了一种用模糊神经网络来优化控制无缝钢管生产中的工艺参数。模糊神经网络程序运行结果表明：此方法可以提高生产中参数的精度控制,降低无谓的操作失误。基于模糊神经网络方法可在无缝钢管中应用。     

焦炉集气管压力智能控制系统

针对焦炉集气管压力这类多变量非线性系统，提出了一种基于模糊神经网络的智能协调控制方案，构成了焦炉集气管压力智能控制系统。实际应用表明，提出的控制策略有效解决了集气管压力的过程控制问题。     

RBF-NN多模型切换的轧机液压活套控制方法研究

本文对轧机液压活套系统的工作特性进行了分析.该系统为多变量非线性系统,在位置与张力变化较大时,使用传统的控制方法该系统的稳定性较差;而神经网络在控制领域的广泛应用表明,它用于多变量非线性系统较为适合.实验结果表明,当位置与张力变化较大时,采用RBF神经网络控制方式使系统仍然稳定.     

基于改进遗传算法优化神经网络的板形控制

冷轧板形控制系统是一个强耦合、非线性的多变量复杂系统,难以建立精确的数学模型,一般常规的控制方法难以取得令人满意的控制效果。本文依据现场的轧制数据,提出采用自适应竞争遗传算法优化神经网络对其进行建模,采用模糊控制,可实现实时控制,并利用MATLAB编程,仿真结果显示了算法的有效性和时效性。     

基于模糊滑模方法的不确定机器人神经网络控制

针对不确定机器人轨迹跟踪控制,提出了基于模糊滑模方法下的神经网络自适应控制,其中RBF神经网络集中补偿系统的不确定性,利用带边界层滑模变结构方法消除了神经网络的逼近误差,并通过模糊方法动态确定边界层宽度,很好的解决了滑模控制中的抖振现象。仿真实例表明,该控制律能保证误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性。     

模糊神经网络融合建模方法及其在轧制力控制中的应用

针对目前热轧中神经网络控制模型不能满足一些特殊轧制规律钢种精度要求的问题,在深入研究现有热轧模型建立与优化的基础上,结合模糊控制技术,提出在神经网络的基础上建立基于模糊规则补偿模型的融合建模方法.针对两类特殊钢种的特性,详细阐述了基于模糊规则补偿模型的建立及实际应用过程,并根据实际生产经验给出建模中规则库的建立过程.实...     

磨机出入口温度模糊神经网络控制模型建立及实现

矿渣粉生产线中的磨机出入口温度控制具有典型的多输入、多输出、非线性和大滞后的特点,通过采取模糊控制和神经网络两种智能控制方法,建立了模糊神经网络模型,模仿人的模糊综合判断推理来控制磨机出入口温度。实践证明,模糊神经网络控制模型具有良好的动静态性能和较强的鲁棒性能,抗干扰能力强,可实现出入口温度自动调节。     

基于模糊神经网络的软测量结果评价方法

在许多工业过程中，软测量技术在一些较难测量的变量估计中有很重要的,量到目前为止，对于软测量技术的研究主要集中在建模方法、模糊校正等问题上。本文提出了一种基于模糊神经网络的软测量结果评价方法，通过仿真证明了该方法的有效性。     

中厚板轧制平面形状模糊控制

在总结人工操作的经验上,给产面形状特征模式和模糊校正控制规则,并设计了模糊一神经网络校正设定系统。     

基于PSO优化T-S模糊神经网络的磨矿粒度预测

选矿厂二段磨矿粒度是影响精品矿位和回收率的关键因素。本文针对目前选矿厂无法对磨矿粒度进行实时检测的问题,结合二段磨矿过程,使用基于粒子群算法(PSO)优化T-S模糊神经网络的方法,建立二段磨矿粒度软测量模型;并采集选矿厂实际生产数据,进行模型对比试验。结果表明：PSO优化T-S模糊神经网络的模型命中率为94%,平均相对误差为0.005 4,模型性能明显优于T-S模糊神经网络模型和RBF神经网络模型;优化模型能有效解决二段磨矿粒度与变量间的模糊性问题,且预测精度较高,满足选矿厂对二段磨矿粒度实时检测的要求。本文研究成果可为二段磨矿粒度软测量建模提供新策略。     

基于模糊RBF神经网络的煤矿瓦斯抽排控制系统

由于煤矿井下瓦斯抽排系统具有多变量、非线性、纯滞后和强耦合等特点,使得采用传统的控制理论对其控制变得十分困难.本文发挥智能控制理论的特点,将模糊RBF神经网络控制应用到瓦斯抽排系统中,仿真结果表明,基于模糊RBF神经网络的瓦斯抽排系统在适应性、实时性和鲁棒性得到加强.     

基于规则的神经网络在模式分类中的应用

针对模式分类任务,提出一种基于粗糙集规则的神经网络构造方法.首先,利用粗糙集理论和遗传算法约简输入特征,在尽量保持分类能力不变的情况下降低条件属性维数,并推导出简练的分类规则集合.然后,以规则集为基础构造BP神经网络结构、确定网络层数、输入输出节点数等,并计算规则的条件属性重要度和依赖度2个参数对连接权值进行初始化.最后,通过一个实例验证了方法的有效性,结果表明该方法能有效解决传统神经网络构造难、解释难、过拟合等问题,提高了分类精度,降低了训练时间.此外,初步探讨了网络训练时对知识提炼的影响.     

模糊神经网络自组织控制算法在罩式加热炉温控系统上的应用

罩式炉在工作过程中,需要控制好炉台的温度,达到生产需要的温度及变化要求。为了实现温度控制的要求,整个系统采用双闭环的控制方式,外环为温度环,内环为电流环。其中加入模糊神经网络自组织控制算法,使系统更具有精确性。模糊控制器以温度及温度变化作为输入变量,以脉冲宽度调节作为输出变量。从而通过可控硅开关的通断来改变回路中的电流,以达到控制电阻丝的发热量,调节炉膛内的温度变化。整个过程中,模糊神经网络自组织控制与可控硅开关起着重要的作用,着重研究基于模糊控制的罩式加热炉可控硅控制的实现问题。     

钢丝电接触运动加热温度的模糊神经网络控制

利用模糊逻辑及推理机制划分出问题解空间的网格，并同步训练神经网络的初始权值，然后利用神经网络并行与分布式学习机制，在模糊划分的区间中，快速搜索出被控对象的优化解值。这种模糊神经网络控制算法对于具有分布参数、动态特性快速变化的钢丝电接触运动加热温度，取得了良好的控制。     

高炉异常炉况神经网络专家系统

采用神经网络来表达高炉专家系统的模糊规则及其隶属函数，生成的网络用于实现模糊推理，从而实现自动修改隶属函数，模拟模糊规则。采用本系统可实现快速的无匹配模糊推理并具有较强的学习能力。     

基于改进遗传算法优化Elman网络的板形识别方法

针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。