基于模糊聚类的Kohonen神经网络三角网格曲面重建

针对密集点云的三角网格曲面重建,提出一种用于数据精简和分块的神经网络算法:将模糊聚类方法与Kohonen神经网络算法结合.该算法具有按不同曲率进行曲面点云分块重建的能力,而且提高了自组织神经网络的效率.并应用该算法进行了仿真试验,建立了三角拓扑网格曲面,验证了算法的有效性.     

模糊聚类在机械故障诊断中的应用

介绍了模糊C均值聚类算法在机械故障诊断中的应用.以滚动轴承故障特征值的聚类中心来评定故障类别收到了良好的效果.与其他方法相比,模糊聚类方法实现只需要少量样本,从而使诊断工作量与诊断时间大为减少.     

基于改进FCM模糊神经网络的水处理过程建模

本文结合改进的FCM聚类分析算法,提出了一种自适应T-S模糊神经网络用于建立水处理过程的模型.该方法通过减法聚类初始化FCM聚类算法,加快了FCM聚类收敛速度,利用改进后的FCM算法对数据集聚类,从而产生输入空间的模糊划分和模糊规则;并用混合BP和递推最小二乘学习算法对前件和后件参数进行优化.最后,将本文的方法用于建立水处理过程的模型,仿真实验的结果表明该方法具有收敛快、精度较高、泛化能力好的优点.     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于模糊C均值聚类的模糊RBF神经网络预测焊接接头力学性能建模

针对焊接过程的高度非线性,多种因素的复杂交互作用,难以预测焊接接头力学性能的问题和常用反馈(Back propagation,BP)神经网络的不足,利用模糊C均值(Fuzzy C-means,FCM)聚类算法和伪逆法相结合,建立焊接接头力学性能模糊径向基(Radial basis function,RBF)神经网络预测模型。以TC4钛合金惰性气体钨极保护焊(Tungsten inert gas arc welding,TIG焊)焊接工艺参数(焊接电流、焊接速度和氩气流量)作为模型的输入参数,以焊后力学性能(抗拉强度、抗弯强度、伸长率、焊缝硬度和热影响区硬度)作为模型的输出参数。利用27组试验数据对所建模型进行学习训练,用另外9组试验数据进行仿真。结果表明,利用该方法所建模型具有结构稳定、训练速度快、适应性强、鲁棒性好、预测精度高的特点,能够预测焊接接头力学性能。通过数学解析,用函数形式表达焊接工艺参数与接头力学性能之间的规律,可以优化焊接工艺参数,为调控焊接接头的质量提供依据。     

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法.首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型.对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型.将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度.     

模糊神经网络数据融合在移动机器人导航中的应用

提出一种基于模糊神经网络的多传感器数据融合方法,并将其用于自主移动机器人的导航避障。采用BP神经网络作为基体,将模糊技术和神经网络有机结合组成模糊神经网络控制系统,实现了模糊规则自动提取及模糊隶属度函数的自动生成。实验表明该方法可实现机器人的安全避障。     

基于免疫遗传算法的模糊径向基函数神经网络在高速电主轴中的应用

为满足高速高性能电主轴系统快、稳、准的控制要求,结合免疫遗传算法寻优速度快及模糊神经网络控制不依赖主轴系统模型的优点,设计了一种将模糊逻辑控制、径向基函数(Radical basis function, RBF)神经网络和免疫遗传算法进行有机结合的高速电主轴系统全局优化的控制策略,并将该智能控制策略成功应用于高速电主轴系统双闭环矢量控制系统的转速控制器中。通过免疫遗传算法对该智能控制器三类参数的同步优化取得了最佳控制效果,从而实现了对主轴输出转速的精确控制。试验和仿真结果验证了所设计的控制器能够精确控制主轴的输出转速,而且当高速电主轴受到突加负载冲击时,具有很好的抗干扰性能及较强的鲁棒性,使主轴系统具有优良的动、静态性能,实现了高品质驱动。     

基于模糊聚类的产品模块化形成过程分析

阐述了大规模定制与产品模块化设计相结合的可能性,考虑了全生命周期中影响零件交互关系,以及产品模块形成的一系列因素.应用模糊聚类算法,分析了模块的有序聚类形成过程.结合典型特例表明,本文所提出的方法对产品模块化的形成具有较强的适用性和有效性,为面向大规模定制的模块化敏捷生产模式提供了另一种数值分析和评价手段.     

混沌差分优化数据聚类及在故障诊断中的应用

以某往复式天然气压缩机三类典型故障下的振动数据为例,进行数据聚类性能仿真和故障诊断应用实验,仿真实验结果表明改进的FCM数据聚类算法聚类性能效果有较大提高,故障类别分类诊断中能提高故障判断准确率15％以上,在工程实践中具有很好应用前景.     

赖氨酸发酵过程关键参数的模糊神经网络逆软测量研究

针对微生物发酵关键生物量参数(基质浓度、菌丝浓度和产物浓度)难以直接测量的问题,以赖氨酸发酵过程为研究对象,采用基于"虚拟子系统"的模糊神经网络逆系统软测量方法对关键生物量参数进行在线估计.假定在发酵过程内部存在一个以不可直接测量参数为输入,直接可测参数为输出的"虚拟子系统",并建立 "虚拟子系统" 的数学模型.再构造"虚拟子系统"的模糊神经网络逆系统,将逆系统串接在"虚拟子系统"后构成复合伪线性系统,得到动态软测量模型,实现不可直接测量参数的在线估计.实验结果表明:该方法能很好地实时估算赖氨酸发酵过程关键参数,为进行赖氨酸发酵过程补料优化控制打下良好的基础.     

模糊神经网络在UV-LIGA工艺优化中的应用

将模糊神经网络理论和算法应用于负性光刻胶(SU-8)加工高分辨率和高深宽比微结构的工艺研究,在正交试验的基础上对网络进行训练,建立了光刻图形质量与前烘时间、前烘温度、曝光量、后烘时间之间的预测模型。该模型采用五层前向模糊神经网络,学习算法为梯度下降法。进行了实验,实验结果表明,前烘温度与前烘时间对光刻质量影响最大。对120~340 μm厚的光刻胶,前烘温度取95℃,前烘时间100 min时,图形的相对线宽差最小;超声搅拌能缩短显影时间,显著改善图形质量,试验结果与计算结果十分吻合。将模糊神经网络应用于UV－LIGA工艺中,能实现光刻加工微结构的工艺参数优化。     

基于GASA的RBF神经网络在木糖醇发酵过程测量中的应用

文章针对木糖醇发酵过程中关键参数在线测量难的问题,使用软测量技术来估算木糖醇的浓度和底物浓度。文中使用RBF网络作为软测量模型,采用均匀设计方法对RBF网络结构进行优化;并用遗传模拟退火算法（GASA）对RBF网络初始权值进行优化,将此优化RBF网络用于木糖醇发酵过程,实现了木糖醇浓度和底物浓度的间接实时测量。     

基于模糊神经网络的图像滤波算法

针对传统的线性和非线性图像滤波算法对含有丰富细节的图像滤波处理的不足,提出一种基于模糊神经网络的图像滤波算法.该算法利用神经网络的自学习功能训练标准样本以确定模糊贴近度阈值,在基本不改变原有图像的灰度信息的前提下,找出图像受到噪声污染的像素点,采用迭代中值滤波算法得到的中值替换噪声点.仿真实验表明该方法有很好的滤波效果,优于传统的图像滤波算法.     

基于模糊神经网络的供应商选择建模

供应商选择的直接影响着供应链竞争力.在科学合理构建供应商评价指标体系的基础上,建立基于模糊神经网络的供应商评价模型,可以较好地克服评价指标不全面和主观性强的不足,提供了一种新的评价和选择方法.     

基于神经网络-模糊集的多元过程质量异常检测及分类

传统的多元控制图用于多元质量过程监控难以给出异常相关的进一步信息.而对于与过程异常关联的质量特性或其组合的检测及其偏移量的测定或定性,对于异常原因的快速诊断、纠正措施的及时制定意义重大,从而减少过程异常导致的不合格产品量.本文提出一种利用神经网络和模糊集技术对多元过程质量异常进行检测及分类的方法,神经网络模块利用其模式识别功能对过程偏移信号作出解释,确定引发异常的质量特性或其组合;模糊分类模块利用其模糊聚类功能对神经网络的输出信号加以分类,确定异常质量特性或其组合的偏移程度.并以ARL为评价指标,与多元T2控制图做了比较.     

Soft sensor modeling of chemical process based on self-organizing recurrent interval type-2 fuzzy neural network

This study introduces a novel self-organizing recurrent interval type-2 fuzzy neural network (SRIT2FNN) for the construction of a soft sensor model for a complex chemical process. The proposed SRIT2FNN combines interval type-2 fuzzy logic systems (IT2FLSs) and recurrent neural networks (RNNs) to improve the modeling precision. The Gaussian interval type-2 membership function is used to describe the antecedent part of the SRIT2FNN fuzzy rule, and the consequent part is of the Mamdani type with an interval random number. An adaptive optimal clustering number of fuzzy kernel clustering algorithm based on a Gaussian kernel validity index (GKVI-AOCN-FKCM) is developed to determine the structure of the SRIT2FNN and fuzzy rule antecedent parameters, and the parameter learning of SRIT2FNN used the gradient descent method. Finally, the proposed SRIT2FNN is applied to the soft sensor modeling of ethylene cracking furnace yield in a typical chemical process. Comparisons between the SRIT2FNN and conventional fuzzy neural network (FNN) and interval type-2 fuzzy neural network (IT2FNN) are made via simulation experiments. The results show that the proposed SRIT2FNN performs better than the conventional FNN and IT2FNN.     

基于粒子滤波的自组织模糊神经网络算法研究

为了得到结构更加紧凑、泛化性能更强的自组织模糊神经网络,提出了基于粒子滤波(particle filter,PF)的自组织模糊神经网络训练算法.其能够对模糊规则进行自动生成和增删.文中给出了模糊规则生成准则,应用误差率下降方法作为模糊规则增删策略,删除作用不大的规则.建立了以隶属函数宽度参数为状态,以理想输出为量测的动力学模型,利用PF对参数进行了学习.最后,对两个实例进行了仿真,从仿真结果可以看出,与D-FNN、SOFNN、EKF-SOFNN等算法相比,其在结构紧凑性以及泛化性能上都得到了提高,从而证明了PF-SOFNN的有效性.