自组织模糊神经网络的气动参数辨识算法

导弹气动参数一般通过理论计算或风洞试验数据来获取,由于受诸多因素限制而难以获得精确值。为了提高导弹动力学模型的精确度,利用神经网络能够逼近任意非线性函数的特点,对各实际工作点的气动参数进行辨识。采用反向传播神经网络的结构模型,通过加入模糊推理算法进行神经元权值修正的聚类训练,并动态地调节隐层节点数目,由此提出了一种能够精确跟踪非线性函数的网络模型。网络中若不存在能代表某些输入的聚类中心的神经元时,增加隐层节点数即相当于增加相应的模糊规则,它体现了该网络的自组织特点。仿真结果验证了模型对气动参数辨识的有效性,该方法对于自动驾驶仪气动参数的修正具有良好应用前景。     

自适应模糊神经网络在污水处理中的应用

设计了基于神经网络的自适应模糊控制器，利用他对城市污水处理过程中的污泥龄进行控制。该自适应模糊神经网络能从一组操作数据中提取模糊控制规则，改善了污水处理中污泥龄的控制，从而提高了污水厂出水水质。     

基于CSO优化模糊神经网络的污水处理出水COD预测模型

针对污水处理的非线性系统,为了能够有效预测出水化学需氧量（COD）。提出了一种基于鸡群算法（CSO）算法优化的模糊神经网络预测模型。首先通过模糊神经网络设计了COD模糊神经网络预测模型;之后采用鸡群算法优化模糊神经网络模型参数,弥补预测模型容易陷入局部极小值的缺点,使模糊神经网络的预测精度有了明显提高。最后用MATLAB平台进行仿真实验,仿真结果清晰表明,改进型模糊神经网络预测模型具有很好的自适应性和鲁棒性,提高了COD预测精度和预测效果,能够满足实际污水处理的测量需求,具有一定的研究价值。     

基于WNN-PID的直流电机位置跟踪控制

提出了一种新颖的小波基神经网络的网络拓朴结构.通过该网络对对象进行在线辨识,得到其Jacobian信息,使用神经网络与模糊算法共同在线调整PID参数的方法,实现直流力矩电机位置的准确跟踪,仿真和实验表明:使用该方法能够实现电机位置的准确跟踪;基本克服了一般神经网络控制对初始权值的依赖,大大提高了对象的辨识精度,增强了系统的动态响应品质,并具有很强的鲁棒性.     

MSBR法污水处理模糊神经网络控制的研究

模糊神经网络(FNN)技术的迅速发展及其理论的不断完善为其在各个领域的应用奠定了基础。简述了FNN技术的发展以及在污水处理过程中的应用现状和重要性,详述了模糊神经网络控制在MSBR法污水处理中的应用,提出了一个具有5层的模糊神经网络控制器,通过仿真实验表明该控制系统具有很强的鲁棒性与容错性,该控制器能够自动调整隶属度函数、动态优化控制规则,将其应用于溶解氧控制和出水水质预测,结果表明可以快速、有效地使溶解氧浓度达到期望值,实际出水水质预测结果也具有很好的收敛性和预测精度。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

一种基于模糊神经网络的非线性系统模型辨识方法

该文提出一种非线性系统的模型辨识方法。通过结构的辨识(学习)和参数的辨识(学习),构造了一个模糊神经网络,经调整网络的权值,获得一个精确的模糊模型。对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

动态系统多层网络模型的递推辨识算法研究

本文基于对多层前向神经网络学习训练获得最优权集合过程看成是非线性动态系统模型参数自组织、自学习的辨识过程，阐述了基于多层前向网络描述体系的定常和时变非线性动态系统的ＧＢＰ（广义反向传播算法）自适应递推辨识算法和模型的校验。ＧＢＰ递推算法包括在采样时间段上的纵向参数辨识过程和时序上的横向滑动辨识过程，它是现有多层网络学习算法的拓广，仿真研究表明该算法的有效性。     

基于进化ANFIS的短波通信频率参数预测

该文提出并设计了一种利用神经模糊推理系统建模的短波通信频率参数预测模型。该模型以模糊系统为平台,利用自学习算法训练建立推理规则,采用并行自适应遗传算法进化调整系统内部参数。通过ff0F2实测数据仿真试验,并与神经网络方法、混沌和神经网络相结合方法进行比较,结果证明该模型具有预测精度高、收敛速度快、全局收敛性好、内部参数调整智能化等突出优点。     

基于UKF的自组织直觉模糊神经网络

模糊集在语义描述上存在不足,因此,如何对模糊神经网络进行扩展是当前模糊神经网络研究的热点,针对这一问题,本文提出了基于UKF的自组织直觉模糊神经网络。首先,给出了直觉模糊神经网络的结构和各层的含义;其次,推导了直觉模糊神经网络的学习算法,用LLS和UKF分别学习线性和非线性参数;然后,给出了模糊规则生成的准则,并用误差下降率方法作为规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近、系统辨识和时间序列预测实例,表明本文算法得到的直觉模糊神经网络的结构更为紧凑,泛化性能也更佳。     

模糊神经网络在火灾探测中的应用

本文提出了串联模糊神经网络应用于火灾探测系统，首先将输入信号模糊化后迭送入神经网络进行处理，其模糊系统用指征定义隶属度函数，神经网络采用三层前馈ＢＰ网络结构，用ＢＰ算法进行网络参数的训练。其后由模糊逻辑判决火灾或非火灾。实验结果表明该网络能够准确探测各种标准试验火并有很强的抗干扰能力。     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

毫米波辐射图像的运动模糊参数辨识

针对平面扫描毫米波辐射成像系统和被成像场景之间的运动模糊问题,提出了一种基于Radon变换和微分自相关运算的运动模糊参数辨识方法.首先对原始运动模糊图像两次傅立叶同态变换谱的二值化图像进行Radon变换以估计运动模糊方向,然后在此方向上利用运动模糊图像的微分自相关运算得到运动模糊长度,最后以运动模糊方向和运动模糊长度为参数结合维纳滤波算法对运动模糊图像进行恢复,并引入基于图像灰度梯度向量模方和的运动模糊图像清晰度评价函数,实现对原始运动模糊图像及恢复图像质量的评估,从而达到衡量本文算法辨识精度的目的.实验结果表明,该算法能够准确辨识毫米波辐射图像的运动模糊参数,并具有良好的抗噪声干扰性能及稳定性.     

基于VW-IGRBF神经网络的出水BOD软测量

针对污水处理过程具有复杂非线性特性以及出水BOD难以精确测量的问题,文中提出一种基于变宽度的逆平方根和高斯函数线性组合的RBF神经网络软测量方法。神经网络的激活函数由逆平方根函数和高斯函数线性组合,弥补了单一激活函数在某些区间饱和的问题,提高了隐层激活函数的表达能力和自适应能力。由于激活函数的宽度对模型的泛化性能有较大的影响,因此引入基于核密度的变宽度策略可以有效提高网络泛化能力。文中采用改进LM算法实现了神经网络参数的在线学习。基于污水处理过程实际运行数据的仿真实验表明,所提方法对于出水BOD具有较高的预测精度和良好的自适应能力。     

基于BFO聚类算法的T-S模糊模型辨识

针对非线性系统的辨识问题,本文提出一种基于BFO聚类算法的T-S模糊模型辨识方法。首先通过BFO聚类算法自动地从已知的输入输出数据中确定模糊模型的结构和前件参数,然后用BFO算法估计模糊模型的后件参数。仿真结果表明,该方法辨识精度高,得到的模糊模型简单、模糊规则少,很好地解决了现有算法复杂、输入空间难以划分或者带来的高维问题等,因而具有很好的实用性和有效性。     

改善用户体验的垂直切换算法

针对由超密集异构无线网络的超高动态性而引起掉话率不断增长的问题,并考虑到以往基于模糊逻辑相关垂直切换算法的较大时间开销,该文提出一种改善用户体验的垂直切换算法。首先利用5G核心访问和移动管理功能发现终端附近的所有候选网络,同时,利用自组织网络技术的环境感知能力,随时监测网络的运行状况,主动维护网络之间的邻居关系表。然后,引入动态模糊神经网络(DFNN)算法来执行切换判决,将获取到的网络参数数据作为该系统的输入,动态生成对垂直切换有效的规则库,经学习之后,计算得到输出判决值,从而为终端选择最佳接入网络。最后,仿真结果表明,该算法能够明显改善垂直切换过程中的掉话情况,降低切换失败概率。同时,与其他同类算法的时间消耗相比,该算法能够维持在一个较低的水平。     

一种利用自组织映射和径向基函数神经网络的网络拥塞预测方法

文中提出了一种利用自组织映射（KSOM）和径向基函数（KR）神经网络进行网络拥塞预测的方法．目前的研究表明,预测网络拥塞还存在一些问题,尤其在数据集比较小的时候．因此,为了使网络拥塞问题预测精度高,在预测过程中有必要考虑原有的数据集中每个数据之间的关系．现在为了获得更多的有价值的位置信息,采取了一系列的措施去满足不同数据的情况,包括使用自组织映射神经网络和径向基函数神经网络算法．这一过程使网络能满足不同类型的数据．在本文网络拥塞预测中,采用同一原始数据集,分别对利用自组织映射和径向基函数神经网络的算法和另外两种算法的性能进行比较．实验结果表明,利用自组织映射和径向基函数神经网络的算法具有更好的效果．     

一种用于非线性复杂系统辨识的自适应模糊神经网络

该文提出一种用于复杂的非线性未知系统辨识的混合神经网络模型自适应模糊神经网络(AFNN)。AFNN网络结构简洁,具有通用逼近的特性,能够克服由于突变点的存在而对系统辨识所带来的误差,提高整个系统的辨识精度。对空空导弹攻击区辨识的仿真结果验证了AFNN网络的有效性。     

基于改进FNN的降水粒子分类方法

针对模糊神经网络(Fuzzy Neural Network, FNN)降水粒子分类方法在训练过程中隶属度函数初值不易确定的问题,本文提出了一种改进的模糊神经网络降水粒子分类方法。首先利用K-means++算法对没有标签区域里的双偏振气象雷达数据进行聚类,将聚类结果和另一区域中双偏振气象雷达获取的少量带标签数据进行相关性分析来得到带标签数据,接着对带标签数据进行统计分析来得到模糊神经网络隶属度函数参数初值,将统计好的参数代入模糊神经网络中并对网络进行离线训练,最后使用依据数据自适应调节好的模糊神经网络分类器实现降水粒子的分类。通过对实测数据实验结果表明,该方法能够得到较为合理的降水粒子分类结果。     

一种基于加权LS-SVM的复合辨识方法

针对采用含随机噪声的数据进行非线性动态系统建模无法获得准确模型参数的问题,提出了一种基于加权最小二乘支持向量机(LS-SVM)数据预处理的复合辨识方案.复合辨识方案根据数据的分布信息,利用加权LS-SVM对异常数据的鲁棒性,通过回归计算消除数据的异常性;再利用预处理后的数据训练补偿模糊神经网络参数,得到系统模型.结果表...