模糊粒子群神经网络算法及应用

针对流程工业神经网络建模时,BP算法的局部收敛问题,采用模糊粒子群算法改进神经网络学习问题。该算法将模糊粒子群引入神经网络学习算法,使得粒子群的权重自适应更新,同时模糊粒子群自适应调整神经网络权重参数,改进网络收敛性。将算法用于建立乙烯裂解炉出口温度(COT)、裂解产品收率软测量模型,取得了较好的应用效果。     

基于混沌粒子群优化小波神经网络的短时交通流预测

根据交通流量的非线性、时变性和复杂性等特点,提出基于混沌粒子群CPSO(Chaos Particle Swarm Optimization)优化小波神经网络WNN(Wavelet Neural Networks)的短时交通流预测。结合混沌的随机性和遍历性改进粒子群优化算法,改善粒子群优化算法容易陷入局部最优的问题。利用混沌粒子群算法优化小波神经网络的模型参数,克服传统小波神经网络采用梯度下降法易陷入局部极值和引起振荡效应现象缺陷。仿真结果表明,混沌粒子群优化小波神经网络与粒子群优化小波神经网络和小波神经网络两种方法相比,其提高了收敛速度和预测精度。     

基于改进粒子群算法的模糊神经网络

油气管道腐蚀失效检测具有随机性、复杂性、多因素性和非线性等特点,利用精确的数学模型描述有一定的难度. 本文提出了一种基于混合改进粒子群算法的模糊神经网络的管道腐蚀动态检测方法. 优化粒子群算法的收敛性,加快寻找最优解的速度,将该算法用于模糊神经网络模型构建中,建立了基于模糊神经网络的管道腐蚀动态检测模型. 通过利用实际的管道腐蚀检测数据进行诊断应用,取得了较好的检测效果,验证了该模型及算法的可行性和有效性.     

基于IPSO的模糊神经网络优化及交通流量预测

在基于模糊神经网络的交通流量预测中,神经网络的各节点参数优化是最关键的。采用粒子群算法优化模糊神经网络的参数。针对粒子群算法易于陷入局部最优的缺点,提出一种改进的粒子群优化算法,并将改进的算法用于路口交通流量预测。仿真结果表明,该算法的收敛速度和预测精度优于传统粒子群算法、BP算法,提高了交通流量预测的精度和速度。     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

一种基于类覆盖和粒子群优化的模糊神经网络系统

提出一种基于类覆盖获取有向图和粒子群优化方法的模糊神经网络模式识别系统模型，该模型利用改进的贪心算法获得半径较均匀的超球体类覆盖，再利用超球体类覆盖实现模糊输入空间划分和模糊IF-THEN规则提取，以此实现模糊神经网络系统的结构辨识；采用改进的模糊加权型Mamdani推理法确定系统的输出，并使用基于粒子群优化的算法对系统参数进行精炼，使系统具有很好的强壮性和识别率．对11种矿泉水味觉信号的识别实验结果证明了该系统的可行性和有效性．     

一种小波神经网络的电力短期负荷模型研究

为了提高电力短时负荷预测精度，提出一种基于小波神经网络的短期负荷预测模型。通过小波分析进行负荷序列分解，获得不同频率负荷分量规律；由粒子群算法进行粒子群适应度排序，提升算法收敛速度和收敛能力；为避免算法陷入局部收敛性，引入混沌理论来增强全局搜索能力。将改进的PSO-WNN短期负荷预测模型应用于实例验证中表明：PSO-WNN模型相较于传统WNN模型和PSO模型对电力短时负荷的预测精度分别提高了3.16%和2.12%,预测效率提高了近一倍，算法能有效满足电力调度短时负荷预测的需求。     

软件风险评估量化分析研究

为解决软件风险评估完全凭借专家经验产生的主观性和模糊性问题,提出了基于进化神经网络模型的软件风险定量评估方法.通过研究软件风险评估过程,提出了软件风险评估指标体系模型,同时运用模糊理论将风险因素量化以此作为进化神经网络的输入值.将改进的粒子群算法(PSO)、BP神经网络相结合,构建了基于改进BP神经网络的进化神经网络模型.对提出的模型和改进的算法进行模拟仿真实验,实验结果表明了该方法对软件风险评估量化分析的可行性.     

改进的粒子群算法优化神经网络及应用

针对神经网络权值选取不精确的问题,提出改进的粒子群优化算法结合BP神经网络动态选取权值的方法。在改进的粒子群优化算法中,采用动态惯性权重,并且认知参数与社会参数相互制约。同时,改进的粒子群优化算法结合差分进化算法使粒子拥有变异与交叉操作,保持粒子的多样性。基于改进的粒子群优化算法与BP神经网络,构建IPSONN神经网络模型并运用于酒类品质的预测。实验分别从训练精度、正确率及粒子多样性三方面验证了IPSONN模型的有效性。     

改进量子粒子群算法的模糊神经网络水质评价

传统的粒子群算法训练神经网络的水质评价模型有学习速度慢,容易陷入局部最优和精确性不高的缺点。为了克服模型的缺点,提出了利用改进的自适应量子粒子群算法训练T-S模糊神经网络的新模型,新的自适应量子粒子群算法通过在算法中引入聚集度的概念,使得算法可以在迭代中自适应地调整收缩扩张系数,让算法更具动态自适应性。新的模型结合了量子粒子群算法和T-S模糊神经网络的优点,提高了模型的泛化能力。通过对东江湖流域站点2002到2013年的水文数据进行实验,结果显示,该模型比其他神经网络模型的评价结果具有更高的效率,适合被用于日常水质评价工作。     

一种基于改进T-S模糊推理的模糊神经网络学习算法

针对模糊神经网络学习算法计算量过大,在预测模型设计中提出了基于改进T-S模糊推理的模糊神经网络学习算法。主要工作如下:首先,改进T-S模糊推理方法,定义基于偏移率的T-s模糊推理方法;然后,通过将此模糊推理方法与基于合成规则的模糊推理方法及距离型模糊推理方法相比较可以看出,所提方法有较少的计算量,且比较有效;最后,在此基础上改善了模糊神经网络学习算法,并将其应用于天气预测与安全态势预测。测试结果表明,该方法明显改善了学习效率,减少了预测模型设计中的学习次数与时间复杂度,并降低了学习误差。     

基于人工神经网络的多模型综合预报方法

根据天气系统非线性变化及天气变化受大气多种内外因素综合影响的特点，文中提出了用ANN的前馈网络(BP算法)串入竞争自组织映射网络(SOM网络)方法对同一预报量进行不同结构类型的MOS模型、动力诊断模型和人工智能模型的综合预报。利用这一系统对样本进行了先聚类后训练的预报。结果表明，BP SOM网络实现多模型(异型)综合预报系统具有很好的应用前景。     

模糊化的Modular模糊神经网络降水预报模型研究

以广西西南部前汛期5、6月25个气象站平均逐日降水量作为预报对象,采用自然正交分解方法和模糊化方法对输入因子预处理后,结合Modular模糊神经网络建立了一种新的降水预报模型,并进行了逐日业务预报应用试验.结果表明,该降水预报模型比常规Modular模糊神经网络方法及逐步回归方法有更高的预报精度,具有较好的业务应用前景.     

改进Pi-sigma神经网络及其算法在短期负荷预测中的应用

针对电力负荷的特点,综合考虑历史负荷、天气、日类型等因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于改进Pi-sigma神经网络及其算法的短期负荷预测模型,用于预测预报日的各小时负荷,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.地区电网的实际应用证明了该算法的有效性.     

Cognitive reasoning using fuzzy neural nets

The paper presents a new model for cognitive reasoning using fuzzy neural nets. The analysis of the proposed model yields guaranteed stability of the temporal fuzzy inferences, derived from the network and conditional stability of the structure of the cognitive map, framed by the arcs of the network. The results arrived at in the paper have been illustrated with reference to a typical weather forecast system.     

甘蔗收获机切割性能的综合评价方法

由于甘蔗收获机的切割性能受到多指标的影响,提出了结合模糊综合评价与神经网络的方法对切割性能进行综合评价.采用模糊综合评价方法对受多指标影响的甘蔗根部破头率进行了综合评价,并用神经网络进行有关模糊综合评价知识的学习,以克服模糊综合评价方法烦琐的计算过程并减少由于学习样本的误差对网络预测性能的影响,从而提高评价模型求解问题的效率及自学习能力.     

ARTIFICIAL INTELLIGENCE AND GRAPH THEORY TOOLS FOR DESCRIBING SWITCHED LINEAR CONTROL SYSTEMS

This paper develops a representation of multi-model based controllers using artificial intelligence techniques. These techniques will be graph theory, neural networks, genetic algorithms, and fuzzy logic. Thus, graph theory is used to describe in a formal and concise way the switching mechanism between the various plant parameterizations of the switched system. Moreover, the interpretation of multi-model controllers in an artificial intelligence frame will allow the application of each specific technique to the design of improved multi-model based controllers. The obtained artificial intelligence-based multi-model controllers are compared with classic single model-based ones. It is shown through simulation examples that a transient response improvement can be achieved by using multi-estimation based techniques. Furthermore, a method for synthesizing multi-model-based neural network controllers from already designed single model-based ones is presented, extending the applicability of this kind of technique to a more general type of controller. Also, some applications of genetic algorithms and fuzzy logic to multi-model controller design are proposed. In particular, the mutation operation from genetic algorithms inspires a robustness test, which consists of a random modification of the estimates which is used to select the one leading to the better identification performance towards parameterizing online the adaptive controller. Such a test is useful for plants operating in a noisy environment. The proposed robustness test improves the selection of the plant model used to parameterize the adaptive controller in comparison to classic multi-model schemes where the controller parameterization choice is basically taken based on the identification accuracy of each model. Moreover, the fuzzy logic approach suggests new ideas to the design of multi-estimation structures, which can be applied to a broad variety of adaptive controllers such as robotic manipulator controller design.     

神经网络在天气预报中的应用

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理,具有自 学习和自适应等一系列优点,因而用它来进行天气预报是可行的．针对天气预报问题,初步 建立了基于神经网络的预报系统,给出了应用实例．     

基于模糊神经网络的网络成瘾预测

综合运用模糊数学和神经网络知识构建一个模糊神经网络模型,用以预测网络成瘾。确定了适宜的判别指标和分级标准,对评价论域进行模糊处理;建立各指标对不同论域等级隶属度的计算模型;以实际网络使用者为样本,应用改进的BP算法训练网络模型,并对6个受验样本进行成瘾判别以验证模型的准确性。该方法是对已有的单一指标判别法和用模糊数学对多个指标判别方法的改进。实验证明,改进的BP神经网络方法能够快速、准确、有效地识别网络成瘾模式。     

改进的RBFNN在运动员竞技状态预测中的应用

提出了一种改进的径向基函数(RBF)神经网络,该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数,然后通过模糊C均值聚类算法优化基函数中心与宽度,最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明:该算法先进有效、具有较高的精度,用其建立的模型具有较强的实用性。