基于ANFIS的非线性信道的辨识

当前对高速通信的需求导致对信道资源的利用已经超出了可以采用线性模型建模的范围,所以必须采用适当的非线性模型进行描述,为了实现对高速通信中非线性信道的辨识,提出了采用自适应神经模糊推理系统(ANFIS)进行信道辨识的方法,并对ANFIS网络的结论参数采用最小二乘法进行辨识,对前提参数采用误差反传的方法进行学习,最后,运用MAT-LAB实现了对非线性信道进行辨识及均衡的仿真,并将仿真结果与BP网辨识结果进行比较,说明ANFIS网络能很好地逼近非线性信道的传递函数,并在收敛速度及辨识精度方面优于BP网络.     

基于决策树改进CART算法的ANFIS结构辨识技术

针对自适应神经模糊推理(ANFIS)系统的结构辨识问题,提出了基于决策树的改进CART算法。改进算法引入了递归最小二乘估计器,对线性模型可降低计算量,并采用模糊技术处理不连续边界问题。由于隐含权值归一化,该算法能够快捷地对自适应神经模糊推理系统进行结构辨识。通过辨识仿真,表明了该技术辨识速度快,简捷方便,为ANFIS的结构辨识提供了行之有效的途径。     

基于ANFIS的千瓦级PEMFC温度辨识

质子膜燃料电池（PEMFC）工作被认为是21世纪最有希望的绿色发电技术,其原理涉及热力学、电化学、流体力学、传质学等理论,形成一个非线性复杂系统,难以建立数学模型.因此,该文利用模糊逻辑系统和人工神经网络具有为非线性系统建模的较强的逼近能力以及自学习能力,采用了自适应神经模糊算法,建立PEMFC温度特性模型;利用测试数据作为训练样本,在氢气压力给定的条件下,以空气（或氧气）压力和冷却水作温度为模型的输入量,电池的工作温度为输出量,建立了三种不同PEMFC温度特性模型.表明该方法具有简单、可行、精度高等优点.并为PEMFC控制系统的设计和电池性能的优化提供了基本依据.     

基于ANFIS的非线性电机系统的建模

将一种神经—模糊结构—自适应神经模糊推理系统 (简称ANFIS)用于非线性电机系统的建模 ,获得了一个良好的大范围的全局非线性模型 ,同时 ,通过与反向传播网络建模结果的性能对比 ,说明ANFIS在参数收敛速度及建模精度上的优越性。显示出ANFIS是非线性系统的建模、辨识的有力工具     

基于ANFIS的机器人系统建模的研究

针对机器人这种不确定性的复杂非线性系统很难建立其精确的数学模型这一问题,提出一种基于自适应神经模糊推理(ANFIS)的方法对机器人系统进行建模.此方法将模糊推理和神经网络的学习能力有机地结合起来,并利用神经网络的学习机制自动地从输入输出数据中提取规则.建模过程中为了给ANFIS赋予一个合适的初始状态,选用减法聚类对输入数据进行处理.ANFIS网络的所有参数采用混合算法进行调节,即前提参数采用误差反向传播法,结论参数采用最小二乘法.最后在Matlab中对二自由度机器人进行仿真研究,仿真结果表明该方法模型结构简单,建模速度快,辨识精度高,同时也验证了该方法的有效性,为进一步实现机器人鲁棒自适应控制打下基础.     

非线性系统辨识

本文综述了非线性系统辨识问题，包括描述非线性系统的模型结构的辨识，模型参数的估计，并对可能的发展方向提出了作者的观点，最后介绍非线性系统辨识的若干应用。     

基于ANFIS的糖厂PH中和过程建模

针对糖厂pH中和过程具有强非线性,大滞后性,不确定性等特点,将模糊推理系统和神经网络相结合,介绍了一种自适应神经模糊推理系统（ANFIS）,并建立了pH中和过程的模型。仿真结果表明,利用ANFIS所建立的模型能很好地逼近实际的非线性系统,并且辨识精度高,泛化能力强,为后续的优化控制研究奠定了基础。     

基于结构自适应滤波方法的非线性系统辨识

针对非线性系统辨识中定结构参数辨识局限性高和辨识率低的问题,将结构自适应引入辨识的优化,提出一种基于子系统的结构自适应滤波（SSAF）方法。该方法的模型由若干子系统级联而成,每一个子系统均为线性-非线性混合结构。子系统的线性部分是一个一阶或二阶可选的无限脉冲响应滤波器（IIR）,非线性部分则是一个静态的非线性函数。初始化中,子系统的参数随机产生,生成的若干子系统按照设定的连接规则进行随机连接,而不含反馈的连接机制确保了非线性系统的有效性。采用一种自适应多精英引导的复合差分进化（AMECoDEs）算法用于自适应模型循环优化,直至找到最优的结构和参数,即全局最优。实验结果表明,SSAF方法在非线性测试函数以及真实数据集上的表现优异,辨识率高且收敛性好,与聚焦时滞递归神经网络（FTLRNN）相比,它所用参数的个数仅为FTLRNN的1/10,且适应值精度提高了7%,验证了所提方法的有效性。     

基于神经网络非线性系统辨识和控制的研究

本文提出了由静态的前馈网络和稳定的滤波器构成的非线性系统的辨识模型，在神经网络固有的逼近误差存在的情况下，从理论上讨论了神经网络应用于辨识控制过程中系统的稳定性问题，最后研究了在非线性系统的轨迹跟踪过程中增加滑动控制来偿神经网络的逼近误差，从而提高系统跟踪性能。     

基于PID神经网络的非线性时变系统辨识

1　引言PID神经网络是一种多层前向网络 ,它除了具备传统的多层前向网络的特点 ,如逼近能力、并行计算、非线性变换等特性外 ,其隐层单元还分别具有比例、微分和积分等动态特性[1～ 4] .本文将介绍 PID神经网络在非线性时变系统辨识方面的研究结果 .2　PID神经网络结构与算法PI     

基于ANFIS的非线性控制系统鲁棒性

针对典型非线性对象-三容水箱液位系统的非线性、强耦合性提出一种新的解耦控制方法,利用模糊减法聚类技术建立初始模糊推理系统(FIS)结构,在此基础上利用自适应神经模糊推理系统(ANFIS)对模糊模型进行训练,得出ANFIS解耦控制器结构.针对系统的参数不确定性和扰动引起的不稳定性提出了NCD优化方法在线自整定PID参数的ANFIS解耦控制方法,研究结果表明该方法具有较好的抗干扰性能、鲁棒性较好,实用性较强.     

基于支持向量机的非线性系统辨识研究

研究了基于支持向量机的非线性系统辨识方法并进行了仿真试验,用交叉验证的方法进行支持向量机参数选择。有效的仿真结果表明支持向量机是非线性系统辨识的一种非常有效的方法。     

基于自适应神经模糊法的PEMFC温度建模

质子膜燃料电池（PEMFC）工作被认为是21世纪最有希望的绿色发电技术,其原理涉及热力学、电化学、流体力学、传质学等理论,形成一个非线性复杂系统,难以建立数学模型;因此,利用模糊逻辑系统和人工神经网络具有为非线性系统建模的较强的逼近能力以及自学习能力,采用自适应神经模糊算法,建立PEMFC温度特性模型;利用测试数据作为训练样本,在氧气压力给定的条件下,以空气（或氧气）压力和冷却水作温度为模型的输入量,电池的工作温度为输出量,建立了3种不同PEMFC温度特性模型;表明该方法具有简单、可行、精度高等优点。并为PEMFC控制系统的设计和电池性能的优化提供了基本依据。     

基于弱非线性系统Volterra核辨识的算法

本文详细论述了非线性系统二阶Volterra核辨识的函数束法 ,提出了实现这一思想的计算机仿真算法     

基于ANFIS的有色噪声抵消技术

利用自适应神经模糊推理系统ANFIS对噪声的非线性动态特性进行建模,并利用ANFIS逼近有色噪声,然后从测量信号中消除有色噪声得到有用的信号。仿真结果表明利用这种方法能在和被测对象相似的噪声背景中很好地提取有用信号。     

基于ANFIS的污水处理过程建模的研究

针对活性污泥法污水处理过程的特点，提出了一种基于ANFIS的建模方法。以污水处理厂水质数据为样本，首先利用主元分析（PCA）实现输入变量的降维和去相关，随后采用减法聚类算法生成初始模糊推理系统，进而采用ANFIS建立活性污泥法污水处理过程模型。仿真实验表明：基于ANFIS的建模方法是有效的；通过仿真结果比较，PCA-减法聚类-ANFIS网络的拟合能力及收敛速度均优于PCA—BP，更适合作为活性污泥法污水处理过程模型。