基于模糊神经网络的薄板不同指标裂纹诊断

将采用模糊神经网络的故障诊断技术和诊断模型,利用改进的BP算法对模糊神经网络进行训练,并利用训练好的网络,对悬臂薄铝板仿真裂纹进行了诊断。对悬臂薄铝板裂纹的诊断方法是:首先得到完好板结构和各种仿真裂纹板结构的振型和固有频率,在此基础上提取各种裂纹损伤情况下的五种裂纹诊断指标。将五种诊断指标分成三组,构成三个模糊神经网络,对模糊神经网络进行训练之后,利用训练好的网络对悬臂铝板裂纹进行了故障诊断,将裂纹的诊断结果与实际情况进行了比较,得到了不同诊断指标组合下,不同神经网络的诊断结果。并对不同组别裂纹诊断指标的诊断结果与实际裂纹情况进行了比较。     

模糊免疫算法及其在溶剂脱水塔软测量建模中的应用

本文针对基本免疫算法收敛速度慢、计算精度低等缺点,提出了模糊免疫算法.该算法引入模糊技术,对关键参数(交叉概率和变异概率)实现了模糊自适应调整.通过标准测试函数实验结果的对比,其可行性和有效性得到证明,不仅减轻了原始算法中参数确定存在的困难,而且提高了算法的计算速度和精度.其次,本文将模糊免疫算法用于径向基神经网络的训练,并将该神经网络应用于溶剂脱水塔软测量模型.仿真实验证明,模糊免疫算法优化的径向基函数神经网络具有良好的泛化性能.     

质量管理图中趋势模态及阶跃模态的模糊神经网络识别

建立了智能识别趋势模态及阶跃模态的模糊神经网络模型，讨论了模糊神经网络模型的结构、训练样本的构造及训练算法，最后用实验数据对该模型作了测验。结果证明该模型的反应速度及精度都优于BP网，将其用到下一代智能制造系统的工序质量控制中是合适的。     

基于模糊神经网络的锅炉系统故障诊断研究

在介绍人工神经网络的基本原理和基于神经网络的锅炉系统故障诊断原理的基础上,将模糊逻辑引入了神经网络,研究了集成的模糊神经网络在锅炉系统故障诊断方面的应用,并给出了锅炉样本的一个实例训练过程及测试结果,与传统的标准BP网络算法对比,证实了该方法在锅炉的故障诊断方面能够取得更好的效果。     

基于补偿模糊神经网络数控机床热变形的控制

提出了一种基于补偿模糊神经网络的数控机床热误差预报模型,讨论了该模型的详细结构、模糊规则、训练算法及相关技术问题,并给出了智能预报结果和精度评价。     

基于补偿模糊神经网络的智能诊断系统

提出了一种基于补偿模糊神经网络的智能诊断系统,该系统将神经网络和补偿模糊逻辑相结合,采用动态、全局优化的运算,充分利用了相互间的优点.在神经网络的学习算法中,动态优化补偿模糊运算,使网络更适用、更优化.网络不仅能适当调整输入输出模糊隶属函数,也能借助于补偿逻辑算法动态优化相应的模糊推理,由于补偿模糊逻辑神经网络引入了补偿模糊神经元,能使网络从初始定义的模糊规则开始训练,使网络容错率更高,系统更稳定.仿真实验证明该模型在智能诊断中具有收敛速度快,诊断精度高,而且适应性强等优点.     

基于补偿模糊神经网络的智能诊断系统

提出了一种基于补偿模糊神经网络的智能诊断系统,该系统将神经网络和补偿模糊逻辑相结合,采用动态、全局优化的运算,充分利用了相互间的优点.在神经网络的学习算法中,动态优化补偿模糊运算,使网络更适用、更优化.网络不仅能适当调整输入输出模糊隶属函数,也能借助于补偿逻辑算法动态优化相应的模糊推理,由于补偿模糊逻辑神经网络引入了补偿模糊神经元,能使网络从初始定义的模糊规则开始训练,使网络容错率更高,系统更稳定.仿真实验证明该模型在智能诊断中具有收敛速度快,诊断精度高,而且适应性强等优点.     

基于模糊神经网络的汽车液压泵的故障诊断研究

为了达到准确地对汽车液压泵进行故障诊断的目的,深入地研究了模糊神经网络在故障诊断中的应用.首先,分析了模糊RBF神经网络模型以及对应的算法流程;接着,根据汽车液压泵所存在的故障建立了故障诊断的数据样本对模糊神经网络进行训练;最后,利用训练后的模糊神经网络对汽车液压泵进行故障诊断,结果表明,模糊神经网络具有非常高的故障诊断效率.     

模糊神经网络在智能攻丝控制系统中的应用研究

采用人工攻丝策略,建立了智能攻丝控制系统模型及用于处理攻丝信号的模糊神经网络计算模型,利用神经网络的自学习和自适应能力自动调整攻丝模糊系统参数,并结合BP算法对网络进行训练.使用人工攻丝过程的经验数据进行神经网络的学习和测试,使系统误差满足控制要求,验证了算法的有效性和可行性.     

低压铸造机液面加压控制技术研究

针对低压铸造机液面加压系统参数整定困难、压力控制精度不佳的问题,对液面加压系统的组成、工艺以及机理等进行了研究。提出了模糊神经网络在线整定PID参数的方法,设计了2输入、3输出的模糊神经网络;分析了BP学习算法的缺点,改进了模糊神经网络训练方法,使用果蝇算法作为外层循环,BP算法作为内层循环训练模糊神经网络;选择合适的目标函数对模糊神经网络进行了训练,在Matlab中对传统PID、模糊PID和FNN-PID的控制效果进行了仿真分析。研究结果表明:和传统PID控制相比,使用FNN-PID控制器的液面压力最大误差减小了35.6%,平均误差减小了21.6%,有效提高了液面压力的控制精度。     

机械手逆运动学神经网络算法研究

提出一种基于模糊遗传算法的机械手逆运动学神经网络建模方法。该方法采用3层前向神经网络建立机械手逆运动学模型，应用模糊遗传算法训练神经网络的权系数。此算法可根据种群进化情况，对交叉概率和变 异概率进行在线模糊控制，加快了算法的搜索过程，有效地避免了简单遗传算法中容易出现的初期收敛问题。仿真结果表明，本方法提高了求解精度和收敛速度，不但有效克服了简单遗传算法常出现的初期收敛和BP算法求解精度低、容易陷入局部极小等缺点，而且避免了计算Jacobian矩阵的伪逆，结构简单、容易实现。     

基于模糊BP网络的自适应PID控制

针对经典PID控制的参数不能在线调整的缺陷,提出了一种基于模糊BP神经网络的PID控制算法,采用模糊规则自动地调节BP神经网络训练过程的学习参数,利用神经网络较强的学习能力和模糊控制在模型未知或不精确前提下的控制能力,将其应用到PID控制中[1],实现了PID控制参数的在线调整和优化,并对其在非线性离散系统中的应用进行了仿真。实验结果表明该算法性能优良,加快了系统响应速度,减少了超调量,适用于纯滞后非线性系统。     

基于DCPSO的模糊神经网络的管道泄漏检测方法

提出了一种基于发散-收敛PSO(DCPSO)优化模糊神经网络的管道泄漏检测与估计方法。该方法采用广义概率积、广义概率和模糊算子代替普通神经网络中的传递函数,并用DCPSO算法对该模糊神经网络的权值进行优化。通过实际管道泄漏数据对网络进行仿真研究,结果表明文中所述方法在管道泄漏的检测与估计中,不仅比BP算法具有更快的收敛速度,其结果也更优,进而也昭示出该方法在管道泄漏检测与估计中的可用性。     

一种改进的模糊CMAC神经网络车辆自主避障算法

考虑到模糊控制算法在自主避障上的缺陷,设计了一种改进的模糊CMAC神经网络车辆自主避障算法。采用模糊CMAC神经网络(FCMAC)的各层节点来实现模糊控制器变量的输入、模糊化、模糊逻辑的前提条件匹配运算、模糊量的归一化、控制量的输出和控制规则的调整,借助神经网络的自学习能力来完成模糊控制。通过仿真实验,验证了改进的模糊CMAC神经网络算法的可行性和有效性。     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

基于模糊决策与神经网络的安全气囊触发控制算法

为解决汽车安全气囊适时、正确触发问题，将模糊逻辑与人工神经网络技术引入汽车安全气囊触发控制算法研究。整个判别系统以加速度序列为输入数据，5层人工神经网络为运算模型，经过特征提取、模糊量运算、结论性判定等步骤，最终以加速度与速度变化量为判别依据，提出了便于实施、运行可靠的控制算法并完成了相应的软件设计。整个算法具有运算量小、误判率低、所需训练样本数量少等特点。仿真结果证明了算法的有效性。     

基于模糊神经网络的电力变压器故障诊断研究

将模糊控制和神经网络理论相结合,通过遗传算法对其参数进行优化,有效地解决了常规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,实例仿真结果表明该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性。     

基于模糊理论、遗传算法和神经网络的切削参数混合智能优化

提出一种基于模糊理论、遗传算法和神经网络的混合智能优化技术,给出优化目标的优化数学模型,详细叙述了遗传算法的寻优过程,模糊理论的应用及神经网络的训练和学习获取优化切削参数的技术,并给出各种优化目标下的切削参数混合智能优化与普通搜索方法的对比实例。     

一种基于模糊神经网络的辩识方法

本文给出了一种五层的模糊神经网络。这种神经网络的特点是训练数据可以从网络的输入和输出两端馈入。网络的学习过程分为参数辨识和结构辨识两个阶段,这样可以减少网络参数调整过程中的相互影响,加快学习过程,仿真结果表明了该学习算法可以获得比其他学习算法更好的辨识效果。     

基于遗传算法的SFAM训练样本序列的确定

训练样本集输入序列的确定直接关系到简单自适应谐振匹配网络(SFAM)作为分类器的执行性能,已有确定算法包括随机序列仿真算法、投票决策算法和最大-最小序列算法。基于遗传算法作为一种全局搜索算法的特点,本文提出用遗传算法实现SFAM训练样本集最优输入序列确定的方法,并以加州大学Irvine分校机器学习数据库作为实验样本库,实验结果表明,该算法比投票决策算法和最大-最小序列算法对提升SFAM网络分类器的分类精度和降低训练时间更为有效。