基于模糊神经网络的非线性预测算法

传统的宏观经济预测主要采用传统计量经济学方法，由于宏观经济系统的具有非线性特征和不确定性关系，计量经济学方法有一定局限性，不能完全适应宏观经济系统的动态性和复杂性。本文提出了将神经网络和模糊技术相结合，将专家经验引入到宏观经济的预测过程中，根据宏观经济系统模式特点建立非线性预测系统，从而为经济领域的这一难题的解决提供了有效的新方法和途径。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法．采用结构辨识和参数辨识相结合的方法，构造模糊系统完善的模糊规则库．用此设计方法对函数逼近问题进行仿真，结果表明该方法具有规则数目少、学习速度快、建模精度高等特点．     

基于规则自动生成的模糊神经网络建模

该文提出了一种基于规则自动生成的模糊神经网络建模方法。该方法是利用样本数据自动生成模糊规则,再利用模糊逻辑的万能逼近能力来逼近理想输出,并且根据样本数据自动增加、删除或者修改模糊规则来达到优化模糊模型。介绍了广义动态模糊神经网络的结构和学习方法,并给出了实例来验证该方法是可行的,并优于MATIAB自带的自适应模糊神经网络取得的结果。     

基于模糊神经网络的周期性结垢预测方法研究

针对间歇换热设备的周期性结垢现象,以及由此引起的对象特性时变并造成常规控制器动态性能下降等问题,提出了一种基于模糊神经网络(FNN)的周期性结垢预测方法.把间歇换热设备的周期性结垢分解为可逆垢和不可逆垢,通过两个多入单出四层模糊神经网络分别学习结垢的短周期可逆垢增长趋势和长周期不可逆垢增长趋势,并由两者的组合得到更为精确的污垢热阻预测值.实验结果表明,使用该方法对于一类间歇式麦汁蒸发器污垢热阻的预测精度较经验估计式明显提高,利用该预测方法所构造的时变增益补偿因子在麦汁蒸发器蒸发强度控制系统中亦获得了成功应用.     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节.介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型.实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用.     

基于模糊神经网络的电力系统连锁故障风险评估

为了减少大规模停电事故，通过分析由保护装置隐性故障造成的电力系统连锁故障的基本过程和基本原理，建立了风险模型，并提出了应用模糊神经网络进行电力系统连锁故障风险评估的指标和方法.利用训练后的模糊神经网络，实现了通过升级保护装置性能来降低电力系统连锁故障风险的预防策略.针对电力系统连锁故障的随机性和严重性的特点，该方法较好地描述了电力系统的安全状态，对系统风险的分类效果好，评估速度快，具有较好的实用性.IEEE 118 bus系统的应用结果表明了该方法的可行性.     

基于小波神经网络的风力发电机故障预测方法

针对风力发电场风力不可控、风况复杂和数据的非平稳性现状,利用风力发电场SCADA大数据,对风力发电机组进行分析,提出一种基于小波分析和神经网络的智能算法,通过分析风力发电机相关故障信号的特征,实现对风力发电机的故障诊断和预测。最后对大熊山风电场2MW 风力发电机组运行数据进行仿真和分析,仿真结果表明,小波神经网络是一种风力发电机故障诊断和预测的有效方法。     

基于模糊神经网络的设备故障诊断分析

建立了一个模糊神经网络,用主成分分析法提取故障发生的特征运行参数,确定所建立的模糊神经网络的输入向量个数,再用动态聚类法对所采集的大样本进行故障分类,确定所建立的模糊神经网络的输出向量个数.根据采集的样本训练出模糊神经网络的连接矩阵,然后对单个的联想记忆网络进行合成,实现故障的诊断.通过具体的实例,给出诊断过程.     

基于模糊神经网络的煤矿瓦斯预测

针对瓦斯爆炸为煤矿安全生产中主要事故的现状,提出基于TS型模糊神经网络的煤矿瓦斯预测算法.通过样本学习,在线修正TS型模糊系统的隶属函数参数,形成TS型模糊神经网络算法,将该算法应用于煤矿瓦斯的预测,掌握和捕捉影响煤矿瓦斯安全主要因素的内在联系.仿真结果表明,该方法能够准确预测煤矿瓦斯的安全等级,平均误差较小.     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

基于T—S模型模糊神经网络预测的退火炉温度控制

目的提出一种能够提高退火炉温度控制系统的性能和精度的具体方案,增强控制系统的鲁棒性．方法针对退火炉温度控制系统具有多变量,非线性和不确定性的特点,将T—S模糊神经网络与预测控制相结合,在线建立被控对象的数学模型,并用BP神经网络控制器对所得到的信息在线修正,进而控制退火炉炉温．并通过仿真与传统的模糊PID控制方案进行对比分析．结果T—S模糊神经网络预测控制方案具有较强的控制精度和动态性能,预测精度高、容错性好、收敛速度快,基本无超调等特点．结论T—S模糊神经网络预测控制能够提高产品退火质量、节能环保,可以应用于退火炉炉温的优化控制．     

A Direct Feedback Control Based on Fuzzy Recurrent Neural Network

A direct feedback control system based on fuzzy-recurrent neural network is prosed, and a method of training weights of fuzzy-recurrent neural network was designed by applying modified contract mapping genetic algorithm. Computer simulation results indicate that fuzzy-recurrent neural network controller has perfect dynamic and static performances .     

一种基于人工神经网络的出租车目标自动预测算法

阐述了ECML/PKDD大会对出租车目的地预测提出质疑的解决方案,使用一种基于神经网络的完全自动化的方法,尝试构建多层感知、双向递归神经网络和记忆网络的模型。提出的方法可以较容易地适用于其他应用程序,目标是预测一个可变长度序列的固定长度输出。     

基于神经网络的自学习模糊控制

将神经网络与模糊控制相结合，提出了一种基于神经网络实现自学习模糊控制的方法，并给出了神经网络训练、控制器离线自学习、控制器在线自学习的相应算法，利用该方法，可以实现控制器的离线自学习和在线自学习，从而在控制对象发生变化时，通过控制器自学习改善系统的控制性能，仿真结果表明了该方法的有效性。     

基于遗传算法的模糊神经网络控制

在研究遗传算法、模糊神经网络及两者之间融合技术的基础上，设计了基于遗传算法的模糊神经网络控制系统。并通过仿真模拟实例对其功能特性进行了分析。     

基于T-S逻辑的新型模糊神经网络模型

模糊神经网络是神经网络与模糊逻辑系统的有机结合,具有强大的自学习和自整定功能.针对目前模糊逻辑与神经网络技术在融合中存在的问题,根据模糊逻辑与神经网络的本质和内在联系,提出了一种新型的结构优化的模糊神经网络,用模糊系统理论中的Stone-W eirstrass定理证明了该网络能以任意精度逼近任意一个定义在致密集上的实连续函数.仿真实验表明该网络模型算法是可行且有效的.     

基于神经网络的大气污染预报方法的研究

大气污染物浓度的变化具有较强的非线性特性，基于人工神经网络捕捉非线性变化独特的优越性，将RBF网络应用于实测大气污染物浓度的预报。