基于改进遗传算法的胶印质量控制方法研究

针对前馈学习算法容易陷入局部最优以及收敛速度慢等缺点,采用遗传算法来优化模糊神经网络中的参数,通过仿真实验证明,该控制器算法具有较快的收敛速度和较强的局部搜索能力.     

基于区间值描述的自适应直觉模糊神经网络

针对模糊集合在语义描述上存在的不足,为提高自适应模糊神经网络的紧凑性,提出了自适应直觉模糊神经网络。首先,推导了适合神经网络计算的直觉模糊规则。接着,给出了自适应直觉模糊神经网络的结构和各层的含义,并给出了网络学习算法和收敛性分析。最后,通过典型实例仿真试验,表明提出的自适应模糊神经网络结构更为紧凑,学习算法的泛化性能更佳。     

基于信息融合的柴油机缸套磨损故障诊断研究

针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度.     

补偿模糊神经网络的改进及其在通风空调故障诊断中的应用

对传统补偿模糊神经网络(CFNN)的算法进行了改进,提出了动态调整学习步长的方法,避免了较大震荡,同时加快了迭代速度,与定学习步长的方法相比,学习速度和误差精度都有大大提高,最后通过仿真实验证明该方法在地下通风空调系统故障诊断中,具有收敛速度快,诊断精度高,并且适应性强等优点.     

基于Rough集理论的模糊神经网络构造方法

提出了在模糊神经网络中使用Rough集理论进行网络结构设计的方法。由于Rough集理论有强大的数值分析能力,而模糊神经网络具有准确的逼近收敛能力和较高的精度,所以通过两者的结合,可以得到一种可理解性好、计算简单、收敛速度快的神经网络模型。这种网络构造方法的主要过程为：首先,利用Rough集理论对给定数据集进行规则获取;然后,根据这些规则构造模糊神经网络各层的神经元个数及相关参数初始值;最后,用BP算法迭代求出网络的各种参数,完成网络的设计。给出了一个二维非线性函数拟合的实例,进一步验证了方法的正确性。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

神经网络在电路诊断中的应用

目的：阐述了目前电路基于数据库技术和人工智能专家系统及神经网络原理的故障诊断系统。方法：将所记录的模糊症状输入到系统中，通过模糊运算后，运用神经网络学习算法来寻找故障类型。结果：介绍了人工神经网络技术在电路诊断中的应用，并给出系统故障诊断软件的设计，结论：所用专家系统和神经网络相结合的方法改进电子电路故障诊断是可行的。     

模糊神经网络的快速学习算法研究

对模糊神经网络的快速学习算法进行了研究，提出ＦＮＮ的最小二乘－单纯形产算法。解决了ＦＮＮ采用梯度型算法学习时所固有的局部收敛问题及跗算法在线应用的问题。与梯度型算法以及ＧＡ相比，ＬＳ－Ｓｉｍｐｌｅｘ算法具有更高的学习精度和更快的收敛速度，所得的ＦＮＮ具有良好的泛化性能。     

基于B样条函数的模糊神经网络

通过研究Ｂ样条函数在模糊系统和神经网络系统中的应用，探讨了通过Ｂ样条函数，结合模糊系统和神经网络的各自特点，构造模糊神经网络的方法，并提出了具体的网络模型以及相应的学习方法。     

气辅注塑成型注气压力的模糊神经网络控制研究

针对气辅注塑成形的注气压力精确控制要求,设计了具有５层结构的模糊神经网络控制器和控制算 法,利用神经网络的学习能力实现对模糊逻辑规则的优化,改善了系统的适应性。对系统３段压力控制的仿真 分析,验证了模糊神经网络控制模型的可行性,控制效果良好。     

新型磁流变脂阻尼器对铁路连续梁桥地震响应模糊神经网络控制

为解决传统磁流变液阻尼器(Magneto Rheological Fluid Damper,MRFD)磁场利用率低及磁流变液沉降导致控制特性劣化难题,提出新型阻尼器—磁流变脂阻尼器(Magneto Rheological Grease Damper,MRGD)。采用神经网络(Neural Network,NN)对足尺MRGD动力特性进行辨识,通过将改进的限幅最优(Modified Clipped-Optimal,MCO)算法整合到模糊神经网络(Fuzzy Neral Network,FNN)理论来设计适合MRGD的FNN/MCO半主动控制策略,并构建SIMULINK仿真分析平台。以典型三跨铁路连续梁桥为工程背景,分别对未控制、FNN/MCO半主动控制及线性二次型高斯(Linear Quadratic Gaussian,LQG)主动控制下桥梁各项评价指标进行分析。结果表明,所提FNN/MCO半主动控制策略对桥梁地震响应控制效果明显优于LQG主动控制策略;FNN/MCO策略较LQG策略更利于控制装置性能发挥;FNN/MCO策略稳定性、鲁棒性均明显优于LQG策略。     

An intelligent control for linear ultrasonic motor using interval type-2 fuzzy neural network

An interval type-2 fuzzy neural network (IT2FNN) is developed for the position control of a thetas-axis motion-control stage using a linear ultrasonic motor to confront the uncertainties of the motion-control stage. A T2FNN consists of a type-2 fuzzy linguistic process as the antecedent part and a three-layer interval neural network as the consequent part. A general T2FNN is computationally intensive due to the complexity of reducing type 2 to type 1. Therefore an IT2FNN is adopted to simplify the computational process. Moreover, the developed IT2FNN combines the merits of an interval type-2 fuzzy logic system and a neural network. Furthermore, the parameter-learning of the IT2FNN, which is based on the supervised gradient decent method using a delta adaptation law, is performed on line. Experimental results show that the dynamic behaviours of the proposed IT2FNN control system are more effective and robust with regard to uncertainties than the type-1 FNN control system.     

基于混合智能的刀具状态在线识别

提出了一个将小波包分析方法,模糊理论及人工神经网络技术相结合的智能刀具状态在线监测系统,系统利用小波包方法将声发射信号分解为不同频带的时间序列,从中抽取出与刀具切削状态紧密相关的序列信号的构方根值（RMS）作为信号特征值,为了表示刀具状态与特征值之间的关系提出了一个模糊神经网络模型,采用了自组织竞争学习与BP算法相结合的混合学习算法,可迅速,可靠地对刀具状态进行识别。     

水声通信中变步长神经网络盲均衡算法研究

在水声通信领域多途引起的码间干拢可以用均衡消减。盲均衡不需要训练序列,这将有效的节省通信带宽,提高通信效率及通信性能。实际中的通信信道不可能是完全线性的,神经网络作为一种非线性动态系统,具有大规模并行处理及高度的鲁棒性特征,将其应用于水声信道盲均衡切实可行。文中对变步长BP算法的前馈神经网络进行了理论和算法分析,并通过计算机对其实现水声信道盲均衡进行了仿真。仿真结果表明采用变步长BP算法比采用传统BP算法的神经网络盲均衡器收敛速度快,均衡性能明显提高。     

Recurrent RBFN-based fuzzy neural network control for X-Y-theta motion control stage using linear ultrasonic motors

A recurrent radial basis function network (RBFN) based fuzzy neural network (FNN) control system is proposed to control the position of an X-Y-theta motion control stage using linear ultrasonic motors (LUSMs) to track various contours in this study. The proposed recurrent RBFN-based FNN combines the merits of self-constructing fuzzy neural network (SCFNN), recurrent neural network (RNN), and RBFN. Moreover, the structure and the parameter learning phases of the recurrent RBFN-based FNN are performed concurrently and on line. The structure learning is based on the partition of input space, and the parameter learning is based on the supervised gradient decent method using a delta adaptation law. The experimental results due to various contours show that the dynamic behaviors of the proposed recurrent RBFN-based FNN control system are robust with regard to uncertainties.     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

运用模糊神经网络的汽车座椅舒适性评价

汽车座椅舒适性受到消费者的高度关注。由于复杂性和主观性等因素的影响,使得汽车座椅舒适度评价成为座椅制造企业和整车企业的一个技术难点。提出一种基于模糊神经网络的座椅舒适度评价模型,应用8个座椅压力分布参数和2个人体参数等对座椅舒适性进行综合评价。实例分析显示:与普通BP网络模型对比,模糊神经网络模型具有更好的预测效果。     

Fuzzy logic for scaling finite element solutions of electromagneticfields

Artificial intelligence (AI) has been used to determine the quasi-stationary two-dimensional electromagnetic fields within rectangular boundaries. Amplitude and phase of magnetic vector potential have been calculated in an iron slot with an embedded current carrying conductor. A suitable fuzzy neural network (FNN) for scaling finite elements electromagnetic field calculations has been developed. FNN has been trained, using finite elements calculations within rectangular boundaries. Then, FNN has been used to calculate the field in a new geometry differing significantly from the geometries used for training. It was concluded that FNN may be used to scale results from one geometry to another with negligible errors