基于广义动态模糊神经网络的算法研究

在D-FNN算法基础上,提出了一种新的基于椭圆基函数的广义动态模糊神经网络方法.该方法不仅可以用于系统建模、辨识和控制,而且还可以用于模糊规则的自动生成或抽取.提出了一种模糊ε-完备性作为在线参数分配机制,避免初始化选择的随机性,同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评估,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整.开发了相关的算法程序,最后针对实际案例进行了仿真分析,表明了该算法的有效性和高效性.     

自组织区间二型模糊神经网络及其自适应学习算法

针对复杂不确定非线性系统的辨识问题,提出一种基于聚类的自组织区间二型模糊神经网络学习算法.首先采用具有两个不同加权参数的FCM算法对输入数据进行划分来获取规则前件的不确定均值,同时结合聚类有效性标准确定模糊规则数目,从而自动完成神经网络的结构辨识和规则前件参数辨识;随后给出了基于梯度下降法和Lyapunov函数稳定收敛定理的规则后件权向量学习速率的自适应学习算法.通过非线性系统辨识实例,验证了该算法与其他方法相比具有更快的收敛速度和更高的逼近精度;并且利用该算法建立了某市电力短期负荷预测模型,结果表明该模型具有较高的预测精度,泛化性能更佳.     

典型T-S模糊系统是通用逼近器

研究的多输入单输出T－S模糊系统采用输入变量的线性函数作为规则后件,称为典型T－S模糊系统,在每个输入变量的模糊子集满足一致性以及隶属函数连续且分段可微的条件下,证明了典型T－S模糊系统是通和逼近器,以此为基础,提出当典型T－S模糊系统采用BP算法进行在线学习时,可以仅调节规则后件的参数,而同时仍然能够确保通用逼所性。     

有混合数据输入的自适应模糊神经推理系统

现有数据建模方法大多依赖于定量的数值信息,而对于数值与分类混合输入的数据建模问题往往根据分类变量组合建立多个子模型,当有多个分类变量输入时易出现子模型数据分布不均匀、训练耗时长等问题.针对上述问题,提出一种具有混合数据输入的自适应模糊神经推理系统模型,在自适应模糊推理系统的基础上,引入激励强度转移矩阵和结论影响矩阵,采用基于高氏距离的减法聚类辨识模型结构,通过混合学习算法训练模型参数,使数值与分类混合数据对模糊规则的前后件参数同时产生作用,共同影响模型输出.仿真实验分析了分类数据对模型规则后件的作用以及结构辨识算法对模糊规则数的影响,与其他几种混合数据建模方法对比表明本文所提出的模型具有较高的预测精度和计算效率.     

一种基于模糊BP神经网络的TDOA定位算法

提出了一种以TDOA量测作为网络输入,定位目标三维空间坐标估计值作为网络输出的模糊BP神经网络定位算法。描述了基于模糊神经网络进行定位的模型结构以及关于BP神经网络待调整参数的递归学习算法。通过仿真实验,分析了输入层节点数目和模糊If-then规则数目对定位精度的影响并将提出的算法与CRLB进行了比较。     

用模糊模型在线辨识非线性系统

讨论用模糊方法实现非线性系统在线辨识问题.首先给出了简化的模糊规则表达 方法及其相应的自适应模糊推理,在此基础上给出了模糊模型参数在线辨识算法.最后对 非线性模型进行在线辨识,验证了本文提出的模糊模型及其在线辨识算法.     

基于过程输入输出变化关系的模糊建模方法

针对难以建立精确数学模型的复杂过程,提出一种基于过程输入输出数据变化关系的模糊建模方法。首先按过程输出随输入变量变化的程度对输入变量论域进行划分,在此基础上确定模糊模型的规则总数和前件参数;然后根据所建模糊模型可表示为一个前馈模糊神经网络,利用BP学习算法求得过程模糊模型的后件参数。仿真例子验证了模糊建模方法的有效性,同时表明所建模糊规则模型较好的泛化能力。     

一种基于模糊分类的模糊神经网络辨识方法

针对非线性辨识问题,基于改进的T-S模型,提出一种自适应模糊神经网络模型(AFNN)。首先,基于模糊竞争学习算法确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。     

基于UKF的自适应模糊推理神经网络

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点。针对这一问题,本文提出了基于UKF的自适应模糊推理神经网络(UKF-ANFIS)。首先,通过减法聚类确定UKF-ANFIS的模糊规则及其高斯隶属函数的中心和宽度参数;其次,分析了模糊神经网络的非线性动力系统表示,并用LLS和UKF分别学习线性和非线性的参数;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近和系统辨识实例,表明本文算法得到的模糊神经网络的结构更为紧凑,泛化性能也更佳。     

复杂系统的递阶模糊辨识

针对Takagi_Sugeno模糊模型 (T_S模型 )严重的维数灾问题, 借鉴GMDH算法, 提出了一种新的复杂系统递阶模糊辨识方法. 本文首先详细描述了由两输入变量的特殊T_S模型所组成的递阶模糊模型 ;然后提出了具体的辨识该递阶模糊模型的方法. 该方法的特点是 :a)在结构辨识阶段, 用FCM模糊聚类方法评价系统中每个输入变量的重要性, 以便构造合理的递阶模糊模型 ;b)预先合理地确定了所要辨识的参数的初始值, 用扩展卡尔曼滤波方法可很快地得到这些参数. 最后, 给出的仿真实例说明了本文辨识方法的有     

自适应神经变结构的机器人轨迹跟踪控制

提出一种神经网络与变结构融合的控制策略用于非线性机器人控制,该方案利用神经网络来自适应补偿不确定模型,并通过变结构控制器消除逼近误差.考虑到局部泛化网络的不足,根据其状态空间的划分,分别对3个区间采用神经网络与变结构的分级与集成控制.该方案能在控制阶段初期及网络逼近区域外使两种控制器共同起作用以保持系统的强鲁棒性,基于Lyapunov理论证明了闭环系统的全局稳定性.仿真结果进一步表明了该方法的优越性.     

基于扩张状态观测器的SPMSM调速系统的滑模变结构反步控制

基于面贴式永磁同步电机(SPMSM)的数学模型,提出了反步控制与滑模变结构方法相结合的控制策略,增强了控制器的快速响应性和对外界扰动的抑制能力,滑模面中的积分作用可保证给定速度的无静差跟踪;同时设计了扩张状态观测器(ESO)以实时估计控制系统的外界负载扰动,及时调整控制量,有效减小滑模变结构中的趋近率参数.理论分析及仿真结果验证了该控制方法的有效性.     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

不可测前件变量模糊H∞观测器研究及在GMAW系统的应用

基于前件变量未知的T-S模糊系统设计一类模糊观测器.将模糊系统转化为广义系统的形式,提出一种广义系统的观测器设计方法,消除了控制输入对观测误差方程的影响.针对测量端含有扰动的模糊系统,通过拉格朗目中值定理,将模糊观测器转化为一组线性矩阵不等式的求解问题,并将这种观测器的设计方法应用到熔化极气体保护焊系统,快速有效地实现了对弧长的观测.最后通过仿真分析验证了所提出的观测器设计方法的有效性.     

一种人工免疫算法优化的高有效性模糊聚类图像分割

针对传统模糊聚类初值敏感、易陷入局部最优的缺陷,将具有良好勘探和开采能力的人工免疫算法用于模糊聚类的优化并提出了相应的图像分割算法.利用改进的Hausdorff距离提出一种新的抗体浓度评价算子并定义了相应的免疫算子,简化了免疫操作,增强了算法自适应寻优能力.采用最近提出的一种有效性函数作为聚类适应度函数,以人工免疫算法寻优,从而自适应地确定聚类数日与中心,实现自动图像分割.仿真实验表明,该算法可以实现图像的自动高有效性分割.     

基于模糊结构元的模糊数直觉模糊多准则决策方法

针对准则权重信息不完全确定的模糊数直觉模糊多准则决策问题,采用模糊结构元方法进行处理.基于模糊数直觉模糊集的模糊结构元表示、模糊数比较和排序的模糊结构元方法以及直觉模糊数的记分函数和距离测度,定义了模糊数直觉模糊数的记分函数和距离测度,进而提出两种准则权重信息不完全确定而准则值为模糊数直觉模糊数的多准则决策方法:记分函数法和逼近理想解排序(TOPSIS)法.实例分析表明了这两种方法的可行性和有效性.     

分布阶次系统时域子空间辨识

研究线性时不变分布阶次系统的时域辨识问题,提出一种基于主元分析的子空间辨识算法.该算法采用分数阶滤波器重构基本输入输出方程,利用主元分析辨识分布阶次系统的各项系数矩阵,通过代价函数将系统的各项分数阶微分阶次辨识问题转化为多变量参数优化问题,设计了辅助变量消除辨识过程中随机噪声的不利影响.数值仿真实例表明了算法的有效性.     

基于双重支持向量机的网络故障诊断

为了提高网络故障诊断模型的建立和诊断速度,提出一种双重支持向量机(Dual-SVM)算法.通过两次SVM训练确定诊断模型:第1次SVM训练通过两类样本的类中心和样本点在类中心连线方向上的投影分布情况直接确定近似最优分类面;第2次SVM训练根据第1次的训练结果选择边界样本点并计算其模糊隶属度,通过模糊SVM获得诊断模型.在DARPA数据集上的实验表明, Dual-SVM相较SVM能够获得更快的训练速度和更加简单的故障诊断模型.     

区间二型模糊相似度与包含度

相似度与包含度是模糊集合理论中的两个重要概念,但对于二型模糊集合的研究还较为少见．鉴于此,提出了新的区间二型模糊相似度与包含度．首先选择了二者的公理化定义;然后基于公理化定义提出了新的计算公式,并讨论了二者的相互转换关系;最后通过实例来验证二者的性能,并将区间二型模糊相似度与Yang-Shih聚类方法相结合,用于高斯区间二型模糊集合的聚类分析,得到了合理的层次聚类树．仿真实例表明新测度具有一定的实用价值．     

多方参与决策且指标集有差异的方案排序方法

针对多方参与决策且指标集有差异的群体决策问题,提出一种基于模糊软集理论的方案排序方法.依据各方决策者所考虑的指标参数和打分值信息给出多方决策信息的模糊软集表示方法,并利用模糊软集的且运算得到综合各方决策者所考虑指标参数的新模糊软集及其隶属度矩阵;然后在考虑指标权重的前提下构建关于方案的加权比较矩阵,进而通过计算得出的各方案优势度确定方案的排序结果;最后,通过一个算例表明了所提出方法的可行性和有效性.