基于神经网络的驾驶座椅舒适度评价方法

提出一种基于神经网络的预测驾驶座椅主观舒适度的方法.预测的输入变量为12个体压分布变量以及2个人体变量,输出变量为整体舒适度指数.数据通过12个被试者对5辆不同汽车的驾驶座椅测试获得.在对数据预测时,对主观舒适度的预测实验结果达到了均方误差0.003 0以及相关系数0.749的效果.研究的成果将有助于降低当前汽车制造企业提高汽车座椅舒适性过程中的成本,并缩短制造时间.     

基于多门控混合专家网络的燃烧热化学流形表征

为了更好地在小火焰燃烧模型框架内实施燃烧热化学流形表征，采用多任务学习领域中的多门控混合专家网络（MMoE）.通过对三维层流喷雾射流火焰构型进行详细化学（DC）模拟，构建原始数据集.原始数据集经过Box-Cox转换和标准化处理，以应对燃烧数据的多尺度分布问题.对数据集进行Pearson相关系数分析，结果表明部分化学组分之间无明显的相关性.分别构建同等参数量规模的MMoE和前馈神经网络（FNN）模型，对比分析结果表明，2种模型取得的损失值和决定系数相近，但相比FNN模型，MMoE模型在训练过程中更加稳定，且取得的定量预测结果更加准确.     

基于神经网络的驾驶座椅舒适度评价方法

提出一种基于神经网络的预测驾驶座椅主观舒适度的方法。预测的输入变量为12个体压分布变量以及2个人体变量,输出变量为整体舒适度指数。数据通过12个被试者对5辆不同汽车的驾驶座椅测试获得。在对数据预测时,对主观舒适度的预测实验结果达到了均方误差0.003 0以及相关系数0.749的效果。研究的成果将有助于降低当前汽车制造企业提高汽车座椅舒适性过程中的成本,并缩短制造时间。     

基于眼动分析的车内信息显示位置设计

为了提高车内信息显示设计的安全性,针对车内信息显示的位置设计进行研究. 研究选取5个常见的车内信息显示设备的安放位置,依据驾驶员视觉行为与驾驶安全之间的关系,设计模拟驾驶员驾驶汽车时信息读取任务的眼动实验. 通过实验数据的分析比较可知,不同的车内信息显示位置会对驾驶员读取信息时的注视频率、注视数据在兴趣区域（AOI）内的分布产生显著影响. 分析和比较被试者完成信息读取任务时的注视频率、AOI内注视时间百分比、AOI内注视点百分比的均值可知,在实验选取的5个车内信息显示位置中位置3的数据均最高. 说明被试者读取实验位置3的信息时精力更集中,实验位置3对被试者产生视线偏离的影响最小. 由于驾驶员视线偏离会造成分心驾驶,威胁驾驶安全,车内信息显示位置设计会对驾驶安全产生一定的影响.     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

基于BP神经网络的颈部服装压舒适阈值的预测

为研究颈部服装压对人体主观感受的影响,选取15名青年女性为实验对象,测量其穿着不同领宽的针织高领衫时的服装压值,结合基于BP神经网络的主观评价的方法,探讨人体感觉舒适的压力阈值.研究认为:颈部受压与穿着舒适度存在显著的负相关性,人体颈部压力舒适阈值为1.046 kPa,超过1.258 kPa时人体将感觉不适.     

基于中枢模式发生器的步态控制策略的研究

针对基于仿生学原理的足式机器人步态控制方法,探讨了基于细胞神经网络（CNN）的中枢模式发生器（CPG）实现机器人运动控制的基本思想及不足.提出了基于模糊神经网络（FNN）和CNN的CPG步态控制模型,给出了CNN中自动波稳定性的数值判别方法.FNN与遗传算法（GA）相结合形成的调整机制的引入,增强了系统的抗干扰能力.仿真结果表明,此控制策略具有较理想的效果,并且原理简单,易于实现.     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

生态经济可持续发展的运行与研究

生态经济系统是一个复杂的系统。以模糊推理系统和BP神经网络相结合的模糊神经网络（FNN）来模拟生态经济系统的功能，并以水环境指标为主对生态经济可持续发展指标预测模型进行了研究，以广州为例进行预测分析实验，模拟结果证明了该模型的有效性；为城市生态经济系统和社会经济系统的可持续发展提供有价值的参考数据和指导意见。     

工程机械模糊神经网络挡位决策方法

结合工程机械的工程特点,提出了一种可应用于工程机械换挡决策的模糊神经网络（FNN）方法。并且利用ZL50装载机传动系统模糊换挡控制试验的数据进行了验证性仿真试验,该模糊神经网络系统实际上是对模糊控制系统的一种自适应与自学习的神经网络算法改造。仿真结果表明：该挡位决策方法可以根据操作工况环境实现正确的变速箱挡拉决策,为FNN换挡控制器的开发做了理论准备。     

T—S模糊控制在乙型病毒性肝炎传播过程中的应用

基于微分代数方程描述的己型病毒性肝炎传播模型,构造了相应的广义T-S模糊模型。利用T-S模糊广义系统控制方法,设计状态反馈控制器,以抑制传染病的发展,使乙肝病毒传播模型在无病平衡点达到稳定状态。通过数值模拟验证了结论的合理性。     

离散T-S模糊系统的状态反馈鲁棒镇定

利用模糊模型处理了非线性离散不确定系统的稳定性问题,针对一类离散不确定T-S模糊系统,使用一种新的T-S模糊系统放宽的二次稳定方法,研究并设计了T-S模糊离散控制器,在此基础上利用线性矩阵不等式给出了控制器的算法。最后,通过仿真示例说明了该方法的可行性。     

基于模糊神经网络的智能控制研究

模糊神经网络是一个新型的研究领域,随着人们对人工智能进行更深入、多层次的研究,使其在模糊控制、模糊决策、专家系统、模式识别等众多领域都发挥了重要作用。模糊控制的逻辑推理技术与神经网络的结合,将弥补神经网络在模糊数据处理方面的不足和纯模糊逻辑在学习方面的缺陷。     

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。     

非线性辨识算法及其对热工对象的应用

针对非线性复杂对象,改进了基于T-S模型的模糊辨识算法:取部分数据进行离线辨识,将输入向量的选择先于模型参数辨识,找出最有效的模型结构,提高辨识精度;然后利用剩下的数据模拟在线辨识,辨识过程中自适应改变模糊规则的数目,并通过置信度的检验,保证最有效的规则数,间接提高辨识速度。采用Box-Jenkins煤气炉辨识验证该算法的有效性,并将算法应用于电厂锅炉主汽温对象升负荷过程中的模型辨识。结果表明:辨识算法简单快速,辨识出的模糊模型能够较精确地在线描述非线性对象。     

T-S连续模糊控制系统的稳定性研究

针对非线性系统的T-S模糊控制模型，在分析T-S离散模糊控制系统稳定性的基础上提出了新的模糊控制系统的二次稳定性条件和分析方法，将各个模糊控制子系统的相互作用表示在一个矩阵内，增加了稳定性条件的信息，从而保证了稳定性条件的宽松。     

模糊预测控制在非线性时滞系统中的应用

针对工业控制系统中的非线性、时滞两大难题,结合预测控制中典型的动态矩阵控制(DMC)算法对时滞、模型失配、畸变、干扰等引起的不确定性能够及时得到弥补的优点以及T-S模糊模型对非线性系统良好描述的特性,将模糊控制与预测控制有机结合起来,根据被控对象工作点的变化实时选择模糊规则所对应的阶跃响应模型向量,结合DMC控制算法得到最优控制量,将基于线性系统建模的预测控制应用于非线性时滞系统控制中.     

一类非线性系统的自适应模糊控制器设计及稳定性分析

首先建立一种动态T–S模糊子系统,用于估计非线性系统,然后设计一种稳定的参考模型,其前件与T–S模糊子系统相同.在此基础上,提出一种反馈控制器,其控制矩阵采用线性矩阵不等式（LMI）的方法进行求解,使得在数学模型已知的情况下,闭环系统渐近稳定.此外,为补偿和消除实际系统中常存在的参数不确定性和外部干扰的影响,进一步提出一种自适应模糊控制器,能够在保障系统性能的情况下,补偿参数不确定性,并去除外界干扰的影响.最后,采用李亚普诺夫合成法证明闭环系统的稳定性.仿真验证了该方法的有效性.     

基于ISODATA算法的自组织单输入单输出T-S模糊系统

T-S模糊模型已得到了广泛的研究与应用.但在该模型的建模过程中,在结构辨识、参数优化等方面仍存在一些不足,为此提出了一种基于ISODATA算法的自组织T-S模糊系统.该方法基于输入输出数据,分两步对模糊系统进行建模.第一步,使用基于线性原型的ISODATA算法,对输入输出数据进行聚类,确定系统结构.第二步,建立初始T-S模糊系统,然后使用粒子群算法优化系统参数.与传统方法相比,具有自动优化系统结构的优点.仿真结果验证了该方法的有效性.     

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.