基于ANFIS的温度传感器非线性校正方法

介绍了用神经网络进行传感器非线性误差校正的原理与方法,分析了自适应神经模糊推理系统(ANFIS)的基本原理。通过模糊聚类和混合学习算法,ANFIS可以逼近高阶输入输出非线性系统,将该算法用于两个典型非线性系统建模,均能获得满意结果。之后,将ANFIS算法用于温度传感器非线性校正中,试验结果表明该方法与基于CMAC网络和BP网络的校正方法相比,校正的精度高于以上两种校正方法。     

超级电容自适应模糊神经网络建模研究

传统的超级电容的建模方法精度不高,通过自适应模糊神经网络的推理系统(ANFIS)对超级电容的建模进行研究,结果表明这种方法建立的超级电容模型输出精度高、适应能力强。     

基于SVR的非线性系统故障诊断研究

针对非线性系统辨识建模和故障诊断难的问题,利用回归型支持向量机(support vector regression,SVR)分别设计了非线性系统的辨识建模系统和故障诊断系统,最后以某一非线性系统为例进行了仿真试验研究,建立了该非线性系统的SVR辨识模型,在此基础上进行了三种典型故障的诊断试验,仿真试验结果验证了该方法的有效性和先进性。     

非线性系统的支持向量机逆模型辨识及控制

针对非线性系统逆模型建立难的问题,提出了基于回归型支持向量机(support vetor regression,SVR)的非线性系统逆模型辨识建模的方法,在此基础上,提出了基于SVR的非线性系统逆模型控制的方法.仿真试验结果表明:采用SVR建立的非线性系统逆模型具有很高的建模精度和较强的泛化能力,基于SVR的逆模型控制...     

基于REFOR算法的多输出非线性系统动态参数化建模方法研究

针对多输出非线性系统动态模型的辨识问题,提出一种新的非线性系统动态参数化建模方法,即冗余向前延拓正交（Redundant extended forward orthogonal regression,REFOR）算法。该算法旨在消除传统向前延拓正交（Extended forward orthogonal regression,EFOR）算法因遗漏某些重要模型项而造成所建模型精度较低的问题。首先,基于系统在各工况下辨识所得非线性有源自回归（Non-linear autoregressive with exogenous inputs,NARX）模型,利用REFOR算法统一各模型结构得到模型系数与设计参数间的函数关系,进而建立多输出非线性系统的动态参数化模型。其次,以四自由度非线性系统为例,说明了REFOR算法的优势及其在系统建模中的应用。最后,利用REFOR算法建立悬臂梁的动态参数化模型,并将REFOR预测输出与试验测得输出进行对比,试验结果表明,基于REFOR算法建立的非线性系统动态参数化模型,能准确预测系统的输出响应,为非线性系统建模方法的优化设计提供了理论基础。     

基于改进自适应模糊推理系统的YG3硬质合金精密外圆磨削表面质量预测

为提高硬质合金材料精密外圆磨削的表面完整性和加工质量,研究其表面质量的预测技术,建立了基于自适应模糊推理系统(ANFIS)的YG3硬质合金精密外圆磨削表面粗糙度预测模型,并引入混合田口遗传算法(HTGA)对预测模型进行了改进。采用工艺试验中所用的磨削参数及相应条件下测得的表面粗糙度数据作为训练样本和测试样本,通过对BP神经网络模型、传统ANFIS预测模型及改进ANFIS预测模型的预测结果进行对比分析,对三种模型的有效性和预测精度进行了验证。结果表明,所提出的改进ANFIS预测模型从预测值相对误差Er的分布及均方根相对误差EMSRE的大小来看,均优于其他两种预测模型,预测精度较高,是一种有效的表面质量预测方法。      

基于正交匹配追踪算法的复杂系统动力学建模与分析

针对非线性系统模型的辨识问题,通过引入正交匹配追踪(Orthogonal matching pursuit,OMP)算法实现快速非线性系统建模。该方法旨在解决非线性有源自回归(Nonlinear autoregressive with exogenous inputs,NARX)模型针对大型数据建模时效性差的问题。首先,说明了正交最小二乘(Orthogonal least squares,OLS)算法存在正交次数多、耗时长的问题,采用OMP算法可有效解决,通过与OLS算法对比正交差异性证明了OMP算法计算效率提升的理论基础,采用模型预报方法验证OMP算法所得NARX模型的动力学特性。其次,以单自由度非线性系统为例,说明了OMP算法系统建模的有效性。最后,利用OMP算法建立悬臂梁NARX模型,并分别将NARX模型预报输出与试验实测输出,NARX模型固有频率与悬臂梁实际固有频率进行对比。结果表明,与OLS算法相比,所提方法的建模效率平均提升了10倍,且模型可有效反应系统动力学特性。     

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的.自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近.文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function, IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加.由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度.在混合信号信噪比为2.840 7 dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74 dB,证明EMD-ANFIS方法的有效性.     

基于Volterra级数及神经网络的非线性系统建模

在高压下,压力传感器往往会表现出非线性的特性.本文基于反向传播神经网络对Volterra级数表示的非线性系统进行了研究.在分析了神经网络分解后的结构与Volterra级数表示的非线性系统之间的类似关系后,将所使用神经网络中的激励函数在阀值处进行泰勒级数分解,解算出了Volterra级数的各阶核,从而实现了对非线性系统(传感器)的建模.实例建模结果表明,通过使用神经网络方法求解Volterra级数核来对非线性系统进行建模的方法非常有效.     

基于ANFIS的立磨振动控制模型辨识研究

立磨是工业系统常用的粉磨设备,但由于其具有复杂时变性和复杂的非线性的特点,很难建立精确的数学模型.本文利用自适应模糊神经网络推理系统(ANFIS),并结合各参景之间的先验知识,建立了立磨系统振动的模糊神经网络模型.仿真结果表明,该方法简单有效,并具有很好的泛化能力.     

基于ANFIS模糊神经网络的微钻头破损监测

使用轴向力和扭矩信号监测微孔钻削过程,提出了基于ANFIS模糊神经网络作为微钻头破损状态监测模型。该模型能够较准确描述钻头破损和信号特征之间的非线性关系,和常用的BP神经网络相比,具有收敛速度快和局部学习能力等优点。实验结果表明：采用ANFIS模糊神经网络对提高微钻头监测的准确性非常有效。     

深海采矿升沉补偿系统非线性仿真模型的建立和试验

利用Simulink软件和功率键合图建立了深海采矿主动型升沉补偿系统的仿真模型，该系统保留了非线性因素、无需编程、具有图形化的用户界面、物理意义强、仿真参数的修改和仿真结果的观察处理方便等优点。升沉补偿模拟系统的仿真结果和试验结果具有较高的一致性，表明该系统的非线性仿真模型是准确的。它为升沉补偿系统动静态特性的全面研究提供了一种新手段。     

基于模糊神经网络系统的三相感应电机矢量控制

为实现三相感应电机稳定控制,提出了一种基于自适应模糊神经网络推理系统（ANFIS）的感应电机矢量控制方法。ANFIS结合了模糊逻辑的调节能力与神经网络的自适应能力,被广泛的应用到电机的参数估计、转速、转矩和磁链控制中。在分析感应电机工作原理的基础上,推导出其数学模型,在Matlab/Simulink上采用基于ANFIS的矢量控制对三相感应电机进行系统仿真,仿真结果表明,该控制策略转矩波动小,转速响应快,具有良好的动态和静态性能。     

Prediction of flow discharge in compound open channels using adaptive neuro fuzzy inference system method

Discharge estimation in rivers is the most important parameter in flood management. Predicting discharge in the compound open channel by analytical approach leads to solving a system of complex nonlinear equations. In many complex mathematical problems that lead to solving complex problems, an artificial intelligence model could be used. In this study, the adaptive neuro fuzzy inference system (ANFIS) is used for modeling and predicting of flow discharge in the compound open channel. Comparison of results showed that the divided channel method with horizontal division lines with the Coefficient of determination (0.76) and root mean square error (0.162) is accurate among the analytical approaches. The ANFIS model with the coefficient of determination (0.98) and root mean square error (0.029) for the testing stage has suitable performance for predicting the discharge of flow in the compound open channel. During the development of the ANFIS model, found that the relative depth, ratio of hydraulics radius and ratio of the area are the most influencing parameters in discharge prediction by the ANFIS model.     

The Application of an ANFIS and Grey System Method in Turning Tool-Failure Detection

The cutting process is a major material removal process; hence, it is important to search for ways of detecting tool failure. This paper describes the results of the application of an adaptive-network-based fuzzy inference system (ANFIS) for tool-failure detection in a single-point turning operation. In a turning operation, wear and failure of the tool are usually monitored by measuring cutting force, load current, vibration, acoustic emission (AE) and temperature. The AE signal and cutting force signal provide useful information concerning the tool-failure condition. Therefore, five input parameters of the combined signals (AE signal and cutting force signal) have been used in the ANFIS model to detect the tool state. In this model, we adopted three different types of membership function for analysis for ANFIS training and compared their differences regarding the accuracy rate of the tool-state detection. The result obtained for the successful classification of tool state with respect to only two classes (normal or failure) is very good. The results also indicate that a triangular MF and a generalised bell MF have a better rate of detection. We also applied grey relational analysis to determine the order of influence of the five cutting parameters on tool-state detection.     

Application of adaptive neuro-fuzzy inference system in prediction of fluid density for a gamma ray densitometer in petroleum products monitoring

This paper presents the application of adaptive neuro-fuzzy inference system (ANFIS) for prediction of fluid density in a previously designed and constructed gamma ray densitometer for pipes of various diameters and different fluids densities. The input parameters of the proposed ANFIS model are the pipe diameter and the number of the counted photons and the output is the density of the considered material. The required data for training and testing the ANFIS model has been obtained based on simulations using MCNP4C Monte Carlo code. A hybrid learning algorithm consists of back-propagation and least-squares estimation is used for training the proposed ANFIS model. Simulations for 4-in. polyethylene pipe had been validated with the experimental data previously. The proposed ANFIS model has achieved good agreement with the experimental results and has a small error between the estimated and experimental values. The obtained results show that the mean relative error percentage (MRE%) for training and testing data are less than 2.14% and 2.64%, respectively.     

基于最小二乘支持向量机的N型热电偶非线性校正及应用

本文针对具有小样本数据的N型热电偶在应用中存在的问题，提出了一种基于最小二乘支持向量机对热电偶进行非线性校正的方法，并与以往采用的BP网络、RBF网络和ANFIS校正方法进行了比较。结果表明，采用最小二乘支持向量机的校正精度高于以上3种校正方法；同时以阳极焙烧过程中料箱温度为对象进行了仿真和实际应用研究，取得了满意的结果。