水泥分解炉运行参数预测模型

为了实现水泥分解炉非线性系统的建模与控制,利于数学分析等特点的T-S型模糊推理与可以实现任意非线性映射的神经网络相结合,在水泥分解炉生产工艺分析的基础上,建立了水泥分解炉运行参数的模糊神经网络预测模型.该预测模型结合某大型水泥厂现场采集的生产数据,进行了仿真验证.结果表明,模型计算简单,模型网络运算输出值(预测值)与样本期望值(现场采集数据)相差很小,说明该模糊神经网络具有较好的预测能力和泛化能力.     

模糊神经网络及其在聚酯酯化建模中的应用

提出一种通过改进减法聚类优选模糊规则的模糊神经网络建模方法．该算法仅从已知的输入输出数据中，就能快速确定模糊规则的数目；给出了模糊规则中参数的确定方法，用误差反传法优化参数；最后用该方法对聚酯的酯化率建立软测量模型，仿真结果表明该方法运算速度快，模糊规则较少，同时具有的良好泛化性能，能够满足软测量建模精度的要求。     

一类基于FNN的非线性系统自适应控制

模糊神经网络用于控制，主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。由于模糊神经网络具有学习能力和自适应性，使得其能对变化的环境有自适应性，控制器也基本上不依赖于模型，针对一类非线性系统，利用模糊神经网络对系统进行建模提出一种鲁棒自适应控制方法。首先利用李雅普诺夫定理证明在一定的条件下，闭环系统必能稳定，并证明这个条件即非线性函数f(x)中的x必落入某一紧集中成立，同时考虑其控制性能，选择鲁棒控制量，使跟踪误差达到要求的性能指标。理论分析和仿真结果说明了该控制算法的可行性和有效性。     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.     

地区电网用电特性分析及年用电量预测

利用灰色预测原理简单、建模数据少和运算方便的优点,结合神经网络非线性函数逼近能力强的特性,在此基础上提出了灰色-神经网络预测方法,并对哈尔滨市用电量进行了的仿真预测。     

非线性动态系统的模糊神经网络自适应H∞鲁棒控制

针对非线性动态系统不稳定性,提出了一种基于模糊神经网络的H∞鲁棒直接自适应控制方法,通过设计非线性动态系统的H∞控制器,采用模糊神经网络在线学习对动态系统的建模不确定性产生的误差,可保证不确定闭环稳定并具有H∞性能,并证明了模糊神经网络H∞鲁棒直接自适应控制系统的稳定性,仿真算例也表明了该方法具有较好的抗干扰性能、鲁棒性较好.     

基于多传感器的模糊神经网络在工业污水处理中的应用研究

工业污水分析系统属于多目标控制系统,具有不稳定和不确定性,同时其处理过程具有多变量、非线性、时变和强随机性的特点,故建立精确的数学模型比较困难,模糊神经网络建模在此有一定优势.文章对基于多传感器的污水分析系统,利用模糊神经网络建模工具,对多传感器的过程动态模型进行了分析,提出通过神经多软传感器等对系统进行优化的解决途径,建立了基于多传感器的模糊神经网络污水处理系统模型,进行了实证对比分析.     

基于聚类算法的C-R模糊模型结构辨识

工业过程中多数系统呈现出非线性、时变性和多模态性等特征,往往难于用机理建模的方法建立它的模型,因此利用系统的输入和输出数据进行非机理建模是非常有意义的。对C-R模糊模型进行了改进,应用关系度聚类算法在线辨识出系统的模态,即系统C-R模型的模糊子空间的数目,提出了C-R模糊模型的聚类建模方法,仿真结果表明了该算法的有效性,节省了运算时间,简化了运算过程。     

基于模糊神经网络的模糊辨识方法及其应用

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网络结构参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。     

电液伺服系统神经网络辨识及控制器设计

针对阀控缸电液位置伺服系统非线性建模问题,采用神经网络进行系统模型辨识。采用LM遗传算法对三层BP神经网络的权值和阈值进行修正,通过训练系统的输入/输出数据建立非线性系统辨识模型。基于此模型,设计模糊PI控制器,利用智能权函数在线自动调整和修改模糊控制器的规则。利用x PC技术建立阀控缸伺服实验台,以实验台阶跃输出信号作为改进BP神经网络辨识信号,以实验台正弦输出信号作为验证信号。实验表明:该神经网络辨识模型的可信性得以验证;通过对比智能权函数模糊PI控制器和模糊控制器的实验曲线,表明前者控制效果更好。     

基于HGA的模糊神经控制充电器设计与实现

将神经网络与模糊控制相结合,实现了模糊控制器的自学习和自适应,提出了基于递阶遗传算法的模糊神经网络优化算法来进行蓄电池的充电控制,通过对每个染色体采用递阶编码,可以同时优化模糊神经网络结构和权值参数,实现对非线性的、时变的、有干扰的、具有纯滞后的蓄电池充电控制系统的最佳控制.     

基于神经网络的模糊控制器

将神经网络的非线性与自学习特性有机地应用于模糊控制系统中，用神经元节点及其相应的内部函数代替模糊控制系统的各个模糊子集及其隶属函数，而神经元节点间的连接代替模糊推理机，设计了一类基于神经网络的模糊器，以克服复杂非线性系统难以确定模糊子集的划分及其隶属函数和模糊推理规则等问题。     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力,改善了控制系统的性能.     

基于BP神经网络的模糊PID风量控制

针对煤矿主风机通风系统多变量、非线性、时变滞后性等问题,提出一种基于BP神经网络的模糊PID算法。该算法综合神经网络、模糊控制与PID调节的各自优点,既具有神经网络的自学习和自适应能力,又具有模糊控制的非线性控制作用,同时兼备PID调节的广泛性。仿真结果表明,该算法的响应速度、稳态精度均优于传统的PID调节,取得比较理想的控制效果。     

模糊RBF神经网络在麻醉深度控制系统中的应用

麻醉深度通常用病人的平均动脉压（MAP）值来直接反应和度量。针对平均动脉压的时变、非线性特点,提出了基于模糊RBF神经网络的麻醉深度PID控制系统。通过采用模糊RBF神经网络对检测到的平均动脉压值进行模糊化处理及神经网络辨识,从而在线整定PID控制器各个参数,以获得更好的控制效果。MATLAB仿真结果表明模糊RBF神经网络用于麻醉深度控制具有良好的动态响应性能。     

BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.     

噪声有源控制的模糊神经网络方法

使用Filter-X算法研究有源噪声控制问题，存在需要较高阶次的滤波器和当主噪声路径是非线性时控制效果不佳的缺陷，为此提出了一种基于模糊神经网络的非线性噪声有源自适应控制方法，并给出了一种基于误差梯度下降的学习算法，一个非线性的仿真例子表明，模糊神经网络控制方法对于非线性噪声控制效果明显。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。