深度神经模糊系统算法及其回归应用

深度神经网络是人工智能的热点, 可以很好处理高维大数据, 却有可解释性差的不足. 通过IF-THEN规则构建的模糊系统, 具有可解释性强的优点, 但在处理高维大数据时会遇到“维数灾难”问题. 本文提出一种基于ANFIS (Adaptive network based fuzzy inference system)的深度神经模糊系统(Deep neural fuzzy system, DNFS)及两种基于分块和分层的启发式实现算法: DNFS1和DNFS2. 通过四个面向回归应用的数据集的测试, 我们发现: 1)采用分块、分层学习的DNFS在准确度与可解释性上优于BP、RBF、GRNN等传统浅层神经网络算法, 也优于LSTM和DBN等深度神经网络算法; 2)在低维问题中, DNFS1具有一定优势; 3)在面对高维问题时, DNFS2表现更为突出. 本文的研究结果表明DNFS是一种新型深度学习方法, 不仅可解释性好, 而且能有效解决处理高维数据时模糊规则数目爆炸的问题, 具有很好的发展前景.     

基于故障分析的船用柴油机工作性能节油仿真研究

本文研究对象是湛港消拖601的主机,利用AVL BOOST软件,建立了新泄6MG(L)26HLX型四冲程船用中速柴油机工作过程一维仿真的数学模型,模拟喷油提前角改变和增压器效率变化对柴油机工作性能的影响。结果表明:通过对实验测量柴油机性能参数数据与模拟计算结果进行比对,模拟仿真计算的结果是可靠的,当喷油提前角和增压器效率偏离额定值时,柴油机的油耗率会有明显的下降。