模糊极大极小算子神经元网络的图灵等价性

将模糊Zadeh算子的定义域作了扩充,并重新定义为模糊极大极小算子,使其满足交换律、结合律和零元律.在此基础上提出一种模糊极大极小算子型神经元网络模型,符合一般模糊算子型神经元网络的定义.与传统的Zadeh算子型模糊神经网络相比具有较强的映射能力.详细证明了用该模糊极大极小算子神经元网络可以计算与图灵机等价的部分递归函数,从而表明模糊极大极小算子神经元网络的计算能力等价于图灵机.将传统神经元M-P模型神经网络的图灵等价性推广到模糊神经元网络.     

无刷直流电动机的新型自适应模糊神经控制

 为无刷直流电动机提出了一种自适应模糊神经控制方法.这是一种建立在开关控制、模糊控制和自适应控制相结合基础上的控制方法,并用神经网络实现了模糊控制器和自适应机构.在无刷直流电动机的双闭环调速系统中,电流控制器是PI控制器;转速控制器是由1个开关控制器和1个包括自适应机构在内的模糊控制器相结合组成的,且用1个3层前向神经网络离线学习实现了模糊控制器,学习算法采用的是改进的BP算法.用1个单神经元通过在系统运行过程中的动态学习实现了自适应机构,学习算法选用了有监督的Hebb学习算法.由电机所处的运行阶段决定哪一个控制器工作.此控制算法的仿真结果说明,它使系统具有良好的动、静态特性和自适应性.     

改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

机械臂的改进区间二型模糊神经网络控制

针对具有不确定性模型参数的双关节机械臂系统,提出基于改进区间二型模糊神经网络逼近器的自适应反演控制算法.相比于一型模糊系统,区间二型模糊系统由于自身的区间前件和隶属函数,更有效地处理高度非线性系统.然而现有的二型模糊寻找上下输出的交叉点过程中KM迭代算法计算量大、耗时高,使得传统的二型模糊系统不适用于实际控制应用.利用...     

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.      

BP-AdaBoost模型在光纤陀螺零偏温度补偿中的应用

针对光纤陀螺零偏漂移随温度呈复杂的非线性变化,建立了BP-AdaBoost（Back Propagation neural network,Adaptive Boosting）模型对零偏进行补偿,改善了光纤陀螺的零偏稳定性能.同时,研究了模型参数对预测精度的影响,给出了BP神经网络隐含层神经元个数的选择以及AdaBoost模型迭代次数的确定方法.运用AdaBoost算法提升单个BP神经网络的预测能力,提高了集成模型整体的预测精度.对采集的光纤陀螺输出实测数据进行了事后仿真,结果表明,BP-AdaBoost模型相比传统的线性回归模型、混合线性回归模型、单个BP神经网络模型的补偿效果更显著,验证了该模型的有效性,具有重大的工程应用参考价值.      

基于模糊神经网络的软件可靠性早期预计方法

在基于模糊神经网络的基础上,提出了一种新的软件可靠性早期预计方法.通过分析软件缺陷产生的原因,给出了导致软件缺陷产生的因素.同时,深入讨论了软件可靠性早期预计的建模方法.在此基础上,利用模糊神经网络建立了软件可靠性早期预计的模型,并且给出了具体的步骤.      

新型进化神经网络模型

目前的进化神经网络模型大多采用遗传算法进行网络进化设计.而研究表明,这种进化神经网络存在遗传编码、遗传操作及网络结构限制等很多问题;而采用进化规划是一种很好的途径.鉴于此,为了克服传统进化规划算法的不足,结合作者提出的快速免疫进化规划提出了一种网络连接权值及其拓扑结构同时进化优化的新型进化神经网络模型.最后,通过典型的异或分类问题(XOR)比较了该模型同BP神经网络及传统进化神经网络的计算性能,发现它不但计算精度好,而且计算效率高.      

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

基于模糊神经网络的导弹最优寻的末制导律

提出了一种适用于一类末制导段采用推力矢量控制的新型导弹的模糊神经网络最优寻的末制导律.在制导律设计时不仅要求导弹能量最省,脱靶量最小,同时考虑了推力矢量控制的非线性特点,并且为改善该神经网络系统的学习效果,在学习算法中还引入模糊学习规则.数字仿真表明所提出的模糊神经网络制导律对于机动目标具有较好的攻击能力.     

Storm-time atmospheric density modeling using neural networks and its application in orbit propagation

Upper atmospheric densities during geomagnetic storms are usually poorly estimated due to a lack of clear understanding of coupling mechanisms between the thermosphere and magnetosphere. Consequently, the orbit determination and propagation for low-Earth-orbit objects during geomagnetic storms have large uncertainties. Artificial neural networks are often used to identify nonlinear systems in the absence of rigorous theory. In the present study, an attempt has been made to model the storm-time atmospheric density using neural networks. Considering the debate over the representative of geomagnetic storm effect, i.e. the geomagnetic indices ap and Dst, three neural network models (NNM) are developed with ap, Dst and a combination of ap and Dst respectively. The density data used for training the NNMs are derived from the measurements of the satellites CHAMP and GRACE. The NNMs are evaluated by looking at: (a) the mean residuals and the standard deviations with respect to the density data that are not used in training process, and (b) the accuracy of reconstructing the orbits of selected objects during storms employing each model. This empirical modeling technique and the comparisons with the models NRLMSIS-00 and Jacchia-Bowman 2008 reveal (1) the capability of neural networks to model the relationship between solar and geomagnetic activities, and density variations; and (2) the merits and demerits of ap and Dst when it comes to characterizing density variations during storms.     

基于自校正模糊神经控制的无刷直流传动系统

提出了一种自校正模糊神经网络控制器(SCFNNC)来实现无刷直流电动机起动、调速、制动等各运行阶段的性能指标.该SCFNNC是采用调整系统增益参数的方法完成较完善的控制规则的.重点研究了系统自校正增益参数的确定方法,模糊控制器的设计,人工神经网络实现模糊控制规则的方法等.自校正增益参数是根据系统对超调量、转速稳态误差、动态速降的期望值来确定的.设计模糊控制器时是根据系统的性能指标,确定出合适的模糊控制规则表,用于训练神经网络.为使系统的性能达到最佳,采用了自校正模糊神经控制、开关控制和比例控制相结合的复合控制方法,通过数学仿真证实配备SCFNNC的系统具有优良的动、静态特性,及较强的鲁棒性.     

基于前向神经网络的非线性平滑滤波器设计研究

文章阐述了基于前向神经网络的非线性平滑滤波器的设计问题，分析了上述平滑滤波器的存在性及其滤波误差方差的组成，给出了有限观测序列下网络学习的性能指标，由此提出了一种次优网络学习算法，它具有很好的抑制白噪声能力。     

主动对等计算系统的路由机制

针对无结构对等计算系统路由机制中用户需求粒度过细,忽略需求模糊性和多元性的问题,提出了基于用户需求的路由机制.借鉴模糊理论,提出了从文件类型、文件质量、下载速度多方面综合评价节点能力的路由模型.给出了节点能力因素及节点能力的定义,采用隶属度的方式来描述节点提供资源的能力与用户需求的符合程度.分析和实验结果表明,该机制在满足用户需求和减少网络开销方面能够达到很好的均衡.