检索结果-内蒙古大学图书馆

机械强度 2005年第4期27卷 425-431页

作者：胡桥何正嘉訾艳阳雷亚国刘京科西安交通大学机械工程学院西安710049 机械制造系统工程国家重点实验室西安710049

针对机电设备运行状态受多因素影响,变化趋势复杂,难以用单一预测方法进行有效预测的问题,提出一种新的基于改进灰色系统—支持向量机—神经模糊系统的智能混合预测模型。该模型首先利用改进灰色系统弱化数据序列波动性、支持向量机处... 详细信息

针对机电设备运行状态受多因素影响,变化趋势复杂,难以用单一预测方法进行有效预测的问题,提出一种新的基于改进灰色系统—支持向量机—神经模糊系统的智能混合预测模型。该模型首先利用改进灰色系统弱化数据序列波动性、支持向量机处理小样本和模糊神经系统处理非线性模糊信息的优点,分别进行趋势预测,然后通过改进遗传算法对这三者的预测结果进行自适应加权组合。将该模型应用于信号随机波动性较强、趋势变化复杂的标准算例和某机组振动趋势的预测中,研究结果表明,该模型的预测性能均优于上述三种单一预测方法。

关键词：改进灰色系统支持向量机神经模糊系统智能混合预测

来源：评论

学校读者我要写书评

暂无评论

Research on New—CMAC with Differentiability Output and Its Learning Convergence

引用

软件学报 2001年第5期12卷 659-665页

作者： WANGShi－tong J.F.Baldwin 等 DepartmentofComputerScience EastchinaShipbuildingInstituteZhengjiang212003China AdvancedComputingRe

基于传统的 CMAC神经网络和局部加权回归技术 ,提出了与传统 CMAC(cerebellar model articulation com-puter)有着同样存储空间量的改进的新 CMAC网络 New- CMAC,它具有传统的输出和具有其微分信息的输出 ,因而更适合于自动控制 .接着 ... 详细信息

基于传统的 CMAC神经网络和局部加权回归技术 ,提出了与传统 CMAC(cerebellar model articulation com-puter)有着同样存储空间量的改进的新 CMAC网络 New- CMAC,它具有传统的输出和具有其微分信息的输出 ,因而更适合于自动控制 .接着 ,又提出了其新的学习算法 ,并研究了其学习收敛性 .

关键词：神经模糊系统 CMAC结构加权回归微分输出普适近似器

来源：评论

学校读者我要写书评

暂无评论

考虑输出约束和输入饱和的弹仓自适应控制

引用

兵工学报 2024年第3期45卷 789-797页

作者：鲍丹卫俞凯金鑫侯保林南京理工大学机械工程学院江苏南京210094

针对存在参数不确定性和外部扰动的某链式回转弹仓的位置跟踪控制问题,提出一种自适应控制方案。该方案基于神经模糊系统(Neuro-Fuzzy System,NFS)、非线性扰动观测器(Nonlinear Disturbance Observer,NDO)及障碍Lyapunov函数(Barrier L... 详细信息

针对存在参数不确定性和外部扰动的某链式回转弹仓的位置跟踪控制问题,提出一种自适应控制方案。该方案基于神经模糊系统(Neuro-Fuzzy System,NFS)、非线性扰动观测器(Nonlinear Disturbance Observer,NDO)及障碍Lyapunov函数(Barrier Lyapunov Function,BLF),在实现高精度控制的同时满足输出约束和输入饱和的工程条件。通过BLF的设计,保证弹仓的位移跟踪误差约束在给定范围内。结合神经网络的函数逼近能力和模糊逻辑系统的推理能力,用于估计系统中的不确定性,减小对模型的依赖;两者结合的NFS作为NDO的一部分,进一步补偿估计误差和外部扰动,提高控制性能。此外,控制器设计考虑了运动过程中的执行器输入饱和问题。仿真结果表明,所设计的控制器在3种典型工况以及系统参数变化情况下均可实现弹仓的高精度位置跟踪控制,满足系统的约束条件。

关键词：链式回转弹仓自适应控制神经模糊系统输出约束输入饱和

来源：评论

学校读者我要写书评

暂无评论

车辆主动悬架自适应变论域T-S模糊控制研究

引用

振动．测试与诊断 2024年第4期44卷 733-739,828页

作者：李韶华季广港冯桂珍王贺石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室石家庄050043 石家庄铁道大学交通运输学院石家庄050043 河北省交通工程结构力学行为演变与控制重点实验室石家庄050043 山东交通学院轨道交通学院济南250000

针对传统变论域模糊控制存在过度依赖专家经验、伸缩因子参数不能自适应调整的问题,提出一种车辆主动悬架自适应变论域T-S模糊控制策略,从而提高车辆的行驶平顺性。结合神经网络和T-S模糊推理建立基于自适应神经模糊推理的一阶T-S模糊... 详细信息

针对传统变论域模糊控制存在过度依赖专家经验、伸缩因子参数不能自适应调整的问题,提出一种车辆主动悬架自适应变论域T-S模糊控制策略,从而提高车辆的行驶平顺性。结合神经网络和T-S模糊推理建立基于自适应神经模糊推理的一阶T-S模糊控制器,利用神经网络的自学习特性产生完善的模糊规则,进而在传统函数型伸缩因子的基础上,将系统误差和误差变化率作为动态参数引入伸缩因子中,实现伸缩因子参数的自适应调整,解决了传统函数型伸缩因子因参数确定难度大导致控制效果差的问题。通过随机工况下的仿真分析和基于相似理论的缩尺实验,对所提出算法的有效性和工况自适应性进行了验证。结果表明,所提出的自适应变论域T-S模糊控制策略具有较强的工况适应性,在不同车速、路面激励下均可有效提高车辆的平顺性并保证轮胎接地安全性。

关键词：主动悬架变论域伸缩因子 T-S模糊控制神经模糊系统

来源：评论

学校读者我要写书评

暂无评论

基于线性化误差模型的自适应控制系统设计

引用

华南理工大学学报（自然科学版） 2009年第5期37卷 59-63页

作者：贾立陶鹏业邱铭森上海大学机电工程与自动化学院上海200072 新加坡国立大学工程学院新加坡119260

针对实际工业生产过程中的非线性、时变不确定性,提出了一种基于线性化误差模型的自适应控制系统.首先为非线性过程建立一个由ARX模型与基于神经模糊系统的线性化误差模型组成的合成模型,然后引入单神经元控制器,利用线性ARX模型输出和... 详细信息

针对实际工业生产过程中的非线性、时变不确定性,提出了一种基于线性化误差模型的自适应控制系统.首先为非线性过程建立一个由ARX模型与基于神经模糊系统的线性化误差模型组成的合成模型,然后引入单神经元控制器,利用线性ARX模型输出和系统输出值之间的误差,以及被控制过程合成模型的梯度信息,对控制器参数进行在线调节,从而获得较好的控制结果.仿真实验结果表明,与PID控制器相比,基于线性化误差模型的自适应控制器具有更快的响应速度.

关键词：神经模糊系统自适应控制线性化误差模型单神经元控制器

来源：评论

学校读者我要写书评

暂无评论

机械手动态T-S神经模糊H∞控制器设计

引用

清华大学学报（自然科学版） 2005年第1期45卷 73-76页

作者：冯川孙增圻孙富春清华大学计算机科学与技术系智能技术与系统国家重点实验室北京100084

机器人是强耦合的非线性动力学系统。为了设计其控制器,利用动态神经模糊系统对非线性H∞控制问题进行了研究。在传统的T-S神经模糊系统基础上,将延迟反馈和记忆单元引入其中,并针对此网络推导了相应的动态BP训练算法。利用此网络可以... 详细信息

机器人是强耦合的非线性动力学系统。为了设计其控制器,利用动态神经模糊系统对非线性H∞控制问题进行了研究。在传统的T-S神经模糊系统基础上,将延迟反馈和记忆单元引入其中,并针对此网络推导了相应的动态BP训练算法。利用此网络可以有效反映机器人等非线性系统的动态性能,克服了静态神经网络无法有效表示动态系统映射关系的缺点。在此模糊模型的基础上,采用H∞方法研究了系统控制器的设计。最后以倒立摆为例的仿真试验表明此控制器具有良好的鲁棒性。

关键词：机械手神经模糊系统 H∞控制

来源：评论

学校读者我要写书评

暂无评论

基于多信号源的神经模糊Hammerstein-Wiener模型研究

引用

自动化学报 2013年第5期39卷 690-696页

作者：贾立杨爱华邱铭森上海大学机电工程与自动化学院上海市电站自动化技术重点实验室新加坡国立大学工程学院

面对复杂工业过程控制的需求,设计一种结合数据信息的特殊模型结构,在保证控制系统有效性的前提下通过模型的结构来简化控制器的求解是亟待解决的问题.为此,本文提出一种基于多信号源的神经模糊Hammerstein-Wiener模型,突破传统的迭代... 详细信息

面对复杂工业过程控制的需求,设计一种结合数据信息的特殊模型结构,在保证控制系统有效性的前提下通过模型的结构来简化控制器的求解是亟待解决的问题.为此,本文提出一种基于多信号源的神经模糊Hammerstein-Wiener模型,突破传统的迭代分离方法,通过组合式多信号实现Hammerstein-Wiener模型中神经模糊非线性环节和线性环节的分离,同时设计了神经模糊模型参数的非迭代优化算法,将研究结果拓广到分段非线性系统,改善了模型的适用范围.该算法保证了模型的预测精度,具有逼近较强非线性过程的能力.在此基础上设计了基于神经模糊Hammerstein-Wiener模型的控制系统,利用模型的特殊结构将非线性系统的控制问题简化为线性系统的控制问题,采用简单的PID控制器便能达到较好的控制效果.仿真结果验证了上述方法的有效性.

关键词： Hammerstein-Wiener模型神经模糊系统非线性系统信号分离

来源：评论

学校读者我要写书评

暂无评论

面向可解释性人工智能与大数据的模糊系统发展展望

引用

智能科学与技术学报 2019年第4期1卷 327-334页

作者：陈德旺蔡际杰黄允浒福州大学数学与计算机科学学院福建福州350108 福州大学智慧地铁福建省高校重点实验室福建福州350108

模糊系统作为一种万能逼近器具有很强的可解释性,已被广泛应用在各个领域。尽管目前模糊系统的理论研究不够成熟,仍然存在诸如规则太多、优化困难、维度诅咒等问题,难以处理高维大数据。尽管深度神经网络取得了突出进展,能很好处理图像... 详细信息

模糊系统作为一种万能逼近器具有很强的可解释性,已被广泛应用在各个领域。尽管目前模糊系统的理论研究不够成熟,仍然存在诸如规则太多、优化困难、维度诅咒等问题,难以处理高维大数据。尽管深度神经网络取得了突出进展,能很好处理图像和语音等大数据,但其可解释性不好,难以用于安全相关的重要场合。因此,非常有必要研究一种基于模糊系统的可解释性强的人工智能算法。结合深度神经网络和模糊系统两者的优点,研究深度模糊系统及其算法,将有可能解决高维大数据问题。主要对模糊系统的发展历程与研究进展分别进行详细阐述,并根据其现有的问题指出其未来的发展方向,对进一步的研究问题进行展望。

关键词：模糊系统可解释AI 高维大数据深度模糊系统神经模糊系统

来源：评论

学校读者我要写书评

暂无评论

模糊神经网络技术综述

引用

信息与控制 2003年第5期32卷 431-435页

作者：张凯钱锋刘漫丹华东理工大学自动化研究所上海200237

首先讨论了模糊神经网络协作体的产生和优越性 ,随后将模糊神经网络划分为狭义模糊神经网络、用模糊逻辑增强网络功能的神经网络和神经模糊系统 ,并分别介绍了各自的网络结构和学习算法。

关键词：模糊神经网络模糊逻辑随机推理神经模糊系统智能控制

来源：评论

学校读者我要写书评

暂无评论

基于自适应神经模糊推理系统的配电网故障分类方法

基于自适应神经模糊推理系统的配电网故障分类方法

引用

作者：张磊琪石一辉张超张钟毓杨军龚凌云陈晓玲 430013 湖北省武汉市汉口解放大道1529号

本发明涉及一种基于自适应神经模糊推理系统的配电网故障分类方法。该方法是基于自适应神经模糊推理系统的一种改进方法。对于配电网常出现的几种短路故障类型，该方法构造了一个基于递阶自适应神经模糊推理系统，基于仿真软件仿真各种... 详细信息

标准号: CN104155574B

本发明涉及一种基于自适应神经模糊推理系统的配电网故障分类方法。该方法是基于自适应神经模糊推理系统的一种改进方法。对于配电网常出现的几种短路故障类型，该方法构造了一个基于递阶自适应神经模糊推理系统，基于仿真软件仿真各种短路故障并采集故障相电流作为训练样本数据，使用混合学习算法对构造的递阶自适应神经模糊推理系统进行训练，确定系统中的参数；确定了参数的递阶自适应神经模糊系统就可以用于甄别配电网的故障类型了。通过大量的仿真数据验证表明，本发明提出的分类方法具有较高的分类识别准确性、并且对故障点的变化具有较好的鲁棒性以及对网络拓扑结构的变化具有较强的适应性。

关键词：自适应神经模糊推理系统递阶配电网短路故障类型混合学习算法神经模糊系统网络拓扑结构训练样本数据配电网故障短路故障仿真软件仿真数据分类识别故障类型故障点故障相鲁棒性分类采集验证改进

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：