基于GA-BP算法的模糊神经网络控制器研究

提出了一种基于GA-BP算法的模糊神经网络控制器,将GA的离线全局寻优及BP实时学习相结合,克服了单独应用GA算法或BP算法调节模糊神经网络控制器参数存在的缺陷。仿真结果表明经GA-BP算法优化的控制器性能优于传统算法调节的控制器。     

利用GA—BP算法对模糊神经网络进行优化

分析了ＢＰ算法和遗传算法（ＧｅｎｅｔｉｅＡｌｇｏｒｉｔｈｍｓ,以下简称ＧＡ）各自的优缺点,将改进的ＧＡ与ＢＰ算法相结合,提出了一种新的ＧＡ－ＢＰ算法,并将其应用于模糊神经网络的参数优化,仿真结果验了本算法的有效性。     

模糊神经网络控制及其学习方法的研究

对模糊神经网络的学习方法进行了研究.该方法中,在分层训练的基础上通过改变隐层节点数目、训练样本数目和BP算法参数来对网络进行训练.仿真结果表明该方法精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时控制系统提供了可能的条件.     

基于模糊神经网络自适应控制研究

为了改善模糊神经网络控制系统的收敛速度,提出一种模糊神经网络自适应控制方案,在传统控制结构的基础上增加系统输出反馈网络,一方面使得控制量包含更多的系统动态信息,另一方面,也不至于增加模糊神经网络控制器的复杂度。仿真结果显示此种结构能够加快控制系统的收敛速度。     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

模糊神经网络的局部调整快速学习算法

神经网络的学习速度是影响其在实时控制中应用的重要原因之一,在文中提出了一种基于局部调整方法的模糊神经网络快速学习算法．该算法通过采用对输入数据进行判别的方法来选择每次学习时所需调整的有效规则,大大减少了学习中调整的规则数,从而加快了模糊神经网络的学习速度．同时,通过这一判别还可进一步确定是否需增加新规则以及增加的规则数,因此该算法不仅能够进行模糊神经网络的参数调整,还能实现神经网络的结构自适应调整功能．随着神经网络的输入维数以及初始规则数目的增加,算法的上述优点更加明显．最后采用快速算法与普通算法分别对单输入及多输入系统进行了辨识,仿真结果证明了上述结论：在初始规则数较少,普通算法无法收敛时,应用快速算法则可以收敛;随着规则数目与输入维数的增加,算法的快速性与精度跟普通算法相比优势明显     

基于模糊神经网络的变风量空调末端控制方法

针对变风量空调系统末端的稳定控制问题,根据被控对象的特点,提出了采用模糊神经网络(FNN)控制变风量空调系统末端的方案.在MATLAB仿真环境下对模糊神经网络的控制效果进行了模拟仿真,并与普通模糊控制器及典型PID控制器的控制效果进行了比较,结果表明模糊神经网络控制器可以稳定、有效的控制变风量系统的末端装置.     

基于模糊神经网络的变风量空调末端控制方法

针对变风量空调系统末端的稳定控制问题,根据被控对象的特点,提出了采用模糊神经网络(FNN)控制变风量空调系统末端的方案。在MATLAB仿真环境下对模糊神经网络的控制效果进行了模拟仿真,并与普通模糊控制器及典型PID控制器的控制效果进行了比较,结果表明模糊神经网络控制器可以稳定、有效的控制变风量系统的末端装置。     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

Legendre小波神经网络

在BP神经网络的基础上，结合Legendre小波构造了Legendre小波神经网络。由于Legenure小波在区间[0，1)上具有分段表达式并且为多项式的特点，因而构造的Legendre小波神经网络有结构简单、收敛速度快等优点。以神经网络的BP算法作为Lengendre小波神经网络的学习算法，用有6个Legenqdre小波基函数的Legendre小波神经网络对一个函数进行逼近分析，得到了较好的逼近效果。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．     

基于ANN的模糊控制规则的自动生成

模糊控制规划集是模糊控制系统的核心部分，对控制的快速性和精度有很大影响，采用改进的ＢＰ算法生成模糊控制规则集。倒立摆模糊控制仿真表明，倒立摆稳定快，精度高，从而证明文中所提方法的有效性。     

基于免疫遗传算法的超声电机模糊神经网络控制

针对超声电机参数的时变性、系统内在的非线性和系统的强耦合性等特点,提出基于免疫遗传算法的超声电机模糊神经网络速度控制策略．实验结果表明,与传统模糊神经网络速度控制相比,采用该方法的系统能较好地实现设定的超声电机速度参考模型的自适应跟踪,响应速度脉动小,具有控制灵活、适应性强、控制精度高、鲁棒性强等优点．     

基于小波模糊神经网络的陀螺仪故障诊断技术

为了提高陀螺仪故障检测灵敏度，分析了陀螺漂移特性，指出随机漂移是影响陀螺仪精度的主要漂移误差，也是影响性能可靠性的主要因素．针对此，提出了一种小波模糊神经网络故障诊断模型．此模型运用串联方式将小波分析、模糊逻辑和神经网络融合在一起，充分发挥它们各自的优点，并对陀螺仪实测数据仿真．仿真结果表明，采用小波分析提取陀螺的常值漂移，简单有效；运用神经网络对陀螺的误差和故障建模，使故障诊断具有自适应、自学习的能力，并互增强了故障诊断的容错能力；将模糊逻辑用于判决中，使判决结果更加可靠．     

基于遗传算法的最优模糊控制器设计

模糊控制规则集是模糊控制系统的核心部分,对控制的快速性和精度有很大影响,采用改进的ＧＡ算法优化ＢＰ网络,加快了ＢＰ网络的收敛速度,也避免了ＢＰ网络易于陷于局部极小的麻烦。用优化的ＢＰ网络生成规则集,经过优化的ＢＰ网络隐层神经元数减少,即优化了规则库,从而提高系统的精度,降低了对ＢＰ网络系统误差的精度要求。     

基于改进模糊神经网络的PID参数自整定算法

针对传统的PID控制算法参数整定困难,控制效果并不理想,将神经网络算法、模糊控制算法结合在一起,形成了模糊神经网络PID参数自整定算法,并且对模糊神经网络进行改进,将神经网络输入的状态变量进行模糊化和归一化处理,采用BP神经网络自整定PID控制器的参数,根据RBF神经网络得到受控对象的Jacobian信息。仿真结果表明,基于模糊神经网络的PID自整定控制效果较好,具有一定的应用前景。