耦合时空混沌的模糊混沌神经网络鲁棒自适应控制

将模糊逻辑系统和混沌神经网络结合起来,利用模糊逻辑系统的逼近能力和混沌神经网络的时空混沌行为,对模型未知的耦合时空混沌系统提出了一种模糊混沌神经网络自适应控制方案;同时考虑系统扰动、未建模动态特性和建模误差的影响,设计自适应补偿器,增强时空混沌系统控制的鲁棒性;并用Laypunov方法证明了该方案的稳定性;仿真验证了方案的有效性和鲁棒性。     

岩质边坡稳定性多人多层次模糊综合评价系统研究

以工程地质分析法为基础,针对边坡稳定性工程地质评价时评价指标多层次及多人参与的特点,应用系统工程与模糊数学知识,建立了岩质边坡稳定性多人多层次模糊综合评价模型。从影响边坡稳定性因素的构成关系入手,构造了描述边坡稳定性综合评价的评价指标多层次有序评价树（MOET）结构,建立了MOET中评价指标的知识量化方法：包括4种隶属函数与集成式指标权重获取方法,给出了基于知识的模糊推理算法及其计算机程序框图,研制出岩质边坡稳定性多人多层次模糊综合评价系统（SM²FCERS²）.实例证明该系统是有效的。     

顶点法在边坡稳定性评价中的应用

考虑到边坡稳定性分析中存在的测量数据的不确定性和确定计算参数的复杂性以及描述边坡稳定状态的模糊性, 本文介绍了-种新的适用于边坡稳定性分析的模糊数学方法—顶点法, 该法由不确定的土力学参数求得边坡稳定性系数的模糊集合, 然后运用对比法进行分类来确定边坡所处的稳定状态, 文章最后通过-个工程实例阐述了应用过程。     

边坡稳定性类比评价的定量实现

岩土边坡是一个受多因素影响、随时空变异的动态系统 ,它具有数据有限、不确定和没有原型等特点 ,因此 ,已有成功经验知识的运用在边坡稳定性评价中具有重要的意义。本文基于类比推理和灰色系统理论 ,提出了一种定量开发利用经验知识的新方法 ,并将其成功地应用于边坡稳定性分析和评价。结果表明 ,在运用经验知识方面 ,该法与目前广泛使用的神经网络方法有异曲同工之妙。此外 ,本文所提出的方法还具有简单、方便和实用等许多优点。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

光纤陀螺热致漂移误差的模糊补偿(英文)

针对光纤陀螺启动过程中的热致漂移误差问题,研究了一种模糊模型补偿方案。依据Shupe非互易性理论和Mohr加热模型试验的结论,以光纤环内侧温度和温度变化率为输入,以陀螺漂移为输出,建立了二输入一输出模糊模型。利用全温范围(-25℃～45℃)内光纤陀螺的恒温静态试验数据,基于自适应神经网络模糊推理系统的自学习功能,辨识出模糊规则库。通过实时施行模糊推理可实现光纤陀螺温度漂移的在线自动补偿。室温验证试验表明,陀螺的零偏稳定性由补偿前的0.037(°)/h提高到0.017(°)/h,陀螺启动时间由补偿前的30 min减少为2 min。     

岩质边坡稳定性评价的粗糙集－支持向量机方法

结合粗糙集和支持向量机两种智能算法,建立了基于粗糙集与支持向量机的岩质边坡稳定性评价模型。首先根据有限的经验数据建立属性决策表,通过属性约算法找出影响边坡稳定性的关键因素;然后将所提取的关键信息训练支持向量机。本文以铁路沿线边坡为例,进行边坡稳定性验算,结果表明算法能有效降低边坡稳定性影响因素集数据维数及支持向量机的复杂程度,提高训练速度和泛化能力。     

岩质边坡稳定性及预应力锚固分析现状

本文首先对目前常用的各类边坡稳定性分析方法的主要特点进行了评述,包括定性方法类的历史分析法、工程地质类比法、图解法、专家系统法,定量分析方法类的确定性模型法,如极限平衡法,应力应变分析法;非确定性模型法,如可靠性分析法、灰色系统理论法及模糊综合评判法等;及两类方法结合而成的随机有限元法。其次,对预应力锚固边坡的设计及稳定性分析作了阐述。     

利用模糊神经网络进行砂土液化势评判

利用模糊信息分析表达知识和人工神经网络在映射能力方面的优势, 选取应力比、震级、地面运动最大加速度、标贯击数、地下水位作为评价参数指标, 构造砂土液化势识别的模糊神经网络模型。验证和应用结果表明, 模糊神经网络模型可提供更高的映射能力, 是砂土液化势评价预测的有效手段。     

基于多目标模糊优化算法的边坡变形组合预测模型

为提高边坡变形时间曲线预测精度,提出了基于多目标模糊优化算法的边坡变形组合预测模型.首先通过经验阈值法优选单一预测模型进行组合;然后采用均方误差描述预测模型的拟合误差,采用灰色关联度描述预测模型与边坡实际变形曲线的发展相关性,以"拟合误差小"和"发展相关性好"为目标,引入模糊优化算法确定多目标模糊满意度综合评价函数,建立多目标优化模型;最后采用粒子群优化算法(PSO)求解组合预测模型的最优权重,实现边坡变形的多目标精细化预测.采用该模型对宜巴高速路段老屋包坡体CX19测斜孔变形数据进行预测分析,预测结果表明该模型的拟合误差和发展相关性均优于传统的单一预测模型,能有效提高预测的精度,具有工程应用价值.     

Intelligent tracking control of a DC motor driver using self-organizing TSK-type fuzzy neural networks

In this paper, a self-organizing Takagi–Sugeno–Kang (TSK) type fuzzy neural network (STFNN) is proposed. The self-organizing approach demonstrates the property of automatically generating and pruning the fuzzy rules of STFNN without the preliminary knowledge. The learning algorithms not only extract the fuzzy rule of STFNN but also adjust the parameters of STFNN. Then, an adaptive self-organizing TSK-type fuzzy network controller (ASTFNC) system which is composed of a neural controller and a robust compensator is proposed. The neural controller uses an STFNN to approximate an ideal controller, and the robust compensator is designed to eliminate the approximation error in the Lyapunov stability sense without occurring chattering phenomena. Moreover, a proportional-integral (PI) type parameter tuning mechanism is derived to speed up the convergence rates of the tracking error. Finally, the proposed ASTFNC system is applied to a DC motor driver on a field-programmable gate array chip for low-cost and high-performance industrial applications. The experimental results verify the system stabilization and favorable tracking performance, and no chattering phenomena can be achieved by the proposed ASTFNC scheme.     

云南公路滑坡稳定性分析中模糊信息分析法的应用

将模糊信息分析方法应用于公路滑坡稳定性分析。运用模糊信息分析中的模糊信息信息分配、信息集中等方法,在云南元磨高速公路滑坡的50组公路滑坡资料中选取了滑坡高度、坡度、组成物质的粘聚力、内摩擦角等重要影响因素,建立了其与滑坡稳定性之间的模糊关系,得到相应的滑坡稳定性分析数学模型。应用该模型对该区域其他滑坡进行验证,其效果良好,故该方法可较好的应用于实际。     

一种利用GPS定位与测速相结合的动态定位方法

提出了一种利用GPS定位与测速相结合的动态定位方法。引入模糊人工神经网络技术对GPS数据进行处理,利用BP网络实现模糊化知识集的记忆和模糊判决的功能;最后,对处理前后的结果进行了对比。试验结果表明,该方法可以有效地提高GPS在开阔场地的定位精度。     

基于组合神经网络的雷诺平均湍流模型多次修正方法

求解雷诺平均(Reynolds-averaged Navier-Stokes, RANS)方程依然是工程应用中有效且实用的方法, 但对雷诺应力建模的不确定性会导致该方法的预测精度具有很大差异. 随着人工智能的发展, 湍流闭合模型结合机器学习元素的数据驱动方法被认为是提高RANS模型预测性能的有效手段, 然而这种数据驱动方法的稳定性和预测精度仍有待进一步提高. 本文通过构建一个全连接神经网络对RANS方程中的涡黏系数进行预测以实现雷诺应力的隐式求解,该神经网络记作涡黏系数神经网络(eddy viscosity neural network, EVNN). 此外, 也使用张量基神经网络(tensor basis neural network, TBNN)预测未封闭量与解析量之间的高阶涡黏关系, 并利用基张量保证伽利略不变性. 最后, 采用多次修正的策略实现修正模型对流场预测的精度闭环. 上述方法使用大涡模拟(large eddy simulation, LES)方法产生的高保真数据, 以及RANS模拟获得的基线数据对由EVNN和TBNN组合的神经网络进行训练, 然后用训练好的模型预测新的RANS模拟的流场. 通过与高保真LES结果进行对比, 结果表明, 相比于原始RANS模型, 修正模型对后验速度场、下壁面平均压力系数和摩擦力系数的预测精度均有较大提升. 可以发现对雷诺应力线性部分的隐式处理可以增强数值求解的稳定性, 对雷诺应力非线性部分的修正可以提升模型对流场各向异性特征预测的性能, 并且多次修正后的模型表现出更高的预测精度. 因此, 该算法在数据驱动湍流建模和工程应用中具有很大的应用潜力.      

模糊—神经网络控制算法及其在离心力—振动复合环境试验系统中的应用

针对离心－振动复合环境试验系统所存在的耦合性、非线性和不确定性提出了一种模糊－神经网络控制算法,利用被控对象输入输出信息离线、在线相结合学习系统的动态特性,对时变、非线性系统进行跟踪控制,并研究了该算法在系统中的实现方法。实现表明了控制系统具有良好的跟踪能力。该算法也适用于快速变化这类系统的实时控制。     

基于神经网络方法的包装件非线性特性识别的研究

结合模糊集合理论，将结构化神经网络方法用于包装件缓冲垫层非线性特性识别问题．对于两种典型的包装件缓冲垫层材料模型的模拟识别结果表明，据此方法可以较好地获得其非线性特性．模糊自适应技术的引入，提高了网络训练速度，减少了对于训练参数的人为干预，使得结构化神经网络方法更适于实际应用．