神经网络与模糊理论相结合在股市中的应用

为了避免人类感情因素在投资过程中的影响,采用比较符合人类思维习惯的模糊控制方法和神经网络相结合对股票投资进行研究。通过不确定性人工智能,解决了在实际模糊系统中输入变量隶属函数和知识规则确定的难题,利用神经网络实现了变量之间的非线性映射,从而对股票的走势进行预测。     

模糊控制在数字式座舱压力控制系统中的应用

在分析数字式座舱压力控制系统结构的基础上,建立座舱及其控制系统各个部分的数学模型,并设计出系统的模糊控制器。通过MATLAB数值仿真,检验模糊控制在数字式座舱压力控制系统中应用的可行性及模糊规则的合理性。     

一种基于强化学习的在线神经模糊控制系统

为了实现基于非训练数据的神经模糊控制器的在线学习，提出了一种基于强化学习的神经模糊控制系统和相应的学习算法。该控制系统由神经模糊预测器和神经模糊控制器两部分组成，其中，神经模糊控制器采用基于确定度的模糊规则模型作为知识表示形式的扩展型神经模糊网络。在学习算法的设计中，尝试了利用强化信号得到输入状态的“期望输出”，进而将强化学习转化为基于训练数据学习的解决思路。仿真实验验证了所提出的控制系统结构和学习算法的合理性和可行性。     

基于Matlab的模糊控制器仿真研究

提出了一种模糊控制器的设计与仿真的实现方法,该方法利用MATLAB模糊控制工具箱中模糊控制器的控制规则和隶属度函数,建立模型,并进行模糊控制器设计与仿真。仿真结果比较表明,用模糊控制能够得到较好的动态响应性能、较高的稳态控制精度,适应性强,上升时间快,鲁棒性好,保持着模糊控制器对干扰较强的适应能力。     

倒立摆系统的模糊神经网络控制

本文采用神经网络与自适应神经网络模糊推理（Anfis）工具对一级倒立摆进行控制。在神经网络控制的基础上,将神经网络控制与模糊控制相结合,利用神经网络学习模糊控制规则数据,对模糊神经控制器进行训练。实验表明,当模型参数改变及干扰作用时,自适应神经网络模糊推理系统有良好的自适应能力,能使倒立摆小车抵抗外界干扰并能较准确地到达预定位置。     

恒温炉模糊参数自适应PID控制系统设计及仿真

以测氧系统中的恒温炉为被控对象,采用模糊控制规则在线对PID参数进行修改,设计了模糊参数自适应PID控制系统,并对所设计的控制系统采用MATLAB进行了仿真,仿真结果证明了设计研究内容的正确性和有效性。     

克隆选择算法对无刷直流电机控制器的优化

本文探讨了对于无刷直流电机的控制器的优化问题,提出了一种利用克隆选择算法来优化模糊控制规则,调整模糊隶属度函数,以确定控制系统中的模糊规则库。无刷直流电机速度控制系统采用转速环和电流环双闭环控制系统,其中转速环采用克隆选择算法优化的控制器进行控制,电流环采用传统的PI控制法。仿真实验结果表明所设计的控制系统,响应快、无超调,有较强的自适应性和鲁棒性。     

基于CRIO 的神经网络智能交通系统设计

本文对智能交通国内、外领域存在的主要问题基础上,基于模糊神经网络的控制理论,提出了一种新颖的城市区域智能交通模糊控制算法,并结合 NI－CRIO硬件平台和 LabVIEW开发工具设计了一个实现该算法的智能交通控制系统。实验证明,设计的交通控制器性能更为智能化,使用更加安全可靠。     

模糊控制和神经网络在现场总线控制系统中的应用

从信息科学的角度详尽分析阐述了现代工业计算机控制系统从信息分立发展到信息共享的科学必然性及现场总线控制系统 (FCS)产生的重大意义 ,探索了将模糊控制和神经网络应用于现场总线控制系统中的方式和影响 ,并以智能模糊仪表为例给出了智能仪表新定义和功能特性     

基于模糊神经网络的智能控制研究

模糊神经网络是一个新型的研究领域,随着人们对人工智能进行更深入、多层次的研究,使其在模糊控制、模糊决策、专家系统、模式识别等众多领域都发挥了重要作用.模糊控制的逻辑推理技术与神经网络的结合,将弥补神经网络在模糊数据处理方面的不足和纯模糊逻辑在学习方面的缺陷.     

漂浮基空间机器人的基于模糊神经网络的自适应补偿控制

针对自由漂浮状态的空间机器人模型不确定性及其动力传动机构的摩擦死区非线性,将一种自适应模糊小脑模型关联控制( FCMAC)补偿策略用于轨迹跟踪及补偿问题.利用模糊神经网络并引入GL矩阵及其乘法算子“.”分别对执行机构中的摩擦死区及系统模型不确定部分进行自适应补偿,其补偿误差及外界扰动通过滑模控制器来消除.基于Lyapunov理论证明了闭环系统跟踪误差的有界性.仿真表明控制器可以达到较高精度,且能满足实时性要求.     

基于神经网络的医院知识管理模糊综合评价

构建了基于神经网络的医院知识管理模糊综合评价模型。运用神经网络确定模糊综合评价中的权重值,同时采用改进的反向传播算法训练网络,逐步修正网络的连接权值,使权重值更符合实际情况,得到较好的训练效果。     

Data-driven-based adaptive fuzzy neural network control for the antimony flotation plant

Due to the unknown system structure of the froth flotation process and frequent fluctuations in production conditions, design of control strategy is a challenging problem. As a result, manual operation is still widely applied in practice by observing froth image features. However, since the manual observation is subjective and the production conditions are time-varying, the manual operation cannot make decisions quickly and accurately. In this paper, a data-driven-based adaptive fuzzy neural network control strategy is developed to implement the automatic control of the antimony flotation process. The strategy is composed of fuzzy neural network (FNN) controllers, a data-driven model, and an on-line adaptive algorithm. The FNN is constructed to derive the control laws of the reagent dosages. The parameters of the FNN controllers are tuned by gradient descent algorithm. To obtain the real-time error feedback information, the data-driven model is established, which integrates the long short term memory (LSTM) network and radial basis function neural network (RBFNN). The LSTM network is utilized as a primary model, and the RBFNN is used as an error compensation model. To handle the challenges of the frequent fluctuations in the production conditions, the on-line adaptive algorithm is proposed to tune the parameters of the FNN controllers. Simulations and experiments are carried out in a real-world antimony flotation plant in China. The results demonstrate that the proposed adaptive fuzzy neural network control strategy produces better control performance than the other two existing methods.     

Direct adaptive control for nonlinear systems using a TSK fuzzy echo state network based on fractional-order learning algorithm

This paper presents a new Takagi-Sugeno-Kang fuzzy Echo State Neural Network (TSKFESN) structure to design a direct adaptive control for uncertain SISO nonlinear systems. The proposed TSKFESN structure is based on the echo state neural network framework containing multiple sub-reservoirs. Each sub-reservoir is weighted with a TSK fuzzy rule. The adaptive law of the TSKFESN-based direct adaptive controller is derived by using a fractional-order sliding mode learning algorithm. Moreover, the Lyapunov stability criterion is employed to verify the convergence of the fractional-order adaptive law of the controller parameters. The evaluation of the proposed direct adaptive control scheme is verified using two case studies, the regulation problem of a torsional pendulum and the speed control of a direct current (DC) machine as a real-time application. The simulation and the experimental results show the effectiveness of the proposed control scheme.     

基于模糊神经网络的虚拟企业知识共享风险预警研究

以知识联盟型虚拟企业为研究对象,针对其知识共享过程中存在的各种风险,利用模糊数学和人工神经网络技术,建立了基于模糊神经网络的知识联盟型虚拟企业风险预警模型,并对其模型进行了初步的训练及检测。     

Auto-structuring fuzzy neural system for intelligent control

An auto-structuring fuzzy neural network-based control system (ASFNS), which includes the auto-structuring fuzzy neural network (ASFNN) controller and the supervisory controller, is proposed in this paper. The ASFNN is used as the main controller to approximate the ideal controller and the supervisory controller is incorporated with the ASFNN for coping with the chattering phenomenon of the traditional sliding-mode control. In the ASFNS, an automatic structure learning mechanism is proposed for network structure optimization, where two criteria of node-adding and node-pruning are introduced. It enables the ASFNN to determine the nodes autonomously while ensures the control performance. In the ASFNS, all the parameters are evolved by the means of the Lyapunov theorem and back-propagation to ensure the system stability. Thus, an intelligent control approach for adaptive control is presented, where the structure and parameter can be evolved simultaneously. The proposed ASFNS features the following salient properties: (1) on-line and model-free control, (2) relax design in controller structure, (3) overall system stability. To investigate the capabilities, the ASFNS is applied to a kind of nonlinear system control. Through the simulation results the advantages of the proposed ASFNS can be validated.     

基于模糊神经网络的软件项目绩效评价模型研究

对影响软件项目绩效的主要因素进行分析,构建项目组织状态、项目自身特征指标体系,界定软件项目绩效评价内涵;将模糊逻辑与神经网络相结合,设计一种具有自学习、自适应,能处理不确定性问题的推理策略,建立了基于模糊神经网络的软件项目绩效评价模型,并用算例验证。     

攻击模型BBFPAN分层的新方法

针对以模糊Petri网为理论基础的网络攻击模型BBFPAN自学习能力差的缺点,提出了一种新的适用于对攻击模型BBFPAN进行层次式划分的分层算法,为将神经网络理论引入攻击模型的研究奠定了基础。     

基于模糊神经网络的企业知识管理风险评价

 根据风险理论的相关学说,提出了企业知识管理风险的定义。在此基础上,对企业知识管理的风险因素进行了分析,构建了企业知识管理风险评价指标体系。依据评价指标模糊性的特点,将模糊数学与神经网络结合,建立了基于模糊神经网络的风险评价模型。选取13家企业作为实例说明了模糊神经网络评价模型在企业知识管理风险评价中的适用性。