自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

基于粗糙集的T-S模糊神经网络在回转窑烧结过程中的应用

基于粗糙集理论的知识约简方法和T-S模糊神经网络的非线性映射理论,针对回转窑烧结过程被控对象复杂、各参数之间相互耦合及难以建立精确数学模型的特点,提出一种RS-FNN智能控制策略。采用基于一种新的聚类有效性准则函数的模糊C均值聚类算法对连续属性进行离散化;然后利用粗糙集理论由历史数据样本提取约简规则集,对应的T-S模型具有反映数据特征的良好拓扑结构;最后T-S模型参数由梯度下降混合最小二乘法进行精调。该方法应用于铁矿氧化球团回转窑生产过程控制取得了良好效果,增强了系统容错及抗干扰的能力。     

一类参数不确定T-S模糊系统的鲁棒控制及仿真

针对一类具有参数不确定的T akag i-Sugeno(T-S)模糊系统,基于模糊区域的概念研究了其鲁棒控制问题。通过将不确定T-S模糊模型转换为不确定T-S模糊区域模型,并利用Lya-punov稳定性理论,导出了线性矩阵不等式(LM I)形式的鲁棒控制器设计方法。相对于传统设计方法,降低了采用线性矩阵不等式方法求解的难度,并具有良好的鲁棒性能。仿真结果验证了该方法的有效性。     

基于模糊神经模型的自适应单神经元控制系统设计

提出一种基于模糊神经模型的自适应单神经元控制系统.该控制系统首先根据采集到的输入输出数据建立被控过程模型,并在此基础上引入单神经元控制器.通过李亚普诺夫方法对控制器参数进行在线调节,从而使得系统输出值能够较快跟踪设定值.理论分析和仿真结果表明:本文提出的单神经元控制器和传统的PID控制器具有极其相似的结构,因此,具有结构简单、易于操作的特点,具有较快的跟踪速度,并且控制参数可以在线调节.     

基于混合混沌搜索方法的多层递归模糊神经网络建模

提出了一种多层递归模糊神经网络（MRFNN）,并提出混合混沌搜索方法用于网络学习。该网络融合了T—S模糊模型．在隶属函数层和规则层有局部反馈连接。网络的学习分为结构学习和参数学习两部分。结构学习确定隶属函数层和规则层的节点数;参数学习由混合混沌搜索方法完成,利用混沌搜索优化前件参数。同时利用最小二乘法实现后件系数更新。对非线性系统辨识进行,仿真实验并对连续搅拌釜式反应器系统建模。结果表明：本文方法能够有效捕捉系统的动态特性。所建模型具有良好的精度。     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法，神经网络采用RBF网络结点结构，聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中，仿真结果表明具有并行实时性、聚类能力强的特点。     

一种非线性稳态自适应优化方法

结合系统优化和参数估计的修改二步法(MTS),提出了单参数在线修正模型的非线性优化控制自适应方法。根据Lyapunov稳定性定理,给出了MTS法稳定收敛的最优协调增益K的在线计算方法,大大加快了算法的收敛速度,以甲醇制甲醛生产优化控制为例,仿真结果表明,该方法是有效的。     

基于神经模糊系统的自适应前馈-反馈控制系统设计

在前馈控制器设计思想的启发下,提出了一种基于神经模糊系统的自适应前馈-反馈控制系统。该控制系统首先把非线性过程近似为一个线性的ARX模型和一个基于神经模糊系统的线性化误差模型(FNNM)组成的合成模型,把线性化误差模型的输出看作可测量的“扰动”,然后再引入前馈控制器,利用被控制过程的输入、误差模型的输出、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的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。将提出的基于线性化误差模型的自适应控制系统用于简单不可逆放热反应的连续搅拌型化学反应器CSTR中,并与传统的PID控制器进行比较。仿真结果表明：这种基于神经模糊系统的自适应前馈反馈控制器和PID控制器相比,能得到更快、更好的控制效果。     

一种基于改进型遗传算法的模糊聚类

针对模糊C均值算法(FCM算法)难以达到全局最优解的问题,引入了具有全局搜索能力的遗传算法以解决聚类问题,并在标准遗传算法基础上进行了改进。将该算法运用于IR IS数据的聚类,实现了较好的聚类,从而验证了算法的有效性。     

一种基于预测谱偏移的自适应高斯混合模型在语音转换中的应用

基于高斯混合模型（GMM）的语音帧谱包络转换算法容易导致转换后的语音谱包络过平滑、语音细节特征受损。通过对GMM中协方差的准确性与谱包络过平滑现象的研究,提出了一种基于预测谱偏移的自适应GMM建模方法。该方法采用平滑加权算法对目标谱的偏移进行建模,并根据语音帧信息自适应调节预测谱偏移项的比例系数,结合高斯混合模型共同实现对谱包络的转换。实验结果表明,该建模方法能够有效抑制转换后语音谱包络的失真现象,提高转换后语音的清晰度、自然度和可懂度。     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型，然后通过调整聚类半径优选模糊规则数，以取得具有良好泛化性能的模型，之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模，结果表明能较快确定优化模型，并能满足软测量建模精度要求。     

细乳液法制备聚硅氧烷-Ag纳米复合微球及其抗菌性

模糊建模是一种有效的非线性系统建模方法,因为非线性系统的复杂性,仍有很多问题难以处理。针对T-S模糊模型,提出了一种改进的建模及优化方法。首先,将快速搜索密度峰聚类和模糊C均值聚类(FCM)算法相结合,使用快速搜索密度峰聚类算法找到聚类个数和初始聚类中心后,再用FCM算法进行聚类;然后,通过最小二乘法辨识结论参数得到初始T-S模糊模型,使用改进的差分进化(DE)算法整体优化模型的结构和参数,获得最终的T-S模型;最后,选择代表性实例,使用MATLAB程序进行仿真分析和比较,验证了本文方法能有效提高T-S模糊模型的辨识精度和速度。     

神经网络多模型软测量技术及应用

基于多模型思想，采用模糊聚类的方法对软测量数据进行了分类，对每类数据基于神经网络(NN)建模，采用RBF神经网络构造了每个数据样本的隶属度，将各模型输出的数据进行隶属度加权求和得到最终的软测量输出，并对某催化重整生产装置催化剂再生器氧含量进行了建模研究，获得了满意的结果。     

基于自适应滤波的日负荷预测新陈代谢模型

提出了对日负荷进行预测的新方法。基于自适应滤波算法进行预测,在预测过程中对原始数据进行新陈代谢处理,且根据预测日的属性对预测结果进行加权,并依据历史负荷中负荷的变动情况对结果进行校正,以求最佳预测效果。利用自适应滤波预测结果的残差建立时间序列的AR(p)模型,与自适应滤波模型形成组合模型,从而实现了短期电力负荷样本资料随时间变化而更新、样本量和计算量不增加而预测精度能得到保证的目标。与传统的预测方法相比较,该模型用于日负荷预测具有计算迅速、精度高的优点。