基于ANFIS的温室小气候环境因子预测模型辨识

为了提高日光温室小气候环境因子的预测精度,达到对温室内环境因子综合控制的目的,提出一种基于Takagi-Sugeno模糊模型的自适应神经模糊推理系统(ANFIS)对温室小气候环境因子进行辨识,建立温室小气候环境因子预测模型,并用所建立的模型对温室内的温度、湿度、光照等小气候环境因子进行预测。结果表明:预测值和实测值的拟合关系较好,尤其在光照环境因子的模拟上,相关度甚至达到0.9976,说明基于ANFIS网络进行温室小气候非线性系统辨识是有效的,且该成果对温室小气候智能调控的发展具有一定的参考价值。     

基于FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

基于支持向量机的非线性逆控制及仿真研究

针对逆系统方法中非线性逆模型辨识困难的问题,研究了基于支持向量机(SVM)的逆模型辨识及控制,提出了一种SVM逆模型与PID结合的复合控制系统.由SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制.同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷.仿真研究表明,SVM的逆模型辨识能力强,该复合控制系统具有比直接逆控制更优的控制性能和鲁棒性.     

舰艇发电机励磁系统参数辨识研究

介绍辅助变量法与粒子群优化算法在舰艇发电机励磁系统辨识中的应用，并在Labview软件中编写了相应的计算程序。以某舰艇发电机励磁系统为例，在Matlab/Simulink中搭建该励磁系统仿真模型,将采样获得的输入输出数据，输入Labview辨识软件中，估计各参数值。实验分别采用+10%、+50%阶跃响应，辨识系统线性模型和非线性模型，并比较不同噪声幅值情况下的PSO辨识结果。实验结果证明PSO算法在励磁系统参数估计中的有效性。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

基于RS与ANFIS的投标报价决策研究

针对建设工程投标报价中标高金的确定这一多因素决策问题,提出了粗糙集理论(RS)与自适应模糊神经网络(ANFIS)集成的标高金决策方法.首先利用自组神经织网络(SOM)对决策系统中的连续属性值离散化后,通过粗糙集理论约简属性,去除冗余信息,计算出标高金决策系统的约简;根据这一约简,经过减法聚类获得模糊推理规则数目,确定ANFIS的初始结构,最后应用ANFIS对文章中30个典型国际工程案例的标高金进行计算和预测.研究结果表明,与一般BP神经网络相比,该方法网络规模大大减小,网络结构透明,学习速度更快,而且保持了较高的预测精度.     

基于Multi-agent技术的露天矿山生产调度系统的优化实现

针对动态变化、复杂非线性的露天矿山生产调度系统引入多智能体技术进行建模优化,将系统分为任务Agent、生产调度Agent、爆破Agent、运输Agent以及破碎Agent五个单智能体。在任务Agent中给出矿山的矿石需求量,运用自适应神经模糊推理系统（ANFIS）和遗传算法（GA）对爆破Agent进行建模优化;破碎Agent根据破碎能力以及破碎需求量对运输Agent进行约束,引入自适应变异程序改进粒子群算法(PSO)对运输Agent进行优化;生产调度Agent协调处理矿石需求量与各生产工艺Agent生产能力之间的矛盾,运用MATLAB软件对模型进行模拟实现。以某露天矿山为例构建露天矿山生产调度系统,建模优化结果表明该方法可行。     

黄河源区河川径流短期预测的ANFIS模型

【目的】建立径流短期预测的自适应神经模糊推理系统(ANFIS)模型,以提高预测精度,进而为黄河源区水资源开发和工程规划提供参考。【方法】以黄河源区出口站军功水文站为研究对象,以ANFIS为基本方法,建立ANFIS日尺度径流预测模型。基于输入变量、训练次数、隶属度函数类型与数目、预见期等参数设置了9个方案,通过实测径流与预测径流的对比和评价指标(均方根误差RMSE、相关性系数R)验证确定最佳方案,并分析不同参数对预测结果的敏感性,获得基于最优参数的ANFIS模型。【结果】采用神经网络+Sugeno型模糊推理算法建立了ANFIS日尺度径流预测模型,在预见期为1d时,利用ANFIS模型进行的径流短期预测,其相对误差最大为4.36%,平均为0.21%,预测结果合理可靠;当预见期延长至2~4d时,预测结果均满足精度要求,相对误差平均值均小于3.00%。【结论】将ANFIS用于短期径流预测,既可提高预测精度,又能延长预见期,可为黄河源区水库群规划、施工、调度和全流域水资源配置提供指导。     

一种基于数据驱动的系统建模方法

提出了一种基于数据驱动的系统建模方法,采用减法聚类和模糊C-均值聚类相结合的模糊聚类算法进行前件RBF网络辨识,自适应地获得精确的聚类个数和隶属度参数;用BP算法训练后件网络的权值,从而仅利用输入输出数据,就建立了T-S模糊神经网络模型,在该过程中充分利用了BP神经网络和RBF神经网络的优点。最后用该模型对一个非线性系统进行辨识,用MATLAB进行仿真,结果表明,该方法具有可行性。     

基于RBF神经网络的非线性观察器设计

提出了一种新的非线性观察器设计方法。与一般方法采用神经网络逼近整个非线性系统不同，该方法用RBF神经网络逼近系统的非线性项，故提高了状态估计的精度。基于李亚普诺夫方法，证明了状态估计误差渐近稳定且渐近收敛到零。仿真结果表明，所提出的非线性观察器设计方法具有良好的性能。在故障检测、状态估计等领域具有广泛的应用前景。     

An empowered adaptive neuro-fuzzy inference system using self-organizing map clustering to predict mass transfer kinetics in deep-fat frying of ostrich meat plates

Deep-fat frying (DFF) is a cooking process, in which water containing foodstuff is immersed into edible oils or fats at temperatures above the boiling point of water. This process is a fast and easy method to prepare tasty foods; therefore, despite the trend to low-fat foods, deep-fried products enjoy increasing popularity. Moisture content (MC) and fat content (FC) are very important quality indicators for fried foods in terms of health concerns and palatability of the products. This paper presents a new approach based on an adaptive neuro-fuzzy inference system (ANFIS) and self-organizing map (SOM) clustering for more accurate predicting MC and FC during DFF of ostrich meat plates. First the data set of each mass transfer parameter was categorized into two clusters by SOM method, and at the next stage each cluster was fed into an independent ANFIS models with the ability of rule base extraction and data base tuning. To train the ANFIS prediction system, triangular membership function (MF) was chosen. Results showed that the optimized ANFIS model with clustering improved the prediction ability of ANFIS and truly described mass transfer during the DFF (12.46% improvement with R =  0.96 for MC and 5.46% improvement with R = 0.92 for FC). This methodology can also be applied to optimize the operating conditions.     

外加驱动控制法在Buck变换器非线性现象控制中应用

针对电压模式控制Buck变换器运行时参数变化导致系统出现分岔和混沌等非线性现象问题,结合Buck变换器电路结构及其精确状态方程模型,运用Matlab/Simulink软件建立仿真模型并加驱动控制信号,通过控制信号幅值及相位调节,使系统达到最优非线性控制结果。仿真结果表明,当系统电路参数变化时,采用外加驱动控制法可有效抑制系统中非线性现象,系统稳定运行,通过搭建电压模式控制Buck变换器实验平台验证该方法对控制非线性现象具有可行性。     

免疫NPID控制器及其在热磨机料位控制系统的应用

借鉴生物免疫系统反馈调节机理,将免疫控制器与传统PID控制器串联,提出了一种免疫非线性PID控制方法;应用波波夫稳定判据分析了免疫非线性PID控制器的稳定性,并将其应用到热磨机的料位控制系统。这一算法保证了闭环系统的稳定性和快速的跟随性能,又抑制了模型摄动及外部干扰对系统的影响,提高了系统响应的快速性,保证了系统的鲁棒性能。仿真研究进一步验证了免疫非线性PID控制方法的可行性和有效性。     

基于自适应模糊神经网络的鱼类投喂预测方法研究

在集约化水产养殖中，鱼类的投喂水平直接关系到养殖效率和生产成本。针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题，以实现投喂量的精准预测为目的，提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法。该方法以罗非鱼为研究对象，选择水温和鱼的平均体重2个因素作为输入变量，利用混合学习方法，通过训练和学习获得最优模糊规则库，基于自适应神经网络模糊推理系统（adaptive network fuzzy inference system,ANFIS）建立投喂量预测模型，取得了较好的预测效果。基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0003 1，均远远小于原始模糊推理投喂量预测模型的指标值，其网络预测能力优于原始模糊推理预测模型。因此，该模型不仅可以在无监督条件下对鱼进行科学投喂，节省人力成本，而且能为合理的投喂提供技术支撑和理论支持。     

未知非线性动态系统神经网络模型在线识别

神经网络为未知非线性动态系统的建模提供了一条新途径。本文探讨了只用单个隐含层的前向神经网络对未知非线性动态系统的识别。只要动态系统输入输出可测量，未知非线性动态系统就能在线识别。在线识别算法依据性能函数在输出空间最优原则导出，有别于常规的BP算法。求解速度快，适合于在线识别。仿真实例进一步表明，采用神经网络建立未知非线性动态系统的在线模型具有可行性。     

基于ANFIS的混凝土碳化预测模型

基于自适应模糊神经推理系统,建立了混凝土碳化深度的预测模型。结合Matlab的特点,应用国内外280组试验和检测数据编程实现了对模型的训练,对含有不同参数的数据测验证明了模型的有效性。该模型可以同时考虑多种碳化方式以及尽可能多的影响因素,为混凝土碳化深度的预测提供了一个新的有效方法,同时为混凝土碳化预测方法的统一提供了新的途径。     

Elman动态递归神经网络在树木生长预测中的应用

该文充分考虑树木生长所特有的动态性、随机性和非线性,以及Elman动态递归模型的结构特点,获取北京山区油松解析木生长数据,分别建立了Elman型树木胸径生长和树高生长的神经网络动态模型.研究表明,Elman动态递归模型对非线性问题建模具有很好的拟和性和仿真性,其中,用于胸径生长建模时,其拟和精度达到99.45%,仿真精度达到99.42%;用于树高生长建模时,拟和精度达到 97.30%,仿真精度达到97.29%,而且其拟和和仿真曲线均为“S”形,符合树木生长规律.进一步对Elman动态模型和常规BP静态模型比较发现,Elman模型具有更好的拟和性、预测性和稳定性.      

林木根系黄土复合体的非线性有限元分析

为了揭示林木根系固土的力学机制和林木固坡的抗滑机理,以林木根系黄土复合体为研究对象,采用三轴压缩试验结合有限元模拟的方法,研究了根土复合体的应力应变传递变化。将根土复合体视作单一均匀复合材料,采用非线性弹性模型中的邓肯--张(E--B)模型作为其复合模型,根据三轴压缩试验结果计算出的模型参数,运用非线性有限元法模拟三轴压缩试验中素土和复合根土复合体的应力场和应变场,绘制等值线图。结果表明:土体中加根能显著提高土体的承载力、限制土体的侧向变形、减少土体的沉降量,模拟结果与三轴压缩试验结果基本一致。可以将有限元方法用于造林边坡的应力应变场研究。     

Improved piezoelectric grain cleaning loss sensor based on adaptive neuro-fuzzy inference system

Grain cleaning loss rate is an important performance index of combine harvesters which needs to be measured in real time during the harvesting operation. To improve the measurement accuracy and range, a grain loss sensor based on piezoelectric effect and adaptive neuro-fuzzy inference system (ANFIS) was proposed. A piezoelectric ceramic was fixed on the bottom of a thin sensitive plate to detect grain impact, and the sensitive plate was fixed to a support plate with a piece of shock-absorbing rubber between them to increase the attenuation rate of the vibration generated by grain impact. Based on the analysis of the reasons that restrict the improvement of measurement performance of traditional measurement methods, a novel signal processing circuit was designed. The circuit could simultaneously measure the number and energy of grain impacts, and output the results in the form of square wave voltage and analog voltage, respectively. Variation characteristics of the two output signals under different grain impact frequencies were analyzed. Then, a grain impact frequency prediction method based on ANFIS fusion of the two signals was proposed, and the established ANFIS model was trained through the calibration tests. Finally, measurement tests were carried out, and the results indicated that the measurement errors of grain impact were less than 2.5, 3.9, 4.4, 6.5 and 9.2% with measurement ranges of 100, 200, 600, 1000 and 1500 grain/s, respectively. With increase of MOG/grain mass ratio, the measurement error of the sensor was increased gradually due to the collision interference between MOG and grain. Compared with traditional sensors, the measurement accuracy and range were both improved significantly.

     

基于粒子群的多BP网络并行非线性预测控制

针对传统预测控制算法在解决非线性系统控制问题时，存在难以建立精确的数学模型、控制精度不高等缺点，提出一种新的非线性系统预测控制方案。以多BP神经网络作为并行预测模型，克服误差积累以及网络规模庞大的缺点；运用粒子群优化(PSO)算法完成非线性预测控制的滚动优化。仿真表明，该方案的控制效果比常规动态矩阵控制效果有所提高，该方案是可行和有效的。