1 四川大学电气工程学院, 成都 610065
2 国网智能科技股份有限公司, 济南 250101
针对采用含随机噪声的数据进行非线性动态系统建模无法获得准确模型参数的问题, 提出了一种基于加权最小二乘支持向量机(LS-SVM)数据预处理的复合辨识方案。复合辨识方案根据数据的分布信息, 利用加权LS-SVM对异常数据的鲁棒性, 通过回归计算消除数据的异常性; 再利用预处理后的数据训练补偿模糊神经网络参数, 得到系统模型。结果表明, 采用加权LS-SVM预处理的复合辨识方案运用在普遍存在随机噪声的系统中, 能获得更加准确的辨识模型。
数据预处理 加权LS-SVM 补偿模糊神经网络 data preprocessing weighted LS-SVM compensatory fuzzy neural network
为解决农作物冠层热红外图像边缘灰度级分布不均且噪声较大, 而传统图像分割方法难以实现其目标区域有效识别的难题, 以苗期红小豆冠层热红外图像为研究对象, 将模糊神经网络和仿射变换有机结合, 提出了基于热红外图像处理技术的农作物冠层识别模型。 首先利用五层线性归一化模糊神经网络的自适应特性, 选取高斯隶属度函数, 自动计算冠层可见光图像识别的推理规则, 有效地分割了可见光图像中的冠层区域。 通过分析3种分割指标和熵, 定量评价可见光图像冠层分割质量。 网络迭代38次时, 误差精度为0.000 952, 该算法平均有效识别率为96.13%, 获取可见光冠层图像的像元信息熵值范围为2.454 4~5.198 7, 与标准算法所得冠层图像的像元信息熵仅相差0.245 9。 然后以取得可见光图像的冠层有效区域为参考图像, 采用仿射变换算法, 调整优选平移、 旋转、 缩放等图像变换因子, 配准原始热红外图像, 提出了基于仿射变换的冠层热红外图像识别方法。 对于初始温度范围值在16.35~19.92 ℃的农作物热红外图像, 计算选取旋转幅度为1.0和缩放因子为0.9时, 作为异源图像的最优配准参数, 获取目标图像的最大温差为3.17 ℃, 相对于原图像的平均温度值由18.711 ℃下降至17.790 ℃, 进而实现了基于热红外图像处理技术的农作物冠层识别。 最后以熵的互信息作为监督指标, 对农作物冠层热红外图像识别方法进行评价。 提出的冠层热红外图像识别方法, 所获取的目标图像与初始热红外图像的平均互信息为4.368 7, 标准目标图像和初始热红外图像的平均互信息为3.981 8, 二者仅相差0.486 9。 同时, 两种冠层热红外图像的平均温度差值为0.25 ℃, 高效消除了原始热红外图像的背景噪声。 结果表明本研究方法的有效性和实用性, 能够为应用热红外图像反映农作物生理生态信息特征指标参数提供技术借鉴。
热红外成像 图像处理 神经网络 仿射变换 冠层识别 Thermal infrared images Image processing Fuzzy neural network Affine transformation algorithm Canopy recognition
1 南京邮电大学 通信与信息工程学院，江苏 南京 210003
2 中国人民解放军 31006部队，北京 100840
目前提出的频谱占用模型能够在时域上描述和重现基本的统计特征，如传统的地面移动通信的频谱占用/空闲周期长度可以用经典的广义帕累托(GP)分布、指数分布等分布来拟合。然而在某些复杂的如卫星链路频谱占用场景中，传统的参数估计分布无法给出良好的拟合。为此提出了用核密度估计(KDE)的方法来进行概率密度分布的拟合，在此基础上，分别采用差分整合移动平均自回归模型(ARIMA)和模糊神经网络对频谱占用模型的时间序列进行预测并进行对比。结论表明，核密度估计的使用可以更加准确地描述并再现卫星下行链路所使用S频段的占用时间序列的统计特征，而模糊神经网络的预测比ARIMA模型预测更加精确。
频谱占用模型 概率密度分布 核密度估计 差分整合移动平均自回归模型预测 模糊神经网络预测 spectrum occupancy model probability density distribution kernel density estimation Auto Regressive Integrated Moving Average Model(AR fuzzy neural network prediction 太赫兹科学与电子信息学报
2020, 18(6): 984
1 四川轻化工大学, 自动化与信息工程学院,四川 宜宾 644000
2 四川轻化工大学, 物理与电子工程学院,四川 宜宾 644000
3 徐州工程学院信电工程学院,江苏 徐州 221111
首先给出理想情况下固定翼无人机的姿态动力学模型, 然后在此基础上根据动态逆方法设计出无人机姿态控制器,但基于此控制器并不适合实际情况下的无人机模型, 原因在于无人机实际模型与理想模型之间存在一定的偏移, 即模型不确定, 而且在实际情况中还存在一定的干扰, 因此,在原有无人机姿态控制器的基础上结合模糊神经网络, 来补偿无人机运行过程中存在的模型不确定及干扰。
固定翼无人机 模型不确定性 外部干扰 动态逆 模糊神经网络 fixed-wing UAV model uncertainty external disturbance dynamic inversion fuzzy neural network
重庆理工大学 电气与电子工程学院, 重庆 400054
机载激光通信的视轴稳定是建立激光通信链路的前提。为了有效地克服载体扰动与参量改变对粗跟踪系统视轴稳定的不利影响, 设计了一种基于模糊神经网络的比例-积分-微分(PID)控制方法。该方法结合模糊理论的非线性控制能力与神经网络的自主学习能力, 实现了对PID参量的实时在线调整。结果表明, 与传统PID控制方法相比, 模糊神经网络PID控制方法提高了系统的动态响应速度, 减小了系统超调量, 当载体受到扰动与参量改变时, 具有较强的自适应性和鲁棒性。
光通信 机载激光通信 模糊神经网络 视轴稳定 比例-积分-微分控制 optical communication airborne laser communication fuzzy neural network optical axis stabilization proportion-integral-derivative control
1 中国科学院 长春光学精密机械及物理研究所, 吉林 长春 130033
2 中国科学院大学, 北京 100039
3 中国船舶重工集团公司 第723研究所, 江苏 扬州 225001
针对微型飞行器的姿态角摄动引起的系统不确定性及外界干扰等问题, 提出了基于区间二型模糊神经网络辨识的增益自适应模糊控制器。首先, 给出了微型飞行器姿态动力学模型。然后, 采用区间二型模糊神经网络对滑模控制器中由于姿态角摄动引起的系统不确定性进行在线辨识, 通过增益自适应滑模控制器中的校正控制项对辨识误差及负载干扰进行补偿。最后, 通过设计李亚普诺夫函数, 得到闭环系统一致稳定条件下的区间二型模糊神经网络参数在线调整的自适应律及滑模增益自适应律。仿真对比表明, 与传统的增益自适应滑模控制器和基于一型模糊神经网络辨识的滑模控制器及相比, 本文提出的控制器不仅对系统的不确定性因素及外界干扰具有较强的鲁棒性, 而且稳定误差小, 跟踪精度高。
微型飞行器 滑模控制器 姿态控制 模糊神经网络 李亚普诺夫函数 Micro Aircraft Vehicle(MAV) sliding mode controller attitude control fuzzy neural network Lyapunov function
1 空军工程大学航空航天工程学院, 西安 710038
2 徐州空军学院, 江苏 徐州 221000
作战无人机(UCAV)**悬挂及使用方案对无人机作战效能有重要影响。从分析影响**备选方案的任务条件和目标威胁等级入手, 建立了UCAV外挂**使用方案优选模型。基于该模型提出了一种UCAV外挂**使用方案模糊神经网络智能优选算法。算法利用模糊神经网络良好的自适应和自学习能力,通过样本数据训练确定了模型因素间非线性复杂关系。最后, 运用该模型得到某型无人机编队的**方案使用优选结果, 并将仿真结果与实战**使用方案进行对比, 结果显示了该模型相同的优选能力, 为UCAV**使用开创了新的思路。
作战无人机 外挂管理 威胁等级 模糊神经网络 优化 Unmanned Combat Aerial Vehicle(UCAV) external storage management threat level fuzzy neural network optimization
1 中国科学院 长春光学精密机械及物理研究所，吉林 长春 130033
2 中国科学院 研究生院，北京 100039
针对四旋翼微型飞行器控制系统中存在不确定性、外界干扰等影响控制精度的问题，提出了基于区间二型模糊神经网络(IT_IIFNN)的四旋翼微型飞行器自适应控制方案。首先，根据四旋翼微型飞行器的动力学模型，设计了基于IT_IIFNN的四旋翼微型飞行器自适应控制器，该控制器由两部分构成，其中IT_IIFNN用来在线逼近系统不确定性；鲁棒补偿器用来实时补偿IT_IIFNN的逼近误差以及外界干扰。其次，利用Lyapunov稳定理论证明此飞行器控制系统闭环稳定性。最后，通过四旋翼微型飞行器样机来验证IT_IIFNN自适应控制器的优越性。验证结果显示，在加入风速为1.5 m/s的外界干扰条件下，跟踪误差可近似达到10-2。结果表明，IT_IIFNN自适应控制器具有良好的跟踪精度、稳定性及鲁棒性。
区间二型模糊神经网络(IT_IIFNN) 四旋翼微型飞行器 鲁棒补偿器 Lyapunov稳定理论 稳定性 鲁棒性 Interval Type-II Fuzzy Neural Network (IT_IIFNN) quadrotor Micro Aerial Vehicle (MAV) robust compensator Lyapunov stability theory stability robustness
1 北京服装学院信息工程学院， 北京 100029
2 北京服装学院图书馆， 北京 100029
3 河南工业大学信息科学与工程学院， 河南 郑州 450001
为了实现羊绒、羊毛纤维的快速、无损检测，建立了羊绒、羊毛近红外光谱数据库，包括228组各地羊绒、羊毛数据，并应用于羊绒、羊毛的定性检测上。首先介绍了羊绒、羊毛近红外光谱检测的数据库建立过程；然后，在对羊绒、羊毛原始近红外光谱进行预处理的基础上，对数据进行主成分分析，选出12种主成分，并结合改进的RBF模糊神经网络，建立羊绒、羊毛检测模型。通过与主成分分析马氏距离建模方法的对比分析实验表明，建立近红外光谱数据库，并结合主成分分析和改进的RBF模糊神经网络的方法是一种有效的无损检测羊绒、羊毛的方法，可快速建立高精度的羊绒、羊毛纤维检测模型。
光谱学 近红外光谱学 RBF模糊神经网络 羊绒 羊毛 主成分分析 激光与光电子学进展
2012, 49(8): 083001
中国科学院 长春光学精密机械及物理研究所, 吉林 长春 130033
为了更好地提高工艺加工平台的精确度, 结合自适应控制与区间二型模糊神经网络理论设计了一个双轴运动控制系统。该系统通过控制两个场向永磁同步电机来定位X-Y双轴运动转子的位置, 从而跟踪预设的蝶形曲线。针对由区间二型模糊神经网络的有限规则产生的不可避免的逼近误差和优化的参数向量等集中不确定性因素, 设计了自适应集中不确定性估计律, 并通过在线鲁棒补偿器处理集中不确定性的值。最后, 通过TMS320C32数字信号处理器运行了本文提出的控制算法。实验结果验证了基于区间二型模糊神经网络设计的双轴运动控制系统的轨迹跟踪精确度较高。与一型模糊神经网络控制系统相比, 区间二型模糊神经网络控制系统具有更好的控制性能, 鲁棒性更强。
区间二型模糊神经网络 双轴运动控制系统 永磁同步电机 Lyapunov稳定性理论 interval type-II fuzzy neural network double axis motion control system permanent-magnet synchronous motor Lyapunov stability theorem
