基于TS模糊逻辑的鲁棒自组织神经网络研究及应用
发布时间：2021-03-10 12:39
近年来随着人工智能的兴起,基于神经网络等人工智能算法的建模方式在理论和解释性上都已经得到了很大的发展,并且已经通过神经网络解决了一些实际应用中的问题,如:在计算机视觉、自然语言处理、工业检测、时间序列预测等方面的成果正不断涌现。然而,通用的神经网络模型难以在工业实际中大规模部署的一个重要原因是,在工业数据的采集过程中数据不确定性、部分真实性普遍存在,表现为数据中存在随机性、模糊性以及不可预知性,导致模型在复杂工业环境中,尤其是存在多种扰动及不确定因素下模型的鲁棒性不够理想。因此,研究基于智能算法的鲁棒性模型具有重要的理论意义和应用参考价值。Takagi-Sugeno（TS）模糊推理系统因其出色的解释性、局部逼近能力以及相对精细化的网络结构,近年来基于TS模糊逻辑的神经网络是应用最为广泛的模糊神经网络建模方式。本文基于TS模糊逻辑的鲁棒自组织神经网络架构,通过改进模型的结构及计算方式依次为TS型模糊神经网络在工业分类检测与回归预测中的三个热点应用问题提供了鲁棒模型及其算法实现,并通过两个工业实际应用来验证算法的鲁棒性。具体研究内容如下:（1）针对工业分类检测中正常工况下由于离群样本产生的...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
正庚烷和酒精灯燃烧的采样信号
第三章基于TS型模糊神经网络的鲁棒检测模型23图3-4正庚烷和酒精灯燃烧的采样信号图3-5蜡烛燃烧和电烙铁的采样信号图3-6手机灯和自然光照射的采样信号为了得到更优良、稳定的火焰识别效果，对时域内的信号依次进行了如下预处理：(1)首先将采集到4.3微米通道的时域信号减去基准电压(2V)，之后每200个采样
第三章基于TS型模糊神经网络的鲁棒检测模型23图3-4正庚烷和酒精灯燃烧的采样信号图3-5蜡烛燃烧和电烙铁的采样信号图3-6手机灯和自然光照射的采样信号为了得到更优良、稳定的火焰识别效果，对时域内的信号依次进行了如下预处理：(1)首先将采集到4.3微米通道的时域信号减去基准电压(2V)，之后每200个采样
【参考文献】：
期刊论文
[1]基于正则化卷积神经网络的目标跟踪算法[J]. 张海波. 信息技术. 2019(06)
[2]基于LASSO回归的红外火焰探测器的设计与实现[J]. 谭勇,谢林柏,冯宏伟,温子腾. 激光与红外. 2019(06)
[3]四波段红外火焰探测器的识别算法设计与实现[J]. 冯宏伟,谢林柏. 红外技术. 2018(05)
[4]基于自组织递归模糊神经网络的PM2.5浓度预测[J]. 周杉杉,李文静,乔俊飞. 智能系统学报. 2018(04)
[5]基于改进K均值聚类的异常检测算法[J]. 左进,陈泽茂. 计算机科学. 2016(08)
[6]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[7]基于SOTSFNN的溶解氧浓度控制方法[J]. 乔俊飞,付文韬,韩红桂. 化工学报. 2016(03)
[8]基于改进聚类分析的网络流量异常检测方法[J]. 李洪成,吴晓平,姜洪海. 网络与信息安全学报. 2015(01)
[9]改进型T-S模糊神经网络风电功率预测模型的研究[J]. 张维杰,田建艳,王芳,张晓明,韩肖清,王鹏. 自动化仪表. 2014(12)
[10]改进的T-S模糊神经网络用于生化需氧量的软计算（英文）[J]. 乔俊飞,李微,韩红桂. Chinese Journal of Chemical Engineering. 2014(Z1)
博士论文
[1]复杂场景下基于深度学习的鲁棒性语音识别的研究[D]. 屠彦辉.中国科学技术大学 2019
[2]面向农作物叶片病害鲁棒性识别的深度卷积神经网络研究[D]. 曾伟辉.中国科学技术大学 2018
[3]基于深度学习的网络流量分类及异常检测方法研究[D]. 王伟.中国科学技术大学 2018
[4]核电站设备状态无线监测系统鲁棒性数据通信与处理研究[D]. 邓昌建.电子科技大学 2015
[5]基于多元时间序列的关联分析及预测方法研究[D]. 李德才.大连理工大学 2012
[6]离群检测及其优化算法研究[D]. 杨鹏.重庆大学 2010
[7]入侵检测的神经网络方法[D]. 刘贵松.电子科技大学 2007
硕士论文
[1]基于改进RNN及密度聚类的异常流量检测方法[D]. 曾霄笑.北京邮电大学 2019
[2]多模态数据融合与传输关键技术研究[D]. 倪雪婷.电子科技大学 2019
[3]基于尖峰自组织模糊神经网络的短期需水量预测[D]. 张力.北京工业大学 2018
[4]基于自组织二型模糊神经网络的污泥膨胀智能诊断[D]. 陈治远.北京工业大学 2018
[5]基于交替方向乘子算法的l1正则化极限学习机的算法研究[D]. 刘知音.北京化工大学 2018
[6]非均衡缺失数据的神经网络建模及其应用[D]. 周新民.南京航空航天大学 2018
[7]基于RVFLNs的数据驱动多元铁水质量参数鲁棒建模[D]. 吕友彬.东北大学 2017
[8]基于离群点检测的在线软测量方法研究[D]. 王春鹏.中国石油大学(华东) 2014
[9]三波段红外火焰探测器的研究与开发[D]. 袁积德.浙江大学 2012
[10]几种鲁棒的智能建模新方法及其应用研究[D]. 张荣.江南大学 2012
本文编号：3074676
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
正庚烷和酒精灯燃烧的采样信号
第三章基于TS型模糊神经网络的鲁棒检测模型23图3-4正庚烷和酒精灯燃烧的采样信号图3-5蜡烛燃烧和电烙铁的采样信号图3-6手机灯和自然光照射的采样信号为了得到更优良、稳定的火焰识别效果，对时域内的信号依次进行了如下预处理：(1)首先将采集到4.3微米通道的时域信号减去基准电压(2V)，之后每200个采样
第三章基于TS型模糊神经网络的鲁棒检测模型23图3-4正庚烷和酒精灯燃烧的采样信号图3-5蜡烛燃烧和电烙铁的采样信号图3-6手机灯和自然光照射的采样信号为了得到更优良、稳定的火焰识别效果，对时域内的信号依次进行了如下预处理：(1)首先将采集到4.3微米通道的时域信号减去基准电压(2V)，之后每200个采样
【参考文献】：
期刊论文
[1]基于正则化卷积神经网络的目标跟踪算法[J]. 张海波. 信息技术. 2019(06)
[2]基于LASSO回归的红外火焰探测器的设计与实现[J]. 谭勇,谢林柏,冯宏伟,温子腾. 激光与红外. 2019(06)
[3]四波段红外火焰探测器的识别算法设计与实现[J]. 冯宏伟,谢林柏. 红外技术. 2018(05)
[4]基于自组织递归模糊神经网络的PM2.5浓度预测[J]. 周杉杉,李文静,乔俊飞. 智能系统学报. 2018(04)
[5]基于改进K均值聚类的异常检测算法[J]. 左进,陈泽茂. 计算机科学. 2016(08)
[6]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[7]基于SOTSFNN的溶解氧浓度控制方法[J]. 乔俊飞,付文韬,韩红桂. 化工学报. 2016(03)
[8]基于改进聚类分析的网络流量异常检测方法[J]. 李洪成,吴晓平,姜洪海. 网络与信息安全学报. 2015(01)
[9]改进型T-S模糊神经网络风电功率预测模型的研究[J]. 张维杰,田建艳,王芳,张晓明,韩肖清,王鹏. 自动化仪表. 2014(12)
[10]改进的T-S模糊神经网络用于生化需氧量的软计算（英文）[J]. 乔俊飞,李微,韩红桂. Chinese Journal of Chemical Engineering. 2014(Z1)
博士论文
[1]复杂场景下基于深度学习的鲁棒性语音识别的研究[D]. 屠彦辉.中国科学技术大学 2019
[2]面向农作物叶片病害鲁棒性识别的深度卷积神经网络研究[D]. 曾伟辉.中国科学技术大学 2018
[3]基于深度学习的网络流量分类及异常检测方法研究[D]. 王伟.中国科学技术大学 2018
[4]核电站设备状态无线监测系统鲁棒性数据通信与处理研究[D]. 邓昌建.电子科技大学 2015
[5]基于多元时间序列的关联分析及预测方法研究[D]. 李德才.大连理工大学 2012
[6]离群检测及其优化算法研究[D]. 杨鹏.重庆大学 2010
[7]入侵检测的神经网络方法[D]. 刘贵松.电子科技大学 2007
硕士论文
[1]基于改进RNN及密度聚类的异常流量检测方法[D]. 曾霄笑.北京邮电大学 2019
[2]多模态数据融合与传输关键技术研究[D]. 倪雪婷.电子科技大学 2019
[3]基于尖峰自组织模糊神经网络的短期需水量预测[D]. 张力.北京工业大学 2018
[4]基于自组织二型模糊神经网络的污泥膨胀智能诊断[D]. 陈治远.北京工业大学 2018
[5]基于交替方向乘子算法的l1正则化极限学习机的算法研究[D]. 刘知音.北京化工大学 2018
[6]非均衡缺失数据的神经网络建模及其应用[D]. 周新民.南京航空航天大学 2018
[7]基于RVFLNs的数据驱动多元铁水质量参数鲁棒建模[D]. 吕友彬.东北大学 2017
[8]基于离群点检测的在线软测量方法研究[D]. 王春鹏.中国石油大学(华东) 2014
[9]三波段红外火焰探测器的研究与开发[D]. 袁积德.浙江大学 2012
[10]几种鲁棒的智能建模新方法及其应用研究[D]. 张荣.江南大学 2012
本文编号：3074676
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3074676.html
