苏晓鹭[1]2015年在《应用于船舶动力定位的标准可加性模型智能控制方法研究》文中研究指明近年来,随着海上石油开发及海上作业的发展,海洋作业系统中的关键技术船舶动力定位系统的研究在发展迅猛,军民用特种船舶上均获得了日益广泛的应用。与发达国家相比,我国的设计和生产能力还有很大差距。因此,研究高精度、适应性强、实用的动力定位系统,具有重要的现实意义和深远的战略意义。在可加性模糊系统的众多类型中,标准可加性模型(或者SAM的某种形式)在实际应用中被大多数模糊工程师使用,因为它可以解释实际工程中遇到的几乎所有的模糊系统。基于此,本文研究了应用于船舶动力定位的标准可加性模型智能控制方法,主要包含一下几个方面：1.为了实现对海洋环境干扰因素的预测,为船舶动力定位系统控制器的设计奠定基础,本文将神经网络与SAM系统相结合,建立了基于SAM系统的模糊神经网络(即SAM-NET)结构,证明了SAM-NET结构的全局逼近性,提出了一种适合SAM-NET的学习训练算法,使隶属度函数更加的趋向合理。采用SAM—NET对海洋干扰环境进行预测。通过仿真和误差分析,结果表明：用SAM-NET对风、浪进行预测是准确可行的。2.准确的船舶位置信息在船舶动力定位的过程中有着十分重要的作用。为了得到准确的船舶位置信息,本文定义了自相似信息系统矩阵中“点”、“线”、“面”、“体”、“链”,建立了船舶动力定位系统的自相似信息系统矩阵,实现了动力定位系统各组成部分间的信息资源的共享与互补。在此基础上,本文提出了一种基于SAM模型的船舶动力定位位置信息多传感器数据融合算法。该算法将竞技体育打分评分方法与3σ准则相结合来剔除野值,选取类高斯函数作为模糊规则的隶属度函数,每条被激活规则权重值相等。实验表明,该数据融合算法的融合结果比各位置传感器的测量结果更加接近船舶的真实位置。3.针对动力定位船舶在定位时海洋干扰环境变化大,无法精确描述船舶的数学模型,动力定位控制效果达不到预期值,本文设计了一种基于SAM改进算法的船舶动力定位控制器。首先利用层次分析法去除SAM初始模糊规则中冗余或者相互矛盾的规则,再利用蚁群优化算法得到每条规则的权重值。仿真实验结果表明：本文所设计的SAM改进算法船舶动力定位控制器响应时间较短,控制效果稳定、精确。4.本文根据多模态控制思想,设计了基于SAM改进算法的船舶动力定位多模态控制系统。该系统利用SAM-NET模型对海洋环境进行预测,并采用滤波器对海洋环境干扰的进行滤波,根据海面风力的大小选定人工直接操作、PID控制或基于SAM改进算法控制器对定位系统进行控制,使用混合模态控制方法实现模态间平稳平滑地切换。采用平均时间驻留方法证明了多模态切换系统的稳定性。仿真结果表明：海上定位船舶在动力定位系统的控制下能较快的到达定位位置且保持稳定,系统具有良好的稳定性、鲁棒性及准确性。综上,本文对应用于船舶动力定位的标准可加性模型智能控制方法展开了研究,取得了一定的成果,但仍有不足的地方,有待进一步研究和改进。
王妮妮[2]2002年在《基于SAM系统的模糊神经网络》文中研究指明美国南加利福尼亚大学电子工程系的Bart Kosko教授在1991年提出了着名的标准可加性模型(Standard Additive Model)。在1996年他出版的“模糊工程”一书中，Kosko教授详细讨论了这种把可加性模糊系统用一种简单的代数形式表示成为标准可加性模糊系统的方法。这种前向的标准可加性模糊系统是可加性系统中最重要的一种形式也是模糊系统的一个重要的新结构。在模糊工程一书中，Kosko把这个模型应用到许多工程领域并概括出模糊工程的核心问题是函数逼近问题。 由于模糊神经网络自身所具有的许多特点使它能够处理在工程应用中所能遇到的大量不确切信息。在本文中我们提出一种以标准可加性模型为基础，把模糊系统和神经网络相结合的新结构，并给出模糊集合学习和调整的新学习算法。因为隶属函数的选取会影响模糊系统逼近函数的效果，而高斯型隶属函数的钟形曲线只要简单的学习规则就可以表示丰富的模糊信息，我们选取高斯型隶属函数作为模糊集合函数。高斯型函数是由它的中心和宽度两个参数决定的，所以，我们给出新的有监督的梯度下降算法来调整如果部分高斯函数与则部分的高斯函数的中心和宽度。这种学习可以把模糊规则块在突起之间移动，以便得到更好的逼近效果。 在上述研究的基础上，我们在文章的最后给出一个逼近非线性函数的仿真实例。在这个仿真实例中，大家可以看出我们所给出得算法是正确和可行的。
董国成, 刘红云, 周标准, 崔艳, 宋培[3]2012年在《基于粒子滤波算法的SAM模糊神经网络训练》文中研究说明月球车运动规划与控制的最大特点就是月面地形的非结构化,无法建立精确的数学模型.为了用环境建模与分析的方法来研究月球车运动规划,本文结合凸组合的性质,提出应用粒子滤波算法进行神经网络训练的SAM模糊神经网络的月球车控制系统.现己证明SAM的模糊神经网络是有界、连续、可导的,保证了月球车平动速度、转动速度平稳的连续变化.采用粒子滤波训练权值克服了一般神经网络训练方法易陷入局部极小值的缺陷,并且是解决非线性/非高斯问题的有效算法.仿真结果表明,该学习方法与同类方法相比,性能明显提高.
王妮妮, 张强, 刘晓东[4]2002年在《基于标准可加性模型的模糊神经网络》文中进行了进一步梳理在对可加性模糊系统的最重要的组成部分标准可加性模型（SAM）进行研究的基础上,把SAM系统与神经网络相结合,并推导出适合此网络结构的简化的隶属函数参数的学习算法,从仿真结果可知该方法简单、学习次数少、逼近精度高.
董国成, 刘红云, 李晖[5]2012年在《基于SAM的模糊神经网络的月球车运动规划及控制模型》文中研究说明月球车运动规划与控制的最大特点就是月面地形的非结构化,无法建立精确的数学模型。为了用环境建模与分析方法来研究月球车运动规划与控制的连续性、稳定性及可达性,进而在理论上证明行为控制的可行性。结合凸组合的性质,提出应用混合学习算法的基于SAM的模糊神经网络系统,并给予仿真分析。
阳江源[6]2010年在《数控机床热误差检测与建模研究》文中研究指明数控机床在加工过程中,各部件由于受到电机、摩擦热、冷却液以及环境温度等热源的影响产生热变形,使得刀具和工件之间原来相对正确的位置遭到破坏而引起的误差,称之为热误差。大量研究表明,机床因受热变形引起的误差占机床总误差的40%-70%,是精密和超精密加工过程中主要的误差来源,因此,减小机床热误差对提高机床加工精度至关重要。本文针对热误差补偿技术中的热误差检测、热误差敏感点的确定、热误差模型建立等问题,主要从以下几个方面展开研究：1)阐述了课题的研究背景及意义,详细介绍了国内外热误差检测、建模与补偿技术的研究现状以及目前存在的问题,说明了本课题所研究的重点内容。2)基于虚拟仪器平台LabVIEW搭建了应用于机床热误差测量实验的多通道温度测量系统。通过调用动态链接库文件的方法实现了LabVIEW对PCI8310数据采集卡的访问,运用ActiveX模块完成了LabVIEW和Excel之间的通讯,综合应用硬件滤波和软件滤波两种方法提高了多通道温度测量系统的抗干扰性能,实现了对机床温度的采集与存储。3)机床热误差敏感点的确定是一个灰色问题,本文基于灰色系统理论,应用灰关联分析方法确定了机床热误差敏感点,并在典型的加工中心上进行了热误差敏感点实验验证。该方法有效的减少了热误差测量点,降低了热误差模型的复杂度,进而提高了热误差模型的实时性与精度。4)分析了机床热误差的特点,提出了基于动态模糊神经网络的机床热误差建模方法。动态模糊神经网络的学习算法中采用了动态生成模糊规则的方法,避免了模糊规则的冗余,增强了模型预测的准确性与鲁棒性。5)以热误差敏感点的温度数据为输入,预测机床各轴定位精度的变化为目标,基于动态模糊神经网络建立了热误差预测模型,通过实验及对比分析验证了所建机床热误差预测模型的性能。
曹桂均[7]2013年在《编组站综合自动化系统控制技术及其扩展应用的研究》文中研究说明编组站综合自动化系统实现铁路编组站管理信息系统和过程控制系统的有机结合，提高编组站整体解编能力，降低现场劳动强度，是一个高智能化、自动化的综合性系统。本文描述编组站综合自动化系统的组织结构、总体框架和系统主要功能，研究探讨各子系统的组织方式，研究管理信息系统与控制系统结合方式的合理性，安全性和可靠性。文章对编组站综合自动化系统中的信号控制系统进行了较为全面和深入细致的梳理，对于实现综合自动化需要新研发的控制技术进行了深入研究，并将原有成熟控制系统在编组站综合自动化中应用的有效改进和功能提升做了总结。本文研究系统层次架构，提出了编组站综合自动化系统中不同子系统的专业归属，通过规范管理维护的划分界限及维修界面，对于设备维护的合理性进行分析。本文研究管控结合的关键部分-集中控制系统，描述了集中控制系统的系统组成和控制模式、应用功能及接口设计，阐述了集中控制系统的功能模块及实现方式。对于编组站的车辆实时位置追踪问题，描述了实时追踪的原理，提出利用编组站站场结构有向图的方式，建立编组站车辆实时追踪模型，实现以站场表示信息为基础的车辆实时追踪。通过对采集到的站场实时表示信息进行逻辑运算，将结果跟踪得到的结论，结合进路跟踪预判及作业计划等信息，采用多重判别，得到机车车辆的实时位置。并与车号自动识别信息以及作业计划信息有效融合，得到机车车辆在编组站中的实时准确位置信息，作为各种现场作业实绩自动反馈的基础数据。本文研究集中控制系统的作业计划自动执行技术，对于将作业计划转换成控制设备可执行的作业指令的分解转换模式进行了分析，详细描述作业任务的表达和作业指令的表达方式，研究利用人工智能算法建立数学模型，求解作业指令的调优问题。文章描述了采用一种改进的MMAS算法来对编组站作业指令进行调优计算，及实现算法的收敛性与寻优能力的动态平衡的方法，并通过现场试验验证算法的可行性。将成熟的驼峰无线机车遥控系统及无线调车机车信号和监控系统有机的结合在一起，研发新型调机综合控制系统，使编组站调车机车在整个编组站作业时实现全面机车遥控。本文提出将推峰机车遥控与平调遥控采用统一的模型进行优化的控制方式，根据调车作业遥控控制的特点，选择基于模糊神经网络的自校正控制模型，实现机车控制参数的在线自校正，在合理利用机车动力的同时，提高系统的可维护性，使控制过程更加合理、精细。统一模型优化的控制方式，降低编组站机车控制的复杂性，使不同站场、不同机车及不同作业模式等机车控制中的复杂性问题得到解决。将编组站综合自动化技术扩展应用到动车基地调度集中系统中，实现动车基地管理信息系统与控制系统的有机结合，闭环控制。文章描述了动车基地调度集中系统列车及调车作业计划的自动调整和管理、作业进路的自动控制、动车组位置追踪及查询、人机交互统一管理等几大功能和实现方法，为编组站综合自动化控制技术进一步扩展应用打下良好的基础。
张云[8]2003年在《一种基于模糊神经网络采用再励学习的PID控制器》文中研究指明PID控制是最早发展起来的控制策略之一，在控制理论和技术飞速发展的今天，PID控制由于其简单、稳定性能好、可靠性能高等优点，仍广泛的应用于冶金、机械、化工等工业过程控制之中。虽然许多其它的控制理论和技术日趋完善，但目前大多数工业过程仍采用PID控制，而采用高级控制技术的控制回路数只占10％左右，可见PID控制在工业控制中占据非常重要的地位。随着现代工业生产的飞速发展，进行过程控制系统设计时，除要求系统具有较高的动态品质和静态品质指标外，还必须保证系统具有良好的鲁棒性。 在PID控制中，被控对象的控制品质的优劣情况在很大程度上依赖于PID控制器中K_p、K_i、K_d叁个参数的整定。根据不同的被控对象适当的调整PID的叁个参数，可以获得比较满意的控制效果。实践证明，这种参数整定的过程，实际是对比例、积分和微分叁种控制作用的折中。应该指出，虽然存在许多PID参数的整定方法及经验公式，但是这种整定不但费时间，而且，参数间相互影响，往往难以收到最佳效果。 传统的参数整定方法都是根据对象特性离线进行的，即当PID叁个参数经离线整定后相对固定，不能根据对象特性变化和动态过程在线修改参数，不具有主动适应系统或环境变化的能力。这样，即使对被控对象整定了一组满意的PID控制参数，当对象特性发生变化时，也难以保持良好的控制性能。当被控对象存在非线性时，常规PID控制器往往不能保证良好的控制性能。对于大惯性，大时滞的对象，其控制效果亦不能令人满意。为此，必须设计出一种能够自动调整K_p、K_i、K_d的PID空制器。 近年来，智能控制无论是在理论上还是在应用上均得到了长足的发展。如何将PID控制器同智能控制更好的结合在一起，使控制领域几十年来长用不衰的PID控制器能发扬光大，更好地应用于实际控制系统，是控制领域中人们不断研究和探索的重要课题。在自动控制领域，许多研究人员将智能控制技术和常规PID控制方法有机的融合在一起，形成了许多形式的智能PID控制器。这种新型控制器已引起人们的普遍关注和极大兴趣，并已得到较为广泛的应用。 本文正是以上述课题为着眼点，以神经网络中再励学习的知识为基础，将PID控制技术与智能控制中的再励学习及模糊控制技术结合 一种8子挨翩讨佐网啥宗用天励学习的nD擅奶8 起来，形成一种基于模糊神经网络采用再励学习的PID控制器。我们 把K／K、K。叁个参数作为神经网络ASN（行为选择网络）的榆出， 通过计算被控系统的实际榆出，将实际输出和理想榆出加以比较，产 生一再励信号，根据再励信号对ASN网络及AEN（行为评价网络）网 络的权值进行修正，不断改变ASN网络的输出，这样就改变了PID控 制器的叁个参数，从而达到了在线调整＊D控制器参数的目的。 本文内容共分为五部分按以下顺序安排： 一、常规PID控制器控制原理及现阶段的发展 阐述了常规＊D控制器的控制原理，并分别叙述了现阶段智能化 ND控制器的发展状况。 二、再励学习 重点阐述了神经网络中的再励学习算法的基本原理。 H、再励学习和HD控制64结合 本部分将再励学习、模糊控制及PID控制相结合，论述了它的结 构和各部分的工作原理。 四、仿真实验 将基于模糊神经网络采用再励学习的PID控制器应用到实际控制 中，并得到较好的仿真结果。 五、结束语
王聚杰[9]2014年在《短期风速统计预报方法的开发研究》文中提出面对煤炭、石油等传统能源资源的日益枯竭,以及日益严峻的环境问题,风能、太阳能等可再生能源已在世界范围内受到重视。其中风能作为重要的可再生能源资源,具有蕴藏量丰富、可再生、分布广、无污染等特性,经过近些年的发展,风力发电在电力发展中占据着不可忽视的地位。风电具有波动性和间歇性特点,大规模风电的接入对电力系统的安全稳定运行带来了挑战。风电功率预测对于电力调度部门根据风电功率变化及时调整调度计划、保证电能质量、减少系统的备用容量、降低系统运行成本都是至关重要的。而风电场风速预测是风电功率预测的基础,因此,提高风电场风速预测的精度,对于风力发电的发展起着十分关键的作用。根据预测周期的不同,风速预测通常可以分为长期风速预测、中期风速预测和短期风速预测。长期风速预测主要用于风电场规划设计;中期风速预测主要用于电力系统的功率平衡和调度、交易、暂态稳定评估;短期风速预测主要用于发电系统的控制,其对于及时纠正电网并网计划中的偏差,完善电网并网计划,充分利用风能,减少因中长期预测中的偏差而限发的电量,并保证电网安全,有着重要的意义。但目前短期风速预测精度依然不足,提高短期风速预测精度成为目前亟待解决的问题。本文的重点集中在短期风速统计预测方法的开发研究上。本文以河西地区的风速为研究对象,系统分析了该地区不同站点的风速和风向的统计规律,并探讨了其变化特征。根据其变化特征,开发了叁类较高精度的短期风速统计预报方法,分别为基于周期矫正(SAM)的短期风速预测模型、基于经验模式分解(EMD)的风速预测模型和模型重组的新预测方法。这就为风力发电系统的控制和风电场的短期风功率预测系统的开发提供指导。其主要结果如下:1)开发的第一类研究方法,针对实际风速的复杂周期变化,将SAM应用于风速预测模型中。这类方法提出了两种基于SAM的短期风速预测模型,一种是将SAM和指数平滑法(ESM)相结合,我们称之为SAM-ESM模型,另一种是将SAM和小波神经网络(WNN)相结合,并用遗传算法(GA)对WNN进行了学习训练,我们称之为SAM-GA-WNN模型,利用这两种模型对河西地区的风速进行了短期预测,并将预测结果与传统的持续法(PM)预测结果进行了对比分析,结果表明,基于SAM的短期风速预测方法是一类较优的预测方法,能够提高预测精度。2)开发的第二类研究方法,针对风速数据序列的非平稳性,将处理非平稳信号的EMD方法应用于风速预测模型中。这类方法提出了两种基于EMD分解的风速预测模型,一种是将EMD分解和自回归移动平均(ARMA)模型相结合,我们称之为EMD-ARMA模型,另一种是将EMD分解和BP神经网络(BPNN)相结合,并用粒子群优化算法(PSO)对BPNN进行了学习训练,我们称之为EMD-PSO-BPNN模型,利用这两种模型对河西地区的风速进行了短期预测,并将预测结果与PM模型的预测结果进行了对比分析,结果表明,本研究所开发的第二类短期风速预测方法是一类较优的预测方法,能够提高预测精度。3)开发的第叁类研究方法,针对风速变化的不同模式,将模型重组的思想应用到风速预测模型中。这类方法提出了两种模型重组的新预测模型,一种是将ESM模型和WNN模型相结合,ESM模型主要是用来捕获风速变化的线性模式,WNN模型是来捕获非线性模式,并考虑到WNN建模预测的复杂性,采用GA对WNN进行学习训练,我们称之为ESM-GA-WNN模型,另一种是ARMA和BPNN模型相结合,并用PSO对BPNN进行学习训练,我们称之为ARMA-PSO-BPNN模型,利用这两种组合模型对河西地区的风速进行了短期预测,并将预测结果与PM模型的预测结果进行了对比分析,结果表明,本研究所开发的第叁类短期风速预测方法是一类较优的预测方法,能够提高预测精度。4)基于上述开发的叁类短期风速统计预测方法,对比分析了它们的预测结果,并对它们的适用性进行了研究,整体上来说,SAM-GA-WNN模型和EMD-PSO-BPNN模型是两种较优的模型。
黄昕[10]2009年在《高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究》文中指出高分辨率遥感影像(如QuickBird, IKONOS,SPOT-5等),能够提供大量的地面细节信息,因此展开了遥感应用的新纪元。但是,这种新型数据却对影像特征提取和分类提出了新的问题和挑战。由于影像复杂的空间排列,以及同类地物内部的光谱异质性,使得传统的光谱解译方法对高分辨率影像无法取得好的效果。高分辨率影像中,可以观测到更多的细节特征和小目标,这造成了同种地物内部的光谱变化和异质性,也使得不同地物之间的光谱差异减少。这种较高的类内变化和较低的类间差异,降低了各种地面覆盖物在光谱域的模式可分性。为了克服这一问题,需要有效的利用影像的纹理、结构、尺度和对象信息,弥补光谱特征的不足。本文分别从纹理、形状和对象的角度来提取和分析影像的特征,在此基础上,研究这些空间信息的多尺度特性,最后,用叁个高分辨率影像应用的实例(城市、农业和森林区域)来验证本文所提出的各种方法。在论文展开之前,我们首先分析了分类器对高分辨率影像解译的影响。本文提出使用机器学习和人工智能方法来处理高分辨率数据,并在实验中用多层感知器(MLP)、概率神经网络(PNN)、支持向量机(SVM)和关系向量机(RVM)进行了测试,结果发现：由于机器学习算法的非参数化性质,和自适应学习的能力,使之能够获得比传统的统计分类器(如极大似然法MLC、距离分类器MDM、光谱角制图SAM)更好的结果。但同时,实验结果也表明：尽管先进的分类方式能够提供更高的精度,但它们的结果仍然显示出某些系统性的误差。这种错误是无法通过分类器的革新来消除的,必须加入更多的决策信息,如更多的波段,纹理和结构信息等。换句话说,解决光谱相似性目标的区分需要更多的信息。因此,本文接下来将重点研究高分辨率影像的纹理、形状和面向对象特征。对于纹理信息提取,本文提出一种基于NSCT变换(非下采样小轮廓变换)的多方向多尺度纹理特征。NSCT变换可以分为两个具有移动不变性的部分：1)满足多尺度特性的非下采样金字塔结构,2)满足方向性的方向滤波簇。NSCT变换是小波变换的改进形式,它的优势主要在于对影像边缘和线特征的表达,因此,NSCT对于高分辨率影像的纹理结构特征提取更有潜力。实验结果显示：纹理信息的加入在视觉上和精度上都要优于传统的光谱分类方式。而且,NSCT特征得到了比小波纹理、GLCM纹理和空间自相关测度更好的结果。形状和结构特征是高分辨率影像的一个显着特性,它对人类的视觉更为敏感。我们原创性的提出一种像元形状指数(PSI),用来描述中心像元局部邻域的形状和轮廓信息。实验比较了PSI与小波纹理以及GLCM纹理特征,结果显示：PSI能够有效的描述上下文形状信息,提供了更高的精度。同时,在方向线直方图基础上,不仅可以提取PSI指数,也可以提取更多的结构指数(PSI的扩展算法),如：长、宽、长宽比、直方图方差等等,以弥补PSI特征的单一性。然后,针对多波段结构特征的相似性,本文提出一种特征相似性指数的维数减少算法,减少信息冗余和计算代价,并用BP神经网络、概率神经网络PNN,以及支持向量机来解译多元结构特征。QuickBird数据集和HYDICE航空影像数据的实验表明：SFS特征集能够得到比PSI更好的效果。对于对象信息的提取和影像的面向对象分析,本文针对eCognition软件的不足,提出一种自适应均值移动框架。其基本步骤是用均值移动来获取高分辨率影像的面向对象表达形式,然后用SVM进行解译。为了有效的利用均值移动分析,我们提出两种自适应带宽尺度算法：一种是基于影像局部结构(非监督),另一种是基于类别可分性测度(监督)。实验影像采用HYDICE航空数据和HYMAP航空影像。我们把提出的自适应均值移动算法和面向对象分析软件eCognition进行了详细的比较,结果说明了均值移动方法的稳健型和效率。在多元特征提取(纹理、结构和对象)的基础上,本文进一步研究了这些特征的多尺度性质,把纹理、结构和对象特征在尺度维进行扩展,研究多尺度特征表达和多尺度信息融合方法。本文提出了叁种多尺度融合方案：矢量迭力口(VS),SVM模糊输出(Fuzzy SVM),以及多分类器投票(Voting)。VS方法是把多尺度信息在特征空间进行迭加。模糊SVM方法的基本原理是对每个尺度的SVM输出函数值进行模糊化,选择不确定性最小的作为最优决策尺度和最优决策结果。实验用多个高分辨率数据集对四种多尺度特征表达方法进行了详细的测试,结果显示特征迭加和模糊SVM都能够有效的融合多尺度信息,达到单尺度下的最优精度。同时,实验说明：VS多尺度迭加的方法能够利用特征在尺度维的扩展,形成高维的尺度特征空间,在大多数测试结果中,VS能提供优于模糊SVM和Voting的结果。最后用叁个高分辨率遥感应用问题来验证本文提出的多尺度和多特征方法。具体包括：1)对LiDAR影像进行纹理特征、统计特征提取,并对航空影像和相应的LiDAR数据进行信息融合,对Denmark,Odense区域进行高精度高分辨率城市地面覆盖制图；2)使用多尺度形态学特征、多层面向对象分析方法,用IKONOS多光谱影像对Panama的Caribbean海岸的红树林进行树种区分和森林物种空间分布研究；3)使用多尺度光谱—纹理方式,用PHI航空影像,对江苏省常州市夏桥农业区域进行农作物物种识别和精细农业制图。
参考文献：
[1]. 应用于船舶动力定位的标准可加性模型智能控制方法研究[D]. 苏晓鹭. 大连海事大学. 2015
[2]. 基于SAM系统的模糊神经网络[D]. 王妮妮. 大连海事大学. 2002
[3]. 基于粒子滤波算法的SAM模糊神经网络训练[C]. 董国成, 刘红云, 周标准, 崔艳, 宋培. 第叁十一届中国控制会议论文集C卷. 2012
[4]. 基于标准可加性模型的模糊神经网络[J]. 王妮妮, 张强, 刘晓东. 大连海事大学学报. 2002
[5]. 基于SAM的模糊神经网络的月球车运动规划及控制模型[J]. 董国成, 刘红云, 李晖. 四川兵工学报. 2012
[6]. 数控机床热误差检测与建模研究[D]. 阳江源. 大连理工大学. 2010
[7]. 编组站综合自动化系统控制技术及其扩展应用的研究[D]. 曹桂均. 中国铁道科学研究院. 2013
[8]. 一种基于模糊神经网络采用再励学习的PID控制器[D]. 张云. 曲阜师范大学. 2003
[9]. 短期风速统计预报方法的开发研究[D]. 王聚杰. 兰州大学. 2014
[10]. 高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕. 武汉大学. 2009
标签：数学论文; 自动化技术论文; 模糊神经网络论文; 模型预测控制论文; 预测模型论文; 模糊理论论文; 模糊算法论文; 标准模型论文; 定位误差论文; 误差分析论文; 系统学习论文; 人工智能论文;