导读:本文包含了递归模糊神经网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:递归,神经网络,永磁,模糊,同步电动机,直线,不确定性。
递归模糊神经网络论文文献综述
李佳懿[1]（2019）在《永磁同步电机的递归模糊神经网络控制研究》一文中研究指出永磁同步电机以其结构简单、体积小、重量轻和功率因数高等优良特性,在很多领域得到广泛的应用。但是永磁同步电机是一种耦合性和非线性很强的被控系统,电机自身参数如转子电阻、转动惯量会随环境的变化而发生改变,进而影响电机系统的整体性能;传统PID控制是一种线性控制,现在控制系统多采用PI控制,但这种控制在控制永磁同步电机这种非线性对象时很难达到满意的效果。为了增强系统的鲁棒性,改善传统PI控制的永磁同步电机系统存在的局限性,本文采用模糊控制与神经网络控制相结合的控制方法,充分发挥两种控制的优势,达到提高系统的抗扰性和鲁棒性的目的。首先,本文对永磁同步电机的智能控制策略及其国内外发展现状进行了综述。在介绍永磁同步电机的结构和工作原理的基础上,建立了电机的数学模型,并介绍了永磁同步电机矢量控制系统的工作原理和矢量控制所采用的空间电压矢量脉宽调制技术。其次,针对传统PI控制在对永磁同步电机系统进行控制时不能满足现在人们对电机系统的高控制性能要求,传统的模糊控制学习能力差并且过分依赖专家经验的问题,引入神经网络控制,用神经网络学习模糊规则,设计了模糊神经网络PI控制器,作为永磁同步电机系统的速度调节器。使用MATLAB/Simulink搭建模糊神经网络PI控制器模型,并将模糊神经网络PI控制与传统模糊PI控制进行仿真比较。最后,为了进一步提高系统的鲁棒性,在综合分析永磁同步电机智能控制方法的基础上,采用模糊控制与递归神经网络控制相结合的控制方法,设计了递归模糊神经网络控制器,利用递归神经网络的自反馈特性提高系统的动态性能。为了进一步提高系统的控制精度和稳定性,引入反推控制,设计了反推递归模糊神经网络控制器。使用MATLAB/Simulink对设计的两种控制器进行仿真验证。(本文来源于《沈阳工业大学》期刊2019-06-04）
刘龙翔[2]（2019）在《直线电机驱动的H型平台递归小波模糊神经网络控制》一文中研究指出由于H型运动平台具有双直线电机共同驱动的平行系统,以及其高精度和高动态性能的优点,近些年已经在越来越多的领域获得应用。本文针对H型运动平台不确定扰动及其双轴机械耦合的问题,建立包含横梁干扰力的双轴数学模型。设计H型运动平台单轴全局滑模控制器和双轴递归小波模糊神经网络补偿控制器,以提高平台的跟踪精度和同步精度。首先,本文介绍了永磁直线同步电机和H型运动平台的发展现状、结构特点及工作原理。针对直线电机驱动的H型运动平台在实际应用过程中,由于X轴负载往复运动造成的Y方向双直线电机受力不均问题,建立了考虑变化横梁干扰力与不确定项的H型运动平台数学模型。然后,根据永磁直线同步电机的负载变化及扰动问题,设计了单轴全局滑模控制器,提高系统跟踪精度并抑制高频抖振。利用李雅普诺夫定理,验证了所设计的全局滑模控制器的稳定性。为了提高运动平台双轴同步精度,将单轴跟踪误差与双轴同步误差相结合,根据结合后的混合误差设计双轴交叉耦合控制器,并将混合误差作为单轴控制器的输入信号。使用MATLAB/Simulink对所设计的控制系统进行仿真,验证所设计的方法可以减小系统的跟踪误差与同步误差。最后,为了进一步减小运动平台的双轴同步误差,提高系统的稳定性,将能够进行时变信号分析的小波转换和具有动态能力的递归结构与模糊神经网络相结合,利用神经网络的学习能力对小波函数中的伸缩与平移因子、模糊结构中的均值与标准差以及各层之间的连接权重进行学习调整,根据双轴同步误差设计递归小波模糊神经网络补偿器取代交叉耦合同步控制器。使用MATLAB/Simulink对所设计的补偿器进行仿真,并与采用交叉耦合控制器的仿真结果进行比较,分析两种控制器的仿真结果。(本文来源于《沈阳工业大学》期刊2019-06-04）
吴冀杭,刘争臻,李海波[3]（2019）在《基于递归函数链模糊神经网络的永磁直线同步电动机位置控制》一文中研究指出针对高精度永磁直线同步电动机(permanent magnet linear synchronous motor,PMLSM)存在参数变化、负载扰动、摩擦力等不确定性因素而影响电机伺服性能的问题,提出递归函数链模糊神经网络控制(RFLFNN)保证系统的伺服性能。首先在磁场定向控制下建立PMLSM伺服系统动态数学模型。其次,将函数链神经网络(FLNN)和递归模糊神经网络(RFNN)相结合设计RFLFNN控制策略,利用FLNN实现神经网络的函数扩展,提高系统的非线性逼近能力并对系统参数进行辨识; RFNN采用反向传播算法实时更新并调整神经网络的参数值,对系统中存在的不确定性因素进行估计以抑制不确定性因素对系统的影响。最后,通过系统实验证明所提方法的有效性,实验结果表明,与RFNN相比,该方法极大地改善了PMLSM伺服系统的位置跟踪性能。(本文来源于《科学技术与工程》期刊2019年15期）
熊渊琳,方宝英[4]（2019）在《基于TSK型递归模糊神经网络的永磁直线同步电机位置控制研究》一文中研究指出针对基于磁场定向控制的永磁直线同步电机(PMLSM)伺服系统的位置精准控制问题,提出了一种TSK型递归模糊神经网络(TSKRFNN)控制方法。在考虑了系统易受参数变化、外部扰动和摩擦力等不确定性因素影响的基础上,建立了含有不确定性因素在内的PMLSM动态数学模型;利用TSKFRNN对系统同时进行了实时在线的结构学习和参数学习,提高了系统抑制不确定性因素的鲁棒性,保证了系统的动态跟踪性能。实验及研究结果表明:与模糊神经网络PID控制方法相比,TSKFRNN可以有效辨识电机参数,抑制系统的不确定性对系统伺服性能的影响,提高了系统的鲁棒性和跟踪性能。(本文来源于《机电工程》期刊2019年04期）
周杉杉,李文静,乔俊飞[5]（2018）在《基于MRMR-PSO的递归模糊神经网络PM2.5预测模型》一文中研究指出针对PM2.5浓度预测中存在的特征变量之间关系复杂、信息冗余问题,提出了一种基于互信息最大相关最小冗余(maximum relevance-minimum redundancy,MRMR)准则结合粒子群优化算法(particle swarm optimization,PSO)的混合特征选择算法,并采用所设计的递归模糊神经网络(recurrent fuzzy neural network,RFNN)为预测模型实现PM2.5浓度预测。首先根据MRMR准则对变量的互信息进行计算并排序,过滤掉一些相关性小的特征。然后将PSO优化算法与RFNN预测模型结合,以RFNN的预测精度作为PSO的适应度函数在过滤得到的特征中选择出最优特征子集,作为RFNN模型的输入变量。将该方法用于PM2.5浓度预测实验,与3种不同特征选择算法的结果进行对比,基于互信息和PSO混合特征选择方法的RFNN预测模型利用最少的特征获得了最小的预测误差,说明该方法能够有效地用于PM2.5浓度预测。(本文来源于《计算机与应用化学》期刊2018年10期）
周杉杉[6]（2018）在《基于自组织递归模糊神经网络的PM2.5浓度预测研究》一文中研究指出近几年,雾霾天气以越来越高的频率,越来越大的范围出现在我们的生活中,严重影响身体健康和正常的生产生活,空气质量也逐渐成为人们关注的热点问题。PM2.5作为造成雾霾天气的主要因素,其浓度变化受到污染物直接排放、污染物二次转化、气象条件、地形地势等多种因素的影响,具有明显的非线性动态特性,预测难度较大。因此,文章对PM2.5的预测方法进行了研究,并完成了预测软件的开发,将研究结果应用到我们的日常生活。论文的主要研究内容有以下几点:1.针对PM2.5影响变量较多且变量之间互相影响关系复杂问题,提出了基于互信息和粒子群优化(Particle Swarm Optimization,PSO)的filter-wrapper混合特征选择算法。在filter阶段,充分考虑各个变量与PM2.5的最大相关性以及变量之间的冗余性,基于互信息最大相关最小冗余原则(Maximum Relevance Minimum Redundancy,MRMR)对变量排序,进行特征子集初选。然后在wrapper阶段,以初选特征子集为初始搜索范围,以神经网络预测精度作为PSO优化算法的适应度函数进行寻优,从而确定最优特征子集。最后将该特征选择方法与其他方法进行了实验对比,验证了该方法的有效性。2.设计了一种基于模糊规则完备性和偏最小二乘法(partial least squares,PLS)的自组织递归模糊神经网络。首先在模糊神经网络的规则层加入含内部变量的反馈连接构成递归模糊神经网络(Recurrent Fuzzy Neural Network,RFNN)以增强网络的动态信息处理能力。然后针对RFNN结构难以确定的问题,提出了基于模糊规则完备性和PLS的结构自组织机制。同时,为了加快神经网络训练时的收敛速度,采用学习率自适应梯度下降算法调整网络参数。最后通过两个经典非线性实验,从网络结构和逼近精度两方面验证了所设计的神经网络的有效性。3.建立了PM2.5浓度预测模型。以北京市某空气质量监测站为研究对象,采集该站点的小时气象数据和污染物数据,利用filter-wrapper的特征选择方法,以自组织递归模糊神经网络(Self-Organizing Recurrent Fuzzy Neural Network,SORFNN)的预测精度为PSO的适应度函数确定了7维的特征子集,将该7维变量作为SORFNN的输入进行PM2.5小时浓度的预测。与其他算法的性能比较结果表明,所设计的预测模型能够有效的预测PM2.5的小时浓度。4.开发了一款PM2.5智能预测手机应用软件,使用户能够更方便快捷的获知PM2.5预测浓度。该软件以SORFNN预测方法为理论依据,在Eclipse Java EE开发环境下使用Java语言进行开发,包括模型训练、服务器端、android客户端叁个模块,可以实现PM2.5小时浓度预测、天气和空气状况实时查询、历史数据查询等功能。(本文来源于《北京工业大学》期刊2018-05-01）
周杉杉,李文静,乔俊飞[7]（2018）在《基于自组织递归模糊神经网络的PM2.5浓度预测》一文中研究指出针对PM2.5浓度非线性动态变化的特点,提出了一种自组织递归模糊神经网络(self-organizing recurrent fuzzy neural network,SORFNN)方法预测PM2.5小时浓度。首先,通过分析影响PM2.5浓度的多种因素,利用主成分分析法(principal component analysis,PCA)筛选出与PM2.5浓度相关性较强的特征变量作为神经网络的输入变量。然后,根据ε准则和偏最小二乘算法(partial least squares,PLS)进行规则化层神经元的增删,实现递归模糊神经网络结构的自动调整,并采用学习率自适应的梯度下降算法调整模型中心、宽度和权值等参数,建立PM2.5预测模型。最后,利用典型非线性系统辨识和实际PM2.5浓度预测实验进行验证。实验结果表明,所设计的自组织递归模糊神经网络结构精简且预测精度高,较好地满足了PM2.5实时预测的要求。(本文来源于《智能系统学报》期刊2018年04期）
韩改堂,乔俊飞,韩红桂[8]（2016）在《基于自适应递归模糊神经网络的污水处理控制》一文中研究指出针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.(本文来源于《控制理论与应用》期刊2016年09期）
陈勇,王昕,王振雷[9]（2016）在《基于模糊递归小波神经网络的非线性多模型自适应控制》一文中研究指出针对一类非线性离散时间系统,设计了非线性多模型自适应控制器。该控制器包含一个线性自适应模型和一个非线性自适应模型。线性自适应模型用于保证系统的稳定性,非线性自适应模型采用模糊递归小波神经网络,具有结构简单,收敛快速,能够避免因为初值的选取而陷入局部最优。然后设计多模型切换准则,保证在任意时刻内都能够选择性能好的控制器进行系统控制。最后仿真应用结果验证了上述方法具有更好的跟踪能力,可以改善系统控制效果。(本文来源于《第27届中国过程控制会议（CPCC2016）摘要集》期刊2016-07-31）
张一弛[10]（2016）在《基于递归模糊神经网络的出水总磷软测量研究及技术实现》一文中研究指出磷是引起水体富营养化、导致藻类大量繁殖的主要因子,是水环境污染和水体富营养化问题的主要因素,控制水体富营养化的一项重要举措就是将富含磷的污水进行处理,并且严格限制污水处理出水中总磷的排放。因此,出水总磷的实时检测是实现污水处理出水水质达标的重要手段,也是提高污水处理监测水平,降低能量消耗、化学药品消耗等的有效途径。污水处理过程主要通过生物化学反应,将有机物从污水中分离出来,使污水得到净化,现有总磷检测手段存在测量时间长、操作复杂及易造成二次污染等缺点。此外,由于污水处理过程中环境复杂多变,且各种运行变量相互关联,难以精确建立总磷的数学模型。因此,为了实现污水处理过程出水总磷的实时检测,文中提出了基于递归模糊神经网络(RFNN)的出水总磷软测量模型,实现了出水总磷的实时预测;同时,开发了基于出水总磷软测量模型的智能检测系统,并在污水处理厂中进行应用,实现了出水总磷的实时检测,提高了污水处理厂的自动化水平。该论文主要研究工作及研究成果包括以下几点:1.完成了出水总磷特征分析及相关性变量的研究:基于污水处理过程中生化反应机理与过程历史数据,分析出水总磷与其他过程变量的关系,利用机理分析及偏最小二乘算法从11类过程参数中筛选出与出水总磷相关性较高的过程变量,包括:出水温度T、厌氧区末端氧化还原电位ORP、好氧区前端溶解氧DO、好氧区末端总固体悬浮物TSS以及出水pH;2.完成搭建出水总磷软测量模型:基于获取的出水总磷相关性变量,建立了基于递归模糊网络的出水总磷软测量模型,并利用实际污水处理厂的运行数据对模型进行训练与修正,实现了污水处理过程出水总磷的预测。实验分析结果表明:基于递归模糊神经网络的出水总磷软测量模型能够获得较高的预测精度,与标准模糊神经网络及其他建模方法相比,文中提出的出水总磷软测量模型能够获得更好的预测效果;3.设计、开发并实际应用了出水总磷智能检测系统:首先,以A2/O工艺为标准搭建了出水总磷软测量硬件平台及相关性变量数据实时获取通路,解决了出水总磷相关性变量实时获取的问题,通过将获取的变量数据进行时间同步,确保了数据的准确性与可用性。其次,将数据采集、数据传输、软测量模块及可视化模块进行封装,完成了出水总磷智能检测系统的集成。最后,利用C#语言在Visual Studio编程环境下完成人机交互界面的开发,基于实时获取的出水总磷相关性变量数据,实现出水总磷检测值的实时运算与显示,并将设计的出水总磷智能检测系统应用于实际污水处理厂,完成了出水总磷智能检测系统的应用效果测试。(本文来源于《北京工业大学》期刊2016-06-01）
递归模糊神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于H型运动平台具有双直线电机共同驱动的平行系统,以及其高精度和高动态性能的优点,近些年已经在越来越多的领域获得应用。本文针对H型运动平台不确定扰动及其双轴机械耦合的问题,建立包含横梁干扰力的双轴数学模型。设计H型运动平台单轴全局滑模控制器和双轴递归小波模糊神经网络补偿控制器,以提高平台的跟踪精度和同步精度。首先,本文介绍了永磁直线同步电机和H型运动平台的发展现状、结构特点及工作原理。针对直线电机驱动的H型运动平台在实际应用过程中,由于X轴负载往复运动造成的Y方向双直线电机受力不均问题,建立了考虑变化横梁干扰力与不确定项的H型运动平台数学模型。然后,根据永磁直线同步电机的负载变化及扰动问题,设计了单轴全局滑模控制器,提高系统跟踪精度并抑制高频抖振。利用李雅普诺夫定理,验证了所设计的全局滑模控制器的稳定性。为了提高运动平台双轴同步精度,将单轴跟踪误差与双轴同步误差相结合,根据结合后的混合误差设计双轴交叉耦合控制器,并将混合误差作为单轴控制器的输入信号。使用MATLAB/Simulink对所设计的控制系统进行仿真,验证所设计的方法可以减小系统的跟踪误差与同步误差。最后,为了进一步减小运动平台的双轴同步误差,提高系统的稳定性,将能够进行时变信号分析的小波转换和具有动态能力的递归结构与模糊神经网络相结合,利用神经网络的学习能力对小波函数中的伸缩与平移因子、模糊结构中的均值与标准差以及各层之间的连接权重进行学习调整,根据双轴同步误差设计递归小波模糊神经网络补偿器取代交叉耦合同步控制器。使用MATLAB/Simulink对所设计的补偿器进行仿真,并与采用交叉耦合控制器的仿真结果进行比较,分析两种控制器的仿真结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
递归模糊神经网络论文参考文献
[1].李佳懿.永磁同步电机的递归模糊神经网络控制研究[D].沈阳工业大学.2019
[2].刘龙翔.直线电机驱动的H型平台递归小波模糊神经网络控制[D].沈阳工业大学.2019
[3].吴冀杭,刘争臻,李海波.基于递归函数链模糊神经网络的永磁直线同步电动机位置控制[J].科学技术与工程.2019
[4].熊渊琳,方宝英.基于TSK型递归模糊神经网络的永磁直线同步电机位置控制研究[J].机电工程.2019
[5].周杉杉,李文静,乔俊飞.基于MRMR-PSO的递归模糊神经网络PM2.5预测模型[J].计算机与应用化学.2018
[6].周杉杉.基于自组织递归模糊神经网络的PM2.5浓度预测研究[D].北京工业大学.2018
[7].周杉杉,李文静,乔俊飞.基于自组织递归模糊神经网络的PM2.5浓度预测[J].智能系统学报.2018
[8].韩改堂,乔俊飞,韩红桂.基于自适应递归模糊神经网络的污水处理控制[J].控制理论与应用.2016
[9].陈勇,王昕,王振雷.基于模糊递归小波神经网络的非线性多模型自适应控制[C].第27届中国过程控制会议（CPCC2016）摘要集.2016
[10].张一弛.基于递归模糊神经网络的出水总磷软测量研究及技术实现[D].北京工业大学.2016
论文知识图
