模糊神经网络及其在电火花加工中的应用

《模糊神经网络及其在电火花加工中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、青岛科技大学研究生学位论文模糊神经网络及其在电火花／JⅡX_中的应用摘要目前，神经网络和模糊逻辑成为当前智能控制研究的热点之一，将模糊逻辑与神经网络有机地结合起来，就产生了模糊神经网络。模糊神经网络融合了二者的优点，既能像模糊逻辑那样表达近似与定性知识，又具有神经网络很强的学习能力和非线性表达能力，而且网络结构具有明确的物理意义。然而，常规的模糊神经网络在设计过程中仍存在以下两方面的问题：(1)如何确定模糊规则数目以及前提部分和结论部分的初始参数，即初始模糊模型的确定。对于一般的模糊神经网络，模糊模型的结构通常由专家知识确定，但有时难以总结出较完

2、整的规则，或由于存在对象动态特性变化及干扰影响等使控制规则难以获得预期效果。(2)目前广泛应用的模糊神经网络系统，由于大都不具备反馈结构，而使其应用范围还仅限于处理静态问题。实际上，过程对象往往具有动态特性，过程变量是时间的函数，因此，研究具有动态特性的模糊神经网络具有更为实际的意义。针对问题一，本文提出了一种改进的关系度聚类方法，进而提出了一种综合改进的关系度聚类方法和梯度下降法的补偿模糊神经网络。通过对一非线性系统的建模，仿真结果表明，该网络在建模精度、收敛速度上，均优于常规模糊神经网络和补偿模糊神经网络。针对问题二，本文提出了一种综合改进的

3、关系度聚类方法和梯度下降法的递归补偿模糊神经网络。通过在常规补偿模糊神经网络的第二层引入递归环节，使其具有动态映射能力。通过对～动态非线性系统的建模，仿真结果验证了该网络的动态映射能力。最后，本文分析总结了已有的电火花加工过程中的控制技术。并根据电火花加工的工艺特点及其复杂性，采用本文提出的基于综合算法的递归补偿模糊神经网络建立了电火花加工工艺效果预测模型，可实现指定加工条件下的工艺效果预测。仿真结果表明了其良好的预测精度。关键词：模糊神经网络补偿模糊神经网络聚类算法递归环节电火花加工童壁型焦查堂堡塑生堂垡笙塞CoMPENSAToRYNEURAL

4、FUZZYNETWORKANDlTSAPPLICATIoNSINEDMABSTRACTNowadays，neuralnetworksandfuzzylogicsystemshavebeenbecomingthefocusoftheresearchesinthefieldofintelligentcontr01．OncethetwotechniquesarecombinedtogetheLtheNeuralFuzzyNetwork(NFN)Wasbona，whichhastheadvantagesofbothofthem．Notonlycarlit

5、expressapproximateandqualitativeknowledge，likeFuzzyLogic．butalsoithasthestrongabilityoflearningandexpressingnon—linearity．Moreimportantly,itsstructuresofnetworkshaveclearphysicalimerpretationtoUSerS．However，thereexiatwoproblemsintheprocessofdesigningthetraditionalNFNasfollows

6、：(】)hisnoteasytodetemlinetheinitiedfuzzymodel，includingthenumberoffuzzyrules，theinitialparametervaluesinthepremisepartandtheconsequentpart．FortheaverageNFN，thestructureofitsfuzzymodelisusuallydeterminedbyexpertknowledge．However,sometimesitisdifficulttoextractthefullrules，orit

7、Can’tobtaintheexpectedresultsbecauseofthevariabledynamiccharacteristicsoftheobjectsandtheinfluenceofdisturbance．(2)TheNFNsystemsusedwidelynowalelimitedtodealwiththestaticproblems，becauseoftheabsenceofreeluxentstructureinthem．Infact，mostprocessesarealwaysdynamicandthevariables

8、ofthemalethefunctionsoftime．Therefore．itisverypracticaltostudytheNFN