基于系统辨识与T-S模糊神经网络的磨矿分级控制

吉林大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (01): 171-0175.

基于系统辨识与T-S模糊神经网络的磨矿分级控制

赵宏伟^1,2,齐一名¹,臧雪柏¹,张孝临¹,马英喆¹

1.吉林大学计算机科学与技术学院|长春 130012；2.吉林大学符号计算与知识工程教育部重点实验室|长春 130012

收稿日期:2009-11-26 出版日期:2011-01-01 发布日期:2011-01-01
通讯作者: 赵宏伟(1962-),男,教授,博士生导师.研究方向:智能信息系统与嵌入式技术.E-mail:zhaohw@jlu.edu.cn E-mail:zhaohw@jlu.edu.cn
作者简介:赵宏伟(1962-),男,教授,博士生导师.研究方向:智能信息系统与嵌入式技术.E-mail:zhaohw@jlu.edu.cn
基金资助:
“十一五”国家科技支撑计划项目（2006BAC21B01）；鞍钢集团科技攻关计划项目（2007科A23）.

Control of milling classification using system identification
and T-S fuzzy neural network

ZHAO Hong-wei^1,2,QI Yi-ming¹,ZANG Xue-bai¹,ZHANG Xiao-lin¹,MA Ying-zhe¹

1.College of Computer Science and Technology,Jilin University, Changchun 130012,China;2.Key Laboratory of Symbolic Computation and Knowledge Engineering, Ministry of Education, Jilin University, Changchun 130012,China

Received:2009-11-26 Online:2011-01-01 Published:2011-01-01

摘要/Abstract

摘要：

针对磨矿分级过程控制中具有的慢时变、非线性特征，提出了一种基于系统辨识的自适应模糊推理网络模型，并应用于磨矿控制领域。利用模糊聚类法对现有数据样本进行系统辨识，自动获取模糊规则库和相应的初始参数。依据得到的模糊系统构建基于TakageSugeno推理模型的自适应模糊神经网络推理系统，获得比传统的模糊神经网络具有更强的自适应性和更快的运算速度。仿真实验结果显示，本文设计的控制模型在磨矿控制过程中具有较好的应用效果。

关键词: 人工智能, 模糊神经网络, 系统辨识, 自适应控制, 磨矿分级控制

Abstract:

Milling classification control is a slow timedelaying and nonlinear process. A control method was presented based on fuzzy neural network. To automatically acquire the fuzzy rules and the initial parameters of the algorithm, the fuzzy clustering was used in system identification. According to the received fuzzy system, an adaptivenetwork based fuzzy inference system was built on TakageSugone inference model with no professional experience, the capability of which is more adaptive and faster than traditional Fuzzy Neural Network (FNN). Computer simulation of a milling classification control process was carried out, which validates the proposed control method.

Key words: artificial intelligence, fuzzy neural network, system identification, adaptive control, milling classification control

中图分类号:

TP274

赵宏伟,齐一名,臧雪柏,张孝临,马英喆. 基于系统辨识与T-S模糊神经网络的磨矿分级控制[J]. 吉林大学学报(工学版), 2011, 41(01): 171-0175.

ZHAO Hong-wei,QI Yi-ming,ZANG Xue-bai,ZHANG Xiao-lin,MA Ying-zhe. Control of milling classification using system identification
and T-S fuzzy neural network[J]. 吉林大学学报(工学版), 2011, 41(01): 171-0175.

参考文献

相关文章 15

[1]	顾万里,王萍,胡云峰,蔡硕,陈虹. 具有H_∞性能的轮式移动机器人非线性控制器设计[J]. 吉林大学学报(工学版), 2018, 48(6): 1811-1819.
[2]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[3]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[4]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[5]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[6]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[7]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[8]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[9]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.
[10]	杨欣, 夏斯军, 刘冬雪, 费树岷, 胡银记. 跟踪-学习-检测框架下改进加速梯度的目标跟踪[J]. 吉林大学学报(工学版), 2018, 48(2): 533-538.
[11]	刘雪娟, 袁家斌, 许娟, 段博佳. 量子k-means算法[J]. 吉林大学学报(工学版), 2018, 48(2): 539-544.
[12]	曲慧雁, 赵伟, 秦爱红. 基于优化算子的快速碰撞检测算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1598-1603.
[13]	李嘉菲, 孙小玉. 基于谱分解的不确定数据聚类方法[J]. 吉林大学学报(工学版), 2017, 47(5): 1604-1611.
[14]	邵克勇, 陈丰, 王婷婷, 王季驰, 周立朋. 无平衡点分数阶混沌系统全状态自适应控制[J]. 吉林大学学报(工学版), 2017, 47(4): 1225-1230.
[15]	王生生, 王创峰, 谷方明. OPRA方向关系网络的时空推理[J]. 吉林大学学报(工学版), 2017, 47(4): 1238-1243.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed