近年來(lái)隨著人工智能的興起,基于神經(jīng)網(wǎng)絡(luò)等人工智能算法的建模方式在理論和解釋性上都已經(jīng)得到了很大的發(fā)展,并且已經(jīng)通過(guò)神經(jīng)網(wǎng)絡(luò)解決了一些實(shí)際應(yīng)用中的問(wèn)題,如:在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、工業(yè)檢測(cè)、時(shí)間序列預(yù)測(cè)等方面的成果正不斷涌現(xiàn)。然而,通用的神經(jīng)網(wǎng)絡(luò)模型難以在工業(yè)實(shí)際中大規(guī)模部署的一個(gè)重要原因是,在工業(yè)數(shù)據(jù)的采集過(guò)程中數(shù)據(jù)不確定性、部分真實(shí)性普遍存在,表現(xiàn)為數(shù)據(jù)中存在隨機(jī)性、模糊性以及不可預(yù)知性,導(dǎo)致模型在復(fù)雜工業(yè)環(huán)境中,尤其是存在多種擾動(dòng)及不確定因素下模型的魯棒性不夠理想。因此,研究基于智能算法的魯棒性模型具有重要的理論意義和應(yīng)用參考價(jià)值。Takagi-Sugeno（TS）模糊推理系統(tǒng)因其出色的解釋性、局部逼近能力以及相對(duì)精細(xì)化的網(wǎng)絡(luò)結(jié)構(gòu),近年來(lái)基于TS模糊邏輯的神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的模糊神經(jīng)網(wǎng)絡(luò)建模方式。本文基于TS模糊邏輯的魯棒自組織神經(jīng)網(wǎng)絡(luò)架構(gòu),通過(guò)改進(jìn)模型的結(jié)構(gòu)及計(jì)算方式依次為T(mén)S型模糊神經(jīng)網(wǎng)絡(luò)在工業(yè)分類檢測(cè)與回歸預(yù)測(cè)中的三個(gè)熱點(diǎn)應(yīng)用問(wèn)題提供了魯棒模型及其算法實(shí)現(xiàn),并通過(guò)兩個(gè)工業(yè)實(shí)際應(yīng)用來(lái)驗(yàn)證算法的魯棒性。具體研究?jī)?nèi)容如下:（1）針對(duì)工業(yè)分類檢測(cè)中正常工況下由于離群樣本產(chǎn)生的... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

正庚烷和酒精燈燃燒的采樣信號(hào)

第三章基于TS型模糊神經(jīng)網(wǎng)絡(luò)的魯棒檢測(cè)模型23圖3-4正庚烷和酒精燈燃燒的采樣信號(hào)圖3-5蠟燭燃燒和電烙鐵的采樣信號(hào)圖3-6手機(jī)燈和自然光照射的采樣信號(hào)為了得到更優(yōu)良、穩(wěn)定的火焰識(shí)別效果，對(duì)時(shí)域內(nèi)的信號(hào)依次進(jìn)行了如下預(yù)處理：(1)首先將采集到4.3微米通道的時(shí)域信號(hào)減去基準(zhǔn)電壓(2V)，之后每200個(gè)采樣

第三章基于TS型模糊神經(jīng)網(wǎng)絡(luò)的魯棒檢測(cè)模型23圖3-4正庚烷和酒精燈燃燒的采樣信號(hào)圖3-5蠟燭燃燒和電烙鐵的采樣信號(hào)圖3-6手機(jī)燈和自然光照射的采樣信號(hào)為了得到更優(yōu)良、穩(wěn)定的火焰識(shí)別效果，對(duì)時(shí)域內(nèi)的信號(hào)依次進(jìn)行了如下預(yù)處理：(1)首先將采集到4.3微米通道的時(shí)域信號(hào)減去基準(zhǔn)電壓(2V)，之后每200個(gè)采樣

【參考文獻(xiàn)】：
期刊論文
[1]基于正則化卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法[J]. 張海波.  信息技術(shù). 2019(06)
[2]基于LASSO回歸的紅外火焰探測(cè)器的設(shè)計(jì)與實(shí)現(xiàn)[J]. 譚勇,謝林柏,馮宏偉,溫子騰.  激光與紅外. 2019(06)
[3]四波段紅外火焰探測(cè)器的識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)[J]. 馮宏偉,謝林柏.  紅外技術(shù). 2018(05)
[4]基于自組織遞歸模糊神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測(cè)[J]. 周杉杉,李文靜,喬俊飛.  智能系統(tǒng)學(xué)報(bào). 2018(04)
[5]基于改進(jìn)K均值聚類的異常檢測(cè)算法[J]. 左進(jìn),陳澤茂.  計(jì)算機(jī)科學(xué). 2016(08)
[6]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[7]基于SOTSFNN的溶解氧濃度控制方法[J]. 喬俊飛,付文韜,韓紅桂.  化工學(xué)報(bào). 2016(03)
[8]基于改進(jìn)聚類分析的網(wǎng)絡(luò)流量異常檢測(cè)方法[J]. 李洪成,吳曉平,姜洪海.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2015(01)
[9]改進(jìn)型T-S模糊神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的研究[J]. 張維杰,田建艷,王芳,張曉明,韓肖清,王鵬.  自動(dòng)化儀表. 2014(12)
[10]改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)用于生化需氧量的軟計(jì)算（英文）[J]. 喬俊飛,李微,韓紅桂.  Chinese Journal of Chemical Engineering. 2014(Z1)

博士論文
[1]復(fù)雜場(chǎng)景下基于深度學(xué)習(xí)的魯棒性語(yǔ)音識(shí)別的研究[D]. 屠彥輝.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]面向農(nóng)作物葉片病害魯棒性識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)研究[D]. 曾偉輝.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[3]基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量分類及異常檢測(cè)方法研究[D]. 王偉.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[4]核電站設(shè)備狀態(tài)無(wú)線監(jiān)測(cè)系統(tǒng)魯棒性數(shù)據(jù)通信與處理研究[D]. 鄧昌建.電子科技大學(xué) 2015
[5]基于多元時(shí)間序列的關(guān)聯(lián)分析及預(yù)測(cè)方法研究[D]. 李德才.大連理工大學(xué) 2012
[6]離群檢測(cè)及其優(yōu)化算法研究[D]. 楊鵬.重慶大學(xué) 2010
[7]入侵檢測(cè)的神經(jīng)網(wǎng)絡(luò)方法[D]. 劉貴松.電子科技大學(xué) 2007

碩士論文
[1]基于改進(jìn)RNN及密度聚類的異常流量檢測(cè)方法[D]. 曾霄笑.北京郵電大學(xué) 2019
[2]多模態(tài)數(shù)據(jù)融合與傳輸關(guān)鍵技術(shù)研究[D]. 倪雪婷.電子科技大學(xué) 2019
[3]基于尖峰自組織模糊神經(jīng)網(wǎng)絡(luò)的短期需水量預(yù)測(cè)[D]. 張力.北京工業(yè)大學(xué) 2018
[4]基于自組織二型模糊神經(jīng)網(wǎng)絡(luò)的污泥膨脹智能診斷[D]. 陳治遠(yuǎn).北京工業(yè)大學(xué) 2018
[5]基于交替方向乘子算法的l1正則化極限學(xué)習(xí)機(jī)的算法研究[D]. 劉知音.北京化工大學(xué) 2018
[6]非均衡缺失數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)建模及其應(yīng)用[D]. 周新民.南京航空航天大學(xué) 2018
[7]基于RVFLNs的數(shù)據(jù)驅(qū)動(dòng)多元鐵水質(zhì)量參數(shù)魯棒建模[D]. 呂友彬.東北大學(xué) 2017
[8]基于離群點(diǎn)檢測(cè)的在線軟測(cè)量方法研究[D]. 王春鵬.中國(guó)石油大學(xué)(華東) 2014
[9]三波段紅外火焰探測(cè)器的研究與開(kāi)發(fā)[D]. 袁積德.浙江大學(xué) 2012
[10]幾種魯棒的智能建模新方法及其應(yīng)用研究[D]. 張榮.江南大學(xué) 2012



本文編號(hào)：3074676