Visual C++调用MATLAB建造模糊专家推理系统

探讨了构建模糊专家推理系统的过程，在阐明了模糊专家推理系统的结构组成和功能的基础上。详细叙述了VisualC＋＋的程序设计，还详述了VisualC＋＋通过COM组件形式调用MATLAB的模糊推理函数的方法。结果表明本方法构建的模糊推理系统可靠性高、开发周期短。     

一种模糊知识库系统及其推理机制研究

介绍了一种具有模糊推理机制的模糊知识系统的基本结构、知识表示和推理机制，阐述了在模糊知识库设计与实现中，模糊推理机构造和工作流程设计的方法。该系统推理机制是基于传统PETE算法的扩展，通过使用相似性方法来处理模糊问题，实现了一种较为理想的不确定性推理；同时系统采用正向和反向推理相结合的双向推理机，使推理具有较高的准确性。最后给出了一个实例验证系统可行性。     

一种自适应神经模糊运动规划器设计

使用减法聚类和自适应神经模糊网络方法设计了一种水下机器人运动规划器。根据输入、输出数据的特性,用减法聚类算法,确定模糊系统的初始结构和参数,避免了模糊逻辑系统设计中隶属函数确定及模糊规则自动提取的盲目性和随机性。提出将神经模糊系统参数分解为非线性前提参数和线性结论参数并分开辨识。采用梯度下降算法和最小二乘算法分别进行自适应模糊推理系统前后件参数的优化。仿真结果表明:在相同的仿真环境下,所设计的自适应神经模糊运动规划器的规划效果要好于模糊运动规划器。     

基于Vague集模糊推理的多评价指标模糊决策方法

目前在智能领域中对Vague集的研究已越来越广泛与深入，并运用于决策问题中，有学者已把Vague集用于多评价指标的模糊决策中，但其决策方法在某些时候却难以得到目标。为此，本文提出了一个基于Vague集模糊推理的多评价指标模糊决策方法。在这个方法中，从基于Vague集的模糊推理的观点来看待模糊决策问题。将评价指标和候选方案之间的关系用一组基于Vague集的推理规则来表示，将决策者的要求用一组Vague集来表示，经过模糊推理等过程最后得到决策结果。然后还给出了一个实例说明这种多评价指标模糊决策方法。这个基于Vague集模糊推理的多评价指标模糊决策方法的提出为决策系统提供了一个有用的工具。     

模糊神经网络在火灾报警系统中的应用

提出一种利用神经网络和模糊推理系统设计火灾报警系统的方法，该系统将模糊系统和神经网络结合起来，实现模糊系统的自学习和自适应功能，提高火灾报警的准确性，减少了火灾报警系统漏报率和误报率。神经网络的学习方法提高了该系统智能化程度。实现了消防系统智能化。     

神经网络模糊推理系统在火灾探测中的应用

提出了一种用于火灾自动探测的神经网络模糊推理系统，它采用前馈神经网络对火灾探测器信号进行处理，神经网络输出的火灾概率经模糊推理系统判决，输出火灾报警信号。这种方法结合了神经网络和模糊逻辑的优点，实验表明这种系统能够准确探测火灾并减少了误报警。     

基于自适应神经网络模糊推理的负荷预测

针对中长期负荷预测,本文将模糊理论与神经网络相结合,提出了基于高木-关野自适应神经网络模糊推理系统的中长期负荷预测模型.该模型采取神经网络技术对模糊信息进行处理.使得模糊推理系统的模糊规则和模糊隶属度函数能通过学习功能自动生成,从而有效地解决了模糊理论中必须根据专家经验人为制定规则和隶属度函数的瓶颈及采用神经网络所获得的输入/输出关系不易被人接受的问题;并以湖南省安乡县经济发展指标和全社会用电量为基础数据,通过高木--关野自适应神经网络模糊推理系统对安乡县预测年份全社会用电量水平的进行预测分析.算例表明,该推理系统计算快捷.准确性高,在电网规划中长期负荷预测中有较强的实用价值.     

基于BP网络的模糊Petri网的学习能力

模糊Petri网(Fuzzy Petri Nets，FPN)是基于模糊产生式规则的知识库系统的良好建模工具，但自学习能力差是模糊系统本身的一个缺点．该文提出了适合模糊Petri网模型自学习的模糊推理算法和学习算法．在模糊推理算法中，通过对没有回路的FPN模型结构进行层次式划分以及建立变迁点燃和模糊推理的近似连续函数，从而把神经网络中的BP网络算法自然地引入到FPN模型中．在FPN模型上，用误差反传算法计算一阶梯度的方法对模糊产生式规则中的参数进行学习和训练．经过学习和训练的FPN具有很强的泛化能力和自适应功能．FPN模型经过训练得到的参数是有特定含义的，可以通过对这些参数的合法性分析，使得模糊产生式规则系统更加有效，也对知识库系统的建立、更新和维护有着重要的意义．     

模糊推量的函数变换观点

基于函数论的立场，指出模糊推理过程是一个函数变换过程，模糊规则蕴涵了一个从函数空间到函数空间的映射，现存的种种模糊推理方法都是对这种映射的估计，进而指出插值和回归的方法都适用于这种估计。系统地提出了用回归的方法处理模糊推理的思想，并结俣线性回归模型进行了示范，证明了基于线性回归模型的模糊推理系统（FIS）同样是一个万能函数逼近器。     

一个带有相似性关系的模糊逻辑

模糊集与模糊逻辑是处理模糊性与不确定性信息的重要数学工具，相似性关系是模糊集的一个基本概念。为了在模糊逻辑中集成相似性关系并考虑其模糊推理，提出了一个带有相似性关系的模糊逻辑，给出了其语法及语义描述，在模糊谓词逻辑情形下，讨论并证明了基于归结与调解方法的模糊推理的有关属性，考虑到许多定理证明器和问题解决系统均是基于否证法，证明了归结与调解方法对模糊谓词演算的反驳完备性定理。     

潜艇垂直面运动自适应神经网络模糊控制仿真

神经网络控制和模糊控制技术的广泛应用为潜艇自动舵控制器的设计提供了新的思路.而模糊规则的提取和隶属函数的学习是模糊推理系统设计中重要而困难的问题,自适应神经网络模糊推理系统(ANFIS)结合模糊控制和神经网络控制的优点,基于sugeno模糊模型采用反向传播法和最小二乘法调整模糊推理系统的参数,并自动产生模糊规则.利用方法对潜艇乖直面运动自动舵控制器进行了设计和仿真.从仿真结果来看,自适应神经网络模糊控制器能较好的实现对潜艇垂直面运动的操纵控制,是一种很好的控制方法.     

A hybrid genetic algorithm–adaptive network-based fuzzy inference system in prediction of wave parameters

An important issue in application of fuzzy inference systems (FISs) to a class of system identification problems such as prediction of wave parameters is to extract the structure and type of fuzzy if–then rules from an available input–output data set. In this paper, a hybrid genetic algorithm–adaptive network-based FIS (GA–ANFIS) model has been developed in which both clustering and rule base parameters are simultaneously optimized using GAs and artificial neural nets (ANNs). The parameters of a subtractive clustering method, by which the number and structure of fuzzy rules are controlled, are optimized by GAs within which ANFIS is called for tuning the parameters of rule base generated by GAs. The model has been applied in the prediction of wave parameters, i.e. wave significant height and peak spectral period, in a duration-limited condition in Lake Michigan. The data set of year 2001 has been used as training set and that of year 2004 as testing data. The results obtained by the proposed model are presented and analyzed. Results indicate that GA–ANFIS model is superior to ANFIS and Shore Protection Manual (SPM) methods in terms of their prediction accuracy.     

A neuro-fuzzy inference system through integration of fuzzy logic and extreme learning machines.

This paper investigates the feasibility of applying a relatively novel neural network technique, i.e., extreme learning machine (ELM), to realize a neuro-fuzzy Takagi-Sugeno-Kang (TSK) fuzzy inference system. The proposed method is an improved version of the regular neuro-fuzzy TSK fuzzy inference system. For the proposed method, first, the data that are processed are grouped by the k-means clustering method. The membership of arbitrary input for each fuzzy rule is then derived through an ELM, followed by a normalization method. At the same time, the consequent part of the fuzzy rules is obtained by multiple ELMs. At last, the approximate prediction value is determined by a weight computation scheme. For the ELM-based TSK fuzzy inference system, two extensions are also proposed to improve its accuracy. The proposed methods can avoid the curse of dimensionality that is encountered in backpropagation and hybrid adaptive neuro-fuzzy inference system (ANFIS) methods. Moreover, the proposed methods have a competitive performance in training time and accuracy compared to three ANFIS methods.     

An adaptive neuro-fuzzy model for prediction of student’s academic performance

This paper introduces a systematic approach for the design of a fuzzy inference system based on a class of neural networks to assess the students’ academic performance. Fuzzy systems have reached a recognized success in several applications to solve diverse class of problems. Currently, there is an increasing trend to expand them with learning and adaptation capabilities through combinations with other techniques. Fuzzy systems-neural networks and fuzzy systems-genetic algorithms are the most successful applications of soft computing techniques with hybrid characteristics and learning capabilities. The developed method uses a fuzzy system augmented by neural networks to enhance some of its characteristics like flexibility, speed, and adaptability, which is called the adaptive neuro-fuzzy inference system (ANFIS). New trends in soft computing techniques, their applications, model development of fuzzy systems, integration, hybridization and adaptation are also introduced. The parameters set to facilitate the hybrid learning rules for the constitution of the Sugeno-type ANFIS architecture is then elaborated. The method can produce crisp numerical outcomes to predict the student’s academic performance (SAP). It also provides an alternative solution to deal with imprecise data. The results of the ANFIS model are as robust as those of the statistical methods, yet they encourage a more natural way to interpret the student’s outcomes.     

基于UKF的自适应模糊推理神经网络

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点。针对这一问题,本文提出了基于UKF的自适应模糊推理神经网络(UKF-ANFIS)。首先,通过减法聚类确定UKF-ANFIS的模糊规则及其高斯隶属函数的中心和宽度参数;其次,分析了模糊神经网络的非线性动力系统表示,并用LLS和UKF分别学习线性和非线性的参数;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近和系统辨识实例,表明本文算法得到的模糊神经网络的结构更为紧凑,泛化性能也更佳。     

自适应神经模糊推理结合PID控制的并联机器人控制方法

针对6自由度液压驱动并联机器人的精确控制问题,提出一种结合自适应神经模糊推理系统(ANFIS)和比例积分微分(PID)控制的机器人控制方法。首先,利用浮动坐标系描述法(FFRF)来模拟机器人柔性组件,并构建并联机器人的拉格朗日动力学模型。然后,根据模糊推理中的模糊规则来自适应调整PID控制器参数。最后,利用神经自适应学习算法使模糊逻辑能计算隶属度函数参数,从而使模糊推理系统能追踪给定的输入和输出数据。将该控制器与传统PID控制器、模糊PID控制器进行比较,结果表明,ANFIS自整定PID控制器大大减小了末端器位移误差,能很好的控制并联机器人末端机械手的运动。     

三级倒立摆的自适应神经模糊控制

在三级倒立摆(TIP)系统中, 应用神经网络与模糊控制相结合的自适应神经模糊推理系统(adaptive neuralfuzzy inference system), 根据样本数据调整隶属函数和控制规则参数, 使得训练后ANFIS控制器很好地模拟期望的输入输出数据. 仿真结果表明所设计的ANFIS控制器对三级倒立摆系统的稳定控制是可行的. 与LQR控制相比, 基于ANFIS控制的倒立摆系统具有良好的动态性能和抗干扰性能.     

基于改进模糊聚类与ANFIS的高速公路事件检测

为了准确并及时地发现高速公路上的交通事故隐患,减少事故引发的交通延迟,提高高速公路运行安全性,结合减法聚类与模糊C均值（FCM）聚类算法对输入样本数据进行聚类,建成初始模糊推理系统,然后通过神经网络的自学习机制,训练模糊系统参数,确定模糊推理规则,建立最终模糊模型。通过仿真实验结果对比,验证了基于改进模糊聚类与自适应神经模糊推理系统（ANFIS）建模方法的有效性。     

基于一种FGA–ANFIS技术的DMFC温度建模和控制

为了提高直接甲醇燃料电池(DMFC)的发电性能,采用自适应神经模糊推理技术(FGA-ANFIS)对电池的工作温度进行建模与控制.首先,基于实验的输入输出数据建立了DMFC电堆温度的自适应神经模糊辨识模型,避开了DMFC电堆的内部复杂性.然后,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法对神经模糊控制器的参数和模糊规则进行自适应调整.最后,通过仿真.将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能.     

使用新混合模糊聚类算法的模糊系统建模方法

为了进一步提高模糊系统建立模型的精度,提出一种新的模糊系统算法ANFIS-HC-QPSO：采用一种混合型模糊聚类算法来对模糊系统的输入空间进行划分,每一个聚类通过高斯函数的拟合产生一个隶属度函数,即完成ANFIS系统的前件参数--隶属度函数参数的初始识别,通过具有量子行为的粒子群算法QPSO与最小二乘法优化前件参数,直至达到停机条件,最终得到ANFIS的前件及后件参数,从而得到满意的模糊系统模型。实验表明,AN-FIS-HC-QPSO算法与传统算法相比,能在只需较少模糊规则的前提下就使模糊系统达到更高的精度。