结构辨识和参数优化协同学习的概率TSK模糊系统

传统Takagi-Sugeno-Kang (TSK)模糊系统的结构辨识和参数优化往往分阶段进行, 同时模糊规则数需要预先设定, 因此TSK模糊系统的逼近性能和解释性往往不理想.针对此问题, 提出了一种结构辨识和参数优化协同学习的概率TSK模糊系统(Probabilistic TSK fuzzy system, PTSK).首先, PTSK使用概率模型表示模糊回归系统, 将结构辨识和参数优化作为一个整体来考虑.其次, PTSK不借助于专家经验, 使用粒子滤波方法对规则数和前后件参数协同学习, 得到系统全部参数的最优解.实验结果表明, PTSK具有良好的逼近性能, 同时能获得较少的模糊规则数.     

基于模块化模糊子系统的分层模糊神经网络

提出一种基于模块化模糊子系统的分层模糊神经网络，该分层模糊神经网络基于高斯隶属函数，且功能上等价于一个TSK模糊系统，这种分层神经网络在保留了传统模糊神经网络很多优点的同时有效地抑制了“维数灾”问题,而且在模糊子系统中模糊规则的激活强度有所提高，仿真试验结果表明。该方法能获得更为简洁有效的模糊规则集。     

一种基于扩张原理的模糊模型 及其辨识方法1)

提出一种新的基于LR型模糊数及其运算的模糊模型结构——扩展的TSK模型(ETSK模型).借助于LR型模糊数隶属函数图形的面积和重心横坐标这两个“数字特征”,导出了ETSK模型的输入输出解析表达式,并证明了ETSK模型与变权TSK模型的等价关系,同时给出一种对ETSK模型规则后件的参数辨识方法.仿真辨识实验结果表明,ETSK模型的辨识效果和预报精度更优.     

一种基于扩张原理的模糊模型及其辨识方法

提出一种新的基于LR型模糊数及其运算的模糊模型结构--扩展的TSK模型 (ETSK模型).借助于LR型模糊数隶属函数图形的面积和重心横坐标这两个"数字特征", 导出了ETSK模型的输入输出解析表达式,并证明了ETSK模型与变权TSK模型的等价关 系,同时给出一种对ETSK模型规则后件的参数辨识方法.仿真辨识实验结果表明,ETSK模 型的辨识效果和预报精度更优.     

基于一型规则自主构建二型TSK神经模糊系统方法设计

本文提出了一种使用一型模糊规则生成区间二型TSK(Takagi-Sugeno-Kang)神经模糊系统的新方法. 该方 法以训练数据集与使用自组织方法由该训练集训练生成的一型模糊系统为驱动,通过新型模糊系统前件类型转换 算法与规则参数自适应学习算法的训练,在不高于原一型系统模糊集合总数前提下,自主构建区间二型TSK神经模 糊系统.此外, 针对两种典型的多输入单输出和多输入多输出系统, 在3种不同强度的系统扰动场景下进行了对比仿 真实验. 实验结果表明, 在含有不同扰动状态系统的建模与辨识中本方法较于对比方法具有更加优异的性能.     

一种基于模糊规则融合的模糊建模方法及其应用

为了有效地利用经验知识,弥补训练数据覆盖范围不足的问题,提出一种将经验知识以TSK (Takagi-Sugeno-Kang)型模糊规则引入模糊模型的建模方法.在结构辨识中,提出了模糊规则融合方法,用以确定初始模糊规则.在参数辨识中,改进了原梯度下降方法中的目标函数,并引入了经验知识准确性评价参数,用以平衡样本数据和经验知识对模型的影响.数值仿真和工程实例应用结果表明,所提出的方法可以有效地利用经验知识和样本数据,使预报结果更可靠、更精确.     

一种新型分层模糊系统及其逼近性能

针对分层模糊系统,提出一种新的结构形式,该分层模糊系统将各层中间变量作为后一层模糊单元输出结果中的一部分,而不再是输入项,这样不仅能够减少规则数目和辨识参数,而且避免了对不具物理含义的中间变量的模糊处理。给出新型分层模糊系统的解析表达式,证明了该分层模糊系统具有通用逼近性能,并给出存在性定理和逼近性能的充分条件。通过实例仿真表明所提出分层模糊系统具有较好的应用基础。     

一种基于模糊分类的模糊神经网络辨识方法

针对非线性辨识问题,基于改进的T-S模型,提出一种自适应模糊神经网络模型(AFNN)。首先,基于模糊竞争学习算法确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。     

一种新的基于神经模糊推理网络的复杂系统模糊辨识方法

针对基于输入输出数据的复杂系统的模糊辨识问题,提出了一种新的神经模糊推理网络及相应的学习算法．学习算法被应用于系统的结构辨识与参数辨识．在结构辨识阶段,介绍了一种新的直接从输入输出数据中抽取和优化模糊规则的学习算法;在参数辨识阶段,提出和推导了一种非监督学习和监督学习相结合的混合式学习算法,实现模糊隶属函数的初步调整和优化．仿真结果表明,本文的方法可以同时满足对辨识精度、收敛速度、可读性和规则数的要求．     

基于正交最小二乘估计的非线性系统模糊辨识

提出了一种基于正交最小二乘的模糊模型结构和参数辨识方法．首先，基于正交最小二乘方法分析模糊模型的模糊关系矩阵．通过分析正交向量在模型中贡献的大小，确定模糊模型的结构，即确定模糊模型的规则数、规则．另外，再次通过正交最小二乘方法确定模糊模型的结论参数，实现模糊模型结构和参数的优化．为了证明该方法的有效性，采用该文方法对Box-Jenkins煤气炉数据系统进行建模研究，仿真结果表明该文方法能够对非线性系统进行辨识．     

基于模糊似然函数的模糊辨识方法

提出一种基于模糊似然函数的模糊辨识方法。该方法利用模糊似然函数对样本数据进行聚类，并使模糊模型的结构辨识和参数辨识能同时完成，从而实现模糊模型的在线辨识。仿真结果证明了该方法的有效性。     

论模糊概念的度量

模糊度和模糊相似度是模糊集合中模糊概念度量最常用的两种方法。根据模糊度定义,提出了几种实用方便的模糊度公式,并分析了文[3]中新模糊度公式的不正确性;同时根据模糊贴近度定义,提出了一种贴近度公式。这些新公式的引入,在模式识别等实际应用中起着重要的作用。     

基于模糊目标和模糊约束的满意控制

研究在预测控制框架下进行模糊决策问题,提出一种基于模糊目标和模糊约束的预测控制方法。其目标函数以决策者的控制要求和最终控制的满意度来表示,比传统的加权方差具有更多的自由度;与基于二次型性能指标的预测相比,该方法可使系统设计更加灵活。仿真结果表明了该方法的有效性。     

模糊调整在求解模糊规则中的应用*

提出一种求解模线性规划的非精确算法,它模拟人的调节过程,将模糊控制思想嵌入到遗传算法的变异与交叉算子中求解出一个模糊糊优解集,取代了以往利用单纯形注解模糊糊线性规划问题的一个最优解。     

基于模糊积分的多模糊决策树融合

给定一个模糊信息系统,可能找到多个重要的模糊属性子集,而且这些重要的模糊属性子集对决策有不同的贡献,会产生不同的影响.如果仅选择其中一个模糊属性子集进行决策,即使是最重要的一个,也会丢失隐含在其他重要的模糊属性子集中的可用信息.为了充分利用模糊信息系统中每个重要的模糊属性子集所提供的信息,提出了一种基于模糊积分的多模糊决策树融合方法.这种方法分3个步骤:1)通过模糊等价关系找到几个重要的模糊属性子集;2)对每个模糊属性子集,利用模糊ID3算法生成一棵模糊决策树;3)用模糊积分融合几棵模糊决策树.实验结果证明了用多模糊决策树融合方法比单模糊决策树分类效果更好.     

基于模糊关联规则挖掘的模糊入侵检测

论文把模糊关联规则挖掘算法引入到网络的入侵检测,利用该算法从网络数据集中提取出具有较高可信性和完备性的模糊规则,并利用这些规则设计和实现用于入侵检测的模糊分类器。同时,针对模糊关联规则挖掘算法,利用K-means聚类算法建立属性的模糊集和模糊隶属函数,并提出了一种双置信度算法以增加模糊规则的有效性和完备性。最后,给出了详实的实验过程和结果,以此来验证提出的模糊入侵检测方法的有效性。     

应用带标识的模糊Petri网的模糊推理

本文针对模糊推理中常存在推理结果意义不明确的问题,提出应用带标识的模糊Petri网(MFPNs)进行模糊推理。推理的过程中考虑模糊产生式规则的权值、阈值、确定性因子等几种知识表示参数以获得更多信息。给出基于相似性测度的模糊推理算法,通过计算带标识的模糊Petri网的最终输出库所中的托肯值可以得到最终的模糊推理结果。通过实例可以验证这样得到的推理结果意义更明确,计算过程更加高效。