基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案．在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器．该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力，改善了控制系统的性能．     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力,改善了控制系统的性能.     

一种基于改进FCM划分算法的T-S模型辨识

鉴于以往T-S模型建模过程中,在模糊划分上存在主观性的差异,提出了一种基于改进模糊C-均值算法的模糊划分方法,使划分结果尽可能地依赖于原始数据的分布情况,进而将该模糊划分算法用于多输入单输出非线性系统的基于T-S模型模糊辨识.在用该方法对多参量水质评价系统进行基于T-S模型模糊辨识建模时,取得了较好的验证效果.该研究结果表明,基于改进模糊C-均值划分算法的T-S模型辨识能在模糊综合评价与决策等应用领域中取得较好的应用效果.     

非线性系统的模糊神经网络辨识方法

根据一种模糊动力学模型,提出一种非线性系统的模糊神经网络辨识方法。这种模型具有与线性系统ＤＡＲＭＡ模型类似的结构,证明了辨识算法的收敛性。最后结合实例进行了仿真。     

一种基于改进FCM划分算法的T—S模型辨识

鉴于以往T—S模型建模过程中,在模糊划分上存在主观性的差异,提出了一种基于改进模糊C-均值算法的模糊划分方法,使划分结果尽可能地依赖于原始数据的分布情况,进而将该模糊划分算法用于多输入单输出非线性系统的基于T—S模型模糊辨识。在用该方法对多参量水质评价系统进行基于T—S模型模糊辨识建模时,取得了较好的验证效果。该研究结果表明,基于改进模糊C-均值划分算法的T—S模型辨识能在模糊综合评价与决策等应用领域中取得较好的应用效果。     

模糊特征下基于神经网络的工程图纸标注符号识别研究

提出了一种基于人工神经元网络对机械工程图纸标注符号识别的方法，并对基于特征输入和基于点阵输入两种神经网络分类器的特点进行了比较．研究结果表明，在模糊特征下，神经网络方法对工程图纸标注符号的智能识别完全能达到实用化要求．     

一种基于模糊模型的启发式优化方法

在模糊环境下的优化向来是模糊系统理论的中心课题之一。文献中所见的绝大多数模糊系统优化技术都以线性规划为基础。本文提出了一种完全不同的模糊系统试化方法——启发式试化方法。这种方法以系统的模糊模型为基础,它允许以模糊形式表达的性能指标与约束。试化的结果,亦即最优决策,既可以是模糊值,也可以是精确值。由于所使用的模糊模型所以看作是一个规则集,所提出的试化方法便所以视作一个“剪枝”过程。一个数值例子说明了这种试化方法的有效性。     

一种基于遗传神经元网络的模糊控制系统

针对常用的基于BP网络的模糊控制器对模糊控制规则的学习难以达到理想效果的缺陷,采用遗传算法生成前向神经元网络,可同时对网络的极值与结构进行学习,基于此基础的神经网络模型控制系统具有良好的自适应特性。     

基于模糊神经网络的系统模糊建模方法

提出了一种基于模糊聚类和模糊神经网络的模糊建模方法,该方法首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经来调整模型的前件参数和后件参数,给出了详细的算法,并对仿真实例进行了研究,仿真实例表明,采用聚类技术能够获得好的初始值,使得计算加快,能够取得满意的结果。     

基于神经网络的模糊系统的模型辨识及应用

本文将人工神经网络理论和模糊系统理论结合起来，提出了一类基于人工神经网络的模糊模型辨识方法。该方法能辨识非线性的、复杂系统的模糊模型。仿真表明本文给出的有关模型及算法，能有效地用于多种难以建立精确数学模型的控制系统。     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和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。     

基于AIS聚类的模糊神经网络在热轧优化建模中的应用

针对现有的钢坯热轧过程智能建模方法——模糊神经网络建模存在的收敛速度慢、建模精度不高、易陷入局部极小值、系统输入输出向量维数和空间划分增加使网络结构趋于复杂等问题,提出了一种基于人工免疫系统（AIS）聚类的自适应神经模糊推理系统的建模方法。该方法采用人工免疫聚类学习算法来确定模糊集合的划分,并确定模糊神经网络的结构和初始参数,能以较少的模糊规则达到理想的建模精度,仿真结果表明了该方法的有效性。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于T-S模糊神经网络的电晕放电模式识别方法

提出了基于T-S模糊神经网络的电晕放电模式识别方法,设计制作了三类电晕放电实验模型,并从采集的电晕放电信号中提取最大值、最小值、均值及其分形维数作为网络的输入特征向量,根据特征向量维数、隶属度函数类型及隶属度函数个数对T-S模糊神经网络的拓扑结构进行分析,将输入神经元个数为4、隶属度函数层为3个高斯型函数的网络确定为电...     

基于模糊神经网络的CDMA网络故障诊断方法

为解决常规故障诊断算法难以对CDMA网络故障建模的难题，提出了基于模糊神经网络的CDMA网络故障诊断模型. 该模型的输出层和输入层神经元的个数分别由CDMA网络故障类型和故障诊断所需要的输入量决定. 然后再利用故障诊断专家知识库中的故障诊断样本，对诊断模型进行训练，确定网络的连接权值和模糊隶属度函数. 仿真实验结果验证了该故障诊断模型的有效性.     

基于模糊神经网络的电液比例系统同步控制方法

以某厂钢坯翻转系统为例,建立电液比例阀动态方程及其控制框图,提出基于模糊神经网络的电液比例系统同步控制策略,构建基于模糊神经网络的同步控制器,详细叙述了模糊神经网络的基本结构和运算法则。结果表明,该控制方法具有控制精度高、动态跟踪性能好以及鲁棒性强等特点,能很好地满足实际工作要求。     

基于递归聚类与相似性的模糊神经网络结构设计

针对模糊神经网络结构设计问题,提出一种基于递归聚类与相似性的结构设计方法.首先,提出以输出变化强度为导向、以结构细分为手段的递归聚类方法对网络初始结构进行设计.其次,通过计算模糊规则的相似性,将高度相似的规则进行合并,在保持良好精度的前提下,对网络初始结构进行简化.最后,通过函数逼近、非线性系统辨识仿真实验验证了方法的可行性和有效性.     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.