模糊规则自动获取及其性能的分析

提出了一种基于模糊神经网络获取模糊规则及其进行模糊系统参数学习的方法,通过实例进行了自动列车运行系统仿真,总结了这种方法的特点。结论表明,所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

模糊规划自动获取及其性能的分析

提出了一种基于模糊神经网络获取模糊规划及其进行模糊系统参数学习的方法,通过实例进行了自动列车运系统的仿真,总结了这种方法的特点。结论表明,所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

一种多知识融合的获取模糊规则的集成方法

基于单一知识发现方法的不足,提出了一种获取模糊规则的集成方法。首先用Kohonen网络进行数据量化,然后运用粗集理论产生初始规则,并根据所得的规则建立模糊神经网络模型,优化模糊规则的参数,最后再进一步简化获取模糊规则。通过实例进行系统仿真,结果表明该方法是有效的, 同时为获取模糊规则提供了新的思路。最后与其它方法进行了比较,并总结了该方法的特点。     

一种基于神经网络的模糊方法研究

模糊系统设计中,模糊规则的建立是系统设计的瓶颈问题。针对这一问题,该文提出了一种用于监督神经网络自动生成模糊规则并实现模糊推理的方法。网络训练分为两个阶段,首先是结构学习,确定系统的规则总数和前提的有关参数;其次是参数学习,即调整权值,使系统输出接近理想输出。仿真实例证明使用该方法建立模糊系统具有较好的效果。     

一种基于神经网络的模糊推理方法研究

模糊系统设计中,模糊规则的建立是系统设计的瓶颈问题。针对这一问题,该文提出了一种用于监督神经网络自动生成模糊规则并实现模糊推理的方法。网络训练分为两个阶段,首先是结构学习,确定系统的规则总数和前提的有关参数;其次是参数学习,即调整权值,使系统输出接近理想输出。仿真实例证明使用该方法建立模糊系统具有较好的效果。     

基于快速模糊规则搜索的快速模糊系统建模

本文提出了一种基于快速模糊规则搜索的快速模糊系统建模方法,首先使用本文提出的快速模糊规则搜索方法进行模糊规则的粗略搜索,然后基于所得到的模糊规则集建立模糊神经网络模型,即利用规则前件确定网络结构,规则后件初始化部分网络权值。使用遗传算法对网络模型的权值和阈值进行学习训练。实验结果验证了快速模糊系统建模方法在描述较大规模非线形系统中的实用性和有效性。     

基于Rough Sets和模糊神经网络的汉语兼类词词性标注规则的获取方法

文章提出了基于RoughSets的汉语兼类词初始标注规则的获取方法,并通过模糊神经网络(FNN)进行优化,最后再进行简化获取模糊规则;文章以人工标注过的句子作为训练集和测试集,得出了训练集左3、左4、右3、右4个兼类词标注规则库;对同样的训练集和测试集,采用统计二元模型进行标注后,再利用该方法(粗糙模糊神经网络方法,简称RSFNN)进行二次标注,结果表明RSFNN方法优于统计二元模型方法。最后实例说明汉语兼类词词性标注规则的获取方法。     

模糊神经网络在数据采掘中的应用研究

提出了一种基于模糊神经网络的数据采掘新方法。该方法首先基于Rough sets思想获取初始规则和训练集，基于采掘属性的数目和分类目标确定网络结构，通过遗传(GA)算法对网络进行优化，通过BP算法实现网络权值的在线调整，最后对所生成的规则进行简化，提取模糊规则。仿真实例结果表明，该方法是行之有效的。     

基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题，提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法，利用该算法同时优化模糊加权神经网络的结构和参数，最后说明了从网络中提取模糊规则的方法，从而自动获得最优的模糊规则。分析和实验结果表明，本文方法在规则提取和分类准确性等方面比其他方法更好。     

基于模糊神经网络的飞机某系统故障诊断研究

提出一种基于模糊神经网络的飞机某系统故障诊断方法。利用改进的模糊C均-值聚类算法进行结构辨识,从而自动获得模糊规则库,并得到模糊模型的初始参数;然后生成与之相匹配的初始模糊神经网络,并通过学习算法训练网络来进行参数辨识,得到一个精确的模糊模型。将该系统地面实测数据作为样本数据,建立起了基于模糊神经网络的飞机某系统故障诊断模型。最后对该模型进行测试与分析,结果表明该方法具有抗噪、抗敏感、诊断准确度高等优点。     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。     

Knowledge Incorporation into Neural Networks From Fuzzy Rules

The incorporation of prior knowledge into neural networks can improve neural network learning in several respects, for example, a faster learning speed and better generalization ability. However, neural network learning is data driven and there is no general way to exploit knowledge which is not in the form of data input-output pairs. In this paper, we propose two approaches for incorporating knowledge into neural networks from fuzzy rules. These fuzzy rules are generated based on expert knowledge or intuition. In the first approach, information from the derivative of the fuzzy system is used to regularize the neural network learning, whereas in the second approach the fuzzy rules are used as a catalyst. Simulation studies show that both approaches increase the learning speed significantly.     

基于自适应神经元学习模糊控制规则

本文给出了利用自适应神经元学习、修改模糊控制规划的新方法，该方法可以学习与当前控制过程输出性能有关的在过去起作用的控制规划，可以随过程环境变化自动调整控制规划，以改善过程输出性能。     

应用单层神经网络设计多变量自适应模糊控制器

提出一种应用单层神经网络设计多变量自适应模糊控制器的方法。应用单层神经网络可以学习多变量模糊控制规则中的未知参数，还可由它来实现多变量模糊推理过程。该方法能解决多变量模糊控制中普遍存在的规则获取困难和难于实现实时自适应等问题。仿真试验表明，所设计的多变量模糊控制器不仅实时性好，而且可得到满意的控制效果。     

一种用于机场气象预测的模糊神经网络模型

针对民用机场多因素气象预测问题的复杂性,该文构建出一种基于粗糙集的模糊神经网络模型。采用粗糙集理论约简属性,挖掘潜在规则,在此基础上建立模糊神经网络模型,并根据规则的统计性质和离散化结果初始化网络参数,采用BP算法训练网络。实例验证,该模型在收敛速度与预测精度上优于传统的神经网络模型。     

非线性系统模糊神经网络变结构自适应控制

在非线性系统的模糊动力学模型基础上,提出一种模糊神经网络变结构自适应控制器;网络的结构根据非线性系统特性动态构成,基于该网络提出非线性预测器,基于梯度法提出了一种网络参数学习算法,并分析了收敛性及其性质。将网络预测器与参数学习算法相结合,构成自适应控制算法,证明了算法的收敛性。仿真结果证实了算法的有效性。     

多粒度融合的模糊规则系统图像特征学习

当前最流行的图像特征学习方法是深度神经网络,该类方法无需人工参与即可自动地通过特征学习提取高效的特征,用于分类识别等任务。然而,深度神经网络图像特征抽取方法目前也面临着诸多挑战,其有效性严重依赖大规模的数据,且通常被视为黑盒模型,解释性较差。针对上述挑战,以基于模糊规则推理的TSK模糊系统(TSK-FS)为基础,提出了一种适用于不同规模数据集且易于理解的特征学习方法——多粒度融合的模糊规则系统图像特征学习算法。该方法通过基于规则的TSK-FS抽取图像特征,因而特征学习过程是可以利用规则进行解释的。其次,多粒度扫描也使得其特征学习能力进一步提升。在不同规模的图像数据集上进行了充分的实验,实验结果表明该方法在图像数据集上具有较好的有效性。     

复杂系统可靠性估计的模糊神经Petri网方法

针对复杂系统可靠性建模难问题,提出了一种新的适用于复杂系统可靠性估计的模糊神经Petri网(简称为FNPN)．文中首先给出了模糊神经Petri网的定义及其引发规则,然后给出了一种学习算法．该FNPN结合了模糊Petri网和神经网络各自的优点,既可以表示和处理模糊产生式规则的知识库系统又具有学习能力,可通过对样本数据学习调整模型中的参数以获得系统内部的等效结构,从而计算出非样本数据的系统的可靠度．最后以一无向网络为例说明该方法是可行的．     

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

模糊规划的提取和隶属度函数的学习是模糊推理系统设计中重要而困难的问题，自适应神经模糊推理系统（ANFIS）方法基于Sugeno模糊模型，其结构类似于神经网络，采用反向传播算法和最小二乘法调整模糊推理系统的参数，并能自动产生模糊规划，本文应用该方法给出了对一个典型系统建模的仿真实例，取得了良好的效果。