基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

Rough Set Based Fuzzy Neural Network for Pattern Classification

A rough set based fuzzy neural network algorithm is proposed to solve the problem of pattern recognition. The least square algorithm (LSA) is used in the learning process of fuzzy neural network to obtain the performance of global convergence. In addition, the numbers of rules and the initial weights and structure of fuzzy neural networks are difficult to determine. Here rough sets are introduced to decide the numbers of rules and original weights. Finally, experiment results show the algorithm may get better effect than the BP algorithm.     

基于知识的神经网络产生式规则的获取方法研究

将连续数据离散化并将已有知识规则的依赖度作为神经网络的初始权值,构建新的网络结构并对其动态训练,给出其具体网络训练算法.从训练后的网络权值中利用正确的分类及该网络结构具有的性质,从而给出其具体的规则抽取算法,并将抽取的具有冗余性的产生式规则利用粗集理论进一步对其精化处理,最后得出最简化的产生式知识规则.充分结合神经网络及粗集理论的优点,探索两者的有机结合无疑对智能信息处理系统的研究具有重要的现实意义.     

氧乐果合成反应温度的模糊神经网络控制方法

氧乐果合成反应温度控制过程具有参数时变、非线性、大滞后等特点,采用传统的控制方法难以达到预期的控制效果。针对此问题,文章设计了基于遗传算法的模糊神经网络控制器。首先确定与模糊系统结构等价的神经网络,从而将模糊控制规则和隶属函数的参数搜索优化问题转化成网络参数优化问题;其次利用改进的遗传算法实现网络参数快速全局寻优,从而提高控制器性能。仿真结果表明,优化后模糊神经网络控制器对一类具有参数时变、时滞、非线性的系统具有良好的控制性能。     

基于模糊相似度的实值属性信息系统规则约简

为了克服传统的规则约简方法容易导致信息丢失和约简错误的不足，提出了一种对实值属性信息系统进行规则约简的算法.该算法在粗糙集理论的基础上，把模糊集合相似度引入到信息系统的规则约简中，通过把每一个实值属性的取值归一化，使得每一条规则所对应的条件属性值都落在0到1范围内；并且把每一条规则看作一个模糊集合，通过模糊集合的相似性来考察规则的相似性；在规则约简过程中，用改进的模糊集合相似度参数进行规则约简，并针对国际水稻信息系统（IRIS）数据库进行了实验.结果表明，该算法能够正确地对实值属性信息系统进行规则约简.     

一种基于神经网络的模糊知识自动获取方法

通过采用神经网络技术和引入动态神经元,提出了一种模糊知识自动获取方法,并应用于从分类数据样本集中获取以模糊语言值描述的模糊规划知识,文中着重讨论了这种神经网络模型、实现算法及模糊规划获取问题。实验结果表明了该方法的有效性和实用性。     

智能故障诊断技术在核动力装置中的应用研究

核动力装置对系统的安全性能要求较高．为了让操作员在发生故障时，避免产生错误的判断及操作，一种较好的方法是将智能故障诊断技术应用到核动力装置故障诊断系统中．利用粗糙集的数据约简技术提取精简的规则，基于这些规则建立的模糊神经网络具有更好的拓扑结构，学习速度大大提高，容错能力强；RBF神经网络有着良好的局部性能，诊断单个故障的能力要优于模糊神经网络，且网络不用训练，诊断实时性好．将粗糙集理论所构建的模糊神经网络与RBF神经网络相结合，能充分发挥各自的优点．为了验证该方法的有效性，以核动力装置蒸汽发生器U形管破裂等故障为例，进行了仿真实验研究．研究结果表明该邦联网络具有良好的诊断准确性、实时性和可扩充性，得到了预期的效果．     

基于模糊神经网络的冷冻水泵变频调速研究

本文通过系统地分析模糊控制和神经网络控制系统的结构、算法等问题,探讨了把模糊控制和神经网络控制技术结合起来的理论与实现,用神经网络的层和节点分别对应模糊系统的各个部分,将模糊控制规则和隶属函数隐含地分布在整个网络中,用神经网络实现模糊推理,以神经网络的在线自学习能力实现模糊控制规则的改变。设计了模糊神经网络,并应用到冷冻水泵变频调控制系统中,实现了水泵电机的转速智能控制。     

概率粗糙集Ⅲ型与Ⅳ型之研究

经典粗糙集理论在解决系统不确定性知识时有明显的不足,对于不协调的决策表的规则提取存在很大的局限性.因此许多学者从不同的角度如变精度、概率论、模糊集来拓展其研究领域.概率粗糙集是从概率论出发,充分利用近似边界区域提供的统计信息,能提取带有确定因子的决策规则.概率粗糙集Ⅲ型与Ⅳ型是其后两种形式.论文推导了概率Ⅲ型与Ⅳ型的若干定理及重要性质,并予以证明;把最小风险Bayes决策转化为概率Ⅲ型与Ⅳ型下的问题来解决,最后用一个实例说明了其有效性.     

基于粗糙集和ANFIS相结合的配电网故障诊断方法

为了提高配电网故障诊断的准确性和效率,提出了将粗糙集与自适应神经网络模糊系统(adaptive neuro-fuzzy inference system,ANFIS)相结合构建粗糙集和神经网络的智能混合诊断系统,以充分利用粗糙集理论对知识的约简能力和神经网络的容错学习能力.通过粗糙集理论中的信息熵概念对诊断系统输入变量进行合理选择,即选取与故障诊断信息相关性大的参数作为输入,然后利用ANFIS进行建模和参数辨识,并通过训练样本进行学习训练,这样既减少了神经网络的学习训练时间,又提高了诊断的准确度.用该方法对某一实际配电网进行了故障诊断,结果表明:该方法计算速度快,具有良好的容错性能和在线故障诊断潜力.     

基于区间值模糊的改进模糊神经网络研究

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,结合区间值与粗糙集理论,通过简化网络结构,改进输入条件,提出基于区间值推理的改进的模糊神经网络.通过仿真实验,验证了该方法的可行性.这一结果为研究模糊神经网络提供一种新的方法.     

粗糙集神经网络在图像分割中的应用

提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.     

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。     

A fuzzy neural network evolved by particle swarm optimization

A cooperative system of a fuzzy logic model and a fuzzy neural network(CSFLMFNN)is proposed,in which a fuzzy logic model is acquired from domain experts and a fuzzy neural network is generated and prewired according to the model.Then PSO-CSFLMFNN is constructed by introducing particle swarm optimization(PSO)into the cooperative system instead of the commonly used evolutionary algorithms to evolve the prewired fuzzy neural network.The evolutionary fuzzy neural network implements accuracy fuzzy inference without rule matching.PSO-CSFLMFNN is applied to the intelligent fault diagnosis for a petrochemical engineering equipment,in which the cooperative system is proved to be effective.It is shown by the applied results that the performance of the evolutionary fuzzy neural network outperforms remarkably that of the one evolved by genetic algorithm in the convergence rate and the generalization precision.     

一种基于粗糙集和模糊推理的生活方式病检查模型

为了实现从大量的医学数据中获取有效的知识并形成规则和做出正确的推理,提出了一种基于粗糙集和距离型模糊推理进行生活方式病检查的模型.采用改进的依赖度属性约简算法研究属性约简,去掉不必要属性,减小规则库规模,提高粗糙集知识发现方法在医疗健康数据上的分类效率和准确性.采用距离型模糊推理方法匹配知识库中已有规则,计算规则和给定事实的距离进行推理检查,构建距离型模糊推理的检查系统.通过实验数据描述了知识库的构建过程,并验证了模型的有效性.     

应用聚类和模糊神经网络设计模糊系统

基于聚类技术和一类模糊神经网络提出一种设计模糊系统的混合方法,通过一个无监督的聚类算法自组织地确定模糊规则的数目及生成一个初始的模糊规则库,构建一类模糊神经网络,通过调整网络的权值,使规则库中的参数更加准确,并以函数逼近问题为例验证了该方法的有效性。     

模糊神经网络在机载相机稳像中的应用

针对解决微型飞行器空中拍摄的图像抖动问题,采用自组织递归区间二型模糊神经网络的函数逼近及泛化能力对微型飞行器上的相机振动规律进行模拟,预测机载相机的振动矢量.该自组织递归区间二型模糊神经网络的初始规则数为零,所有规则都是通过结构和参数同时在线学习来产生,网络结构学习采用的是在线区间二型模糊群集,提高自组织递归区间二型模糊神经网络的稳定性及计算精度.仿真结果表明:将自组织递归区间二型模糊神经网络与双BP神经网络进行对比,利用自组织递归区间二型模糊神经网络对微型飞行器相机振动矢量进行预测的精度高.     

径流中长期预报的粗集模糊推理-神经网络模型

针对传统径流中长期预报模糊推理法存在的问题,基于粗集理论、模糊推理和神经网络技术,提出了基于粗集模糊推理-神经网络的径流中长期预报模型.通过比较预报因子相关关系系数值大小来选择径流的预报因子;用粗集理论约简径流中长期预报决策表,产生模糊推理规则;用BP神经网络技术学习模糊推理中的有关参数.实例验证,该模型比较客观地确定了预报因子模糊子集的隶属函数的参数,简单可行.