基于模糊竞争学习的非线性系统自适应模糊建模方法

提出了一种新的基于模糊竞争学习的自调整的模糊建模方法. 基于模糊竞争学习, 模糊系统能够进行自适应模糊推理. 在被调整模糊系统基础上, 提出了一种非线性系统在线估计参数的在线辨识算法. 为了证明提出算法的有效性, 最后给出了几个例子的仿真结果.     

基于模糊规则的非线性系统建模方法

提出了一种基于模糊聚类自调整的模糊建模方法,基于模糊聚类通过自适应模糊推理来调整模糊系统,一种在线辨识算法的是通过非线笥系统参数的在线性估计来进行的,为了证明了所提出方法的适用性,给出了几个实例的仿真结果。     

模糊规则在线提取及其在非线性系统辨识中的应用

提出一种从输入-输出数据提取模糊规则的新方法基于K-Nearest-Neighbor概念对输入-输出数据对进行预处理;利用竞争学习对输入空间自适应聚类;提取高斯基;在线调整规则库和模糊推理.将该方法应用于非线性系统辨识,仿真结果表明了它的有效性     

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。     

基于补偿模糊神经网络的系统建模

本文介绍了补偿模糊神经网络原理 ,并利用它对非线性系统进行建模。通过MATLAB语言编制程序进行仿真试验 ,结果表明补偿模糊神经网络对于复杂系统的建模效果非常好。     

启发式模糊聚类学习在函数逼近和非线性系统建模中的应用

在基于模糊G均值(FCM)聚类的模糊建模和神经模糊建模中,模糊聚类数是一个非常重要的参数,其决定了模型结构的复杂程度.本文提出了基于误差回溯的启发式模糊聚类学习方法.在建模过程中,该方法可以从较小的聚类数开始,根据误差检测,逐步填补输入聚类空间的"空洞",从而获得合适的模型规则数.函数逼近和非线性动态系统建模实验结果表明这种方法是简便而有效的.     

化工过程建模中的一类复合型模糊神经网络

针对化工非线性过程建模问题,本文提出了一类由函数逼近和规则推理网络构成的复合型模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近。该技术已成功地用于某工业尿素ＣＯ２汽提塔液位建模。     

数据的模糊建模研究及其在加热炉中的应用

对于工业生产中的一些复杂、非线性系统,传统的建模方法很难描述其系统特性。但在实际生产中存在大量系统的输入输出数据、基于输入输出数据对复杂系统进行建模是一较好的途径。本文基于输入输出数据,提出一种决策树系统输入空间的划分方法,通过一定的数据训练,提取模糊规则,构成系统的模糊规则库,从而建立了非线性系统的模糊规则模型。仿真结果表明,该模型可以较好地描述系统的动态特性,同时也说明了该方法的快速性和有效性。     

连续非线性动态系统建模的模糊神经网络方法

提出一种适合于一般连续非线性动态系统建模的新的Runge-Kutta模糊神经网络(RKFNN)，证明了RKFNN的存在性。采用传统的Runge-Kutta求积公式构造，实现了对系统的状态变化特性进行学习，解决了直接映射方式对系统的动态轨迹进行学习时存在的精度低等问题，并提出了RKFNN的在线递推学习算法。对连续非线性动态系统进行楚模的仿真结果表明，RKFNN方法是一种较好的方法。     

RBF神经元网络在非线性系统建模中的应用

本文从径向基函数神经网络的特点着手，分析了该网络存在的问题，并且对网络径向基函数中心的选取，计算以及网络的拓扑结构作了改进，最后用改进的径向基函数神经元网络对化工中的连接搅拌反应釜系统进行建模，结果表明方法有效。     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.     

用模糊模型在线辨识非线性系统

讨论用模糊方法实现非线性系统在线辨识问题.首先给出了简化的模糊规则表达 方法及其相应的自适应模糊推理,在此基础上给出了模糊模型参数在线辨识算法.最后对 非线性模型进行在线辨识,验证了本文提出的模糊模型及其在线辨识算法.     

Learning Fuzzy Rules from Data

We present an algorithm, FUZZEX, for learning fuzzy rules from a corpus of data mapping input antecedents to output consequents. The input and output spaces are first divided into a grid of cells and primitive if % then rules formulated from each occupied input cell in the role of an antecedent The distribution of output cells into which data in the input cell maps, plays the role of the consequent interpreted as a fuzzy set. Those input cells associated with sufficiently similar fuzzy output sets are then combined to form a composite rule. A concise set of rules in Disjunctive Normal Form (DNF) is formed by combining adjacent input cells belonging to the same rule, thereby simplifying the logical expression of the antecedents. Optionally, more succinctness of expression may be obtained by recruiting into a rule, adjacent input cells with (little or) no data, but which happen to simplify rule expression. Preliminary testing on testbed datasets is presented. FUZZEX can be applied effectively to problems of large dimensionality.     

一种前向神经网络快速学习算法及其在系统辨识中的应用

提出一种基于最小二乘的前向神经网络快速学习算法.与现有同类算法相比,该算法无需任何矩阵求逆,计算量小,较适于需快速学习的系统辨识和其他应用.文中推导了算法,并给出一种更为简便的局部化算法.系统辨识的仿真实例表明了算法的优良性能.     

关于多变量非线性系统的自适应模糊控制

结合模糊逻辑系统、自适应控制和H∞控制,对一类非线性多变量未知系统提出了新的控制策略,给出了控制算法的稳定性分析.仿真结果证明了所提控制算法的有效性.     

模糊CMAC神经网络用于MIMO非线性系统的反馈线性化

针对一类多输入多输出（ＭＩＭＯ）连续时间非线性系统,应用模糊ＣＭＡＣ神经网络,给出一种状态反馈控制器,用于使状态反馈可线笥化的未知的非线性动态系统儿得要求的患 很弱的假设条件下,应用李雅普诺夫稳定性理论严格地证明了闭环系统内的所有信号为一致最终有界（ＵＵＢ）。     

模糊竞争神经网络在线辨识及在CSTR中的应用

基于改进的T-S模糊模型构造了一种自适应模糊竞争神经网络模型(FCNN),给出了网络的连接结构和学习算法。它依据模糊竞争学习算法确定系统的模糊空间和模糊规则数,得出每个样本对每条规则的适用程度,并利用卡尔曼滤波算法在线辨识FCNN的后件参数。将其应用于化工过程连续搅拌反应器(CSTR)的建模中,仿真结果表明,FCNN具有结构简洁、收敛速度快、辨识精度高等特点,可当作复杂系统建模的一种有效手段。     

Nonlinear Systems Identification via Two Types of Recurrent Fuzzy CMAC

Normal fuzzy CMAC neural network performs well for nonlinear systems identification because of its fast learning speed and local generalization capability for approximating nonlinear functions. However, it requires huge memory and the dimension increases exponentially with the number of inputs. It is difficult to model dynamic systems with static fuzzy CMACs. In this paper, we use two types of recurrent techniques for fuzzy CMAC to overcome the above problems. The new CMAC neural networks are named recurrent fuzzy CMAC (RFCMAC) which add feedback connections in the inner layers (local feedback) or the output layer (global feedback). The corresponding learning algorithms have time-varying learning rates, the stabilities of the neural identifications are proven.     

用神经网络进行连续时间非线性系统建模的研究

在用神经网络进行系统建模时,建模误差的存在是难免的。为了减小这种误差,本文对连接时间非线性系统提出了一种新的神经网络辨识模型,它是由带有输入修正的神经网络和稳定滤波器组合而成。文中给出了权值的学习算法,即权值是根据辨识误差的投影算法来改变,证明了在一定条件下辨识误差的收敛性。