一种基于类覆盖和粒子群优化的模糊神经网络系统

提出一种基于类覆盖获取有向图和粒子群优化方法的模糊神经网络模式识别系统模型，该模型利用改进的贪心算法获得半径较均匀的超球体类覆盖，再利用超球体类覆盖实现模糊输入空间划分和模糊IF-THEN规则提取，以此实现模糊神经网络系统的结构辨识；采用改进的模糊加权型Mamdani推理法确定系统的输出，并使用基于粒子群优化的算法对系统参数进行精炼，使系统具有很好的强壮性和识别率．对11种矿泉水味觉信号的识别实验结果证明了该系统的可行性和有效性．     

一种新的模糊聚类神经网络及其在语音信号系统辨识中的应用

主要解决语音信号模型的系统辨识问题.针对过去的模糊聚类算法进行系统辨识时逼近性能不理想的问题,提出了一种新的模糊聚类神经网络(FCNN).该方法以模糊系统模型为基础,将每个状态看作一个模糊系统,用连续的若干序列作为系统的输入,利用改进的模糊聚类辨识算法构成一种新型的模糊聚类神经网络,对系统的输出进行预测.通过语音信号系统辨识的实验,验证了本网络的有效性.     

基于模糊神经网络方法实现茶味信号识别的研究

提出一种基于模糊c-均值聚类(FCM)的模糊神经网络模型用于荼味信号识剐的方法。该方法采用模糊c-均值聚类实现模糊神经网络中模糊子集及其隶属度函教的自动确定，并对模糊加权型推理法进行了改进，在此基础上构枣了一个模糊神经网络模型。通过5种茶味信号识别的仿真实验，表明本文提出方法的有效性。     

神经模糊系统中模糊规则的优选

提出一种基于两级聚类算法的自组织神经模糊系统，该系统采用两级聚类算法（改进的最近邻域聚类算法和Gustafson-Kessel模糊聚类算法）对输入／输出数据进行模糊聚类，并由模糊聚类的划分熵确定最优划分，建立模糊模型，模型精度可由梯度下降法进一步提高。仿真结果表明，这种神经模糊系统具有结构简单、规则数少、学习速度快以及建模精度高等特点。     

基于聚类和遗传算法的解释性模糊模型设计

提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法。定义了模糊模型的精确性指标，给出了模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型；采用多目标遗传算法优化模糊模型；为提高模型的解释性，在遗传算法中利用基于相似性的模糊集合和模糊规则的简化方法对模型进行约简。采用该方法对Mackey-Glass系统进行建模，仿真结果验证了该方法的有效性。     

模糊聚类与最小二乘相结合建立非线性系统模型

提出一种模糊聚类与最小二乘相结合的辨识方法.该方法利用基于模糊似然函数的模糊聚类算法确定系统的模糊划分数目,进而对应聚类个数建立相应的Takagi-Sugeno局部线性化模型,并结合递推最小二乘法,完成系统的辨识.该方法可使模糊模型的结构辨识和参数辨识同时完成,从而实现模糊模型的在线辨识.该方法辨识速度快,精确度高.仿真结果验证了该方法的有效性.     

利用模糊满意聚类建立pH 中和过程模型

利用模糊聚类方法建立 p H中和过程模型。针对模糊聚类中普遍存在的聚类个数需事先给定和收敛速度慢等问题 ,在原有聚类方法的基础上提出一种模糊满意聚类算法。该算法能快速确定系统的模糊划分数目 ,进而对应聚类个数建立相应的 TS局部线性化模型。以典型 p H中和过程为研究对象 ,利用上述方法建立其系统模型 ,取得了良好的仿真效果 ,验证了该聚类算法的快速性和有效性     

基于T-S模型的非线性系统模糊聚类辨识方法

提出一种基于T-S模型的非线性系统模糊聚类辨识方法,对T-S模糊模型的前提部分和结论部分进行分开辨识,既简化该模型的辨识步骤,又提高它的泛化能力,同时也解决了T-S模糊模型随辨识系统复杂程度提高而规则数增大的问题。对一个非线性系统辨识的仿真结果验证了这种模糊聚类辨识方法的有效性。     

基于模糊规则自动生成算法的茶味觉信号识别

在充分研究了模糊加权神经网络和微粒群算法的基础上，给出一种能够自动生成模糊规则的剪枝算法,并以此建立了新的网络模型。通过茶味觉信号识别的仿真实验验证了该算法的有效性。     

基于模糊聚类的模型神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构,仿真研究证明该方法是有效的和可行的。     

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。     

一种非线性模型的在线辨识方法

提出一种用于非线性模型在线辨识的模糊算法。该算法将非线性输入输出系统用时变线性系统模型来拟和。并把此非线性系统模型表示成模糊模型的形式，用在线调节模糊模型的方法来辨识时变线性模型的相关参数。在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数，仿真算例表明了此算法的有效性与良好的实用价值。     

模糊聚类分析系统的研究与实现

针对目前多种模糊聚类算法组合应用研究较少的现状,在分别对基于模糊等价关系和基于模糊等价划分这两种模糊聚类分析方法进行了较为深入研究的基础上,根据两种方法的特点,构建了一种组合式模糊聚类分析方法。采用VC++与Fortran6.5语言混合编程,开发了一套模糊聚类分析系统,分别实现了基于模糊等价关系法、基于模糊ISODATA法和基于组合式模糊聚类法的模糊聚类分析,并将其应用于电力系统中不良数据的辨识处理,取得了较为理想的效果。实例分析表明,组合式算法能够有效克服单独使用某种模糊聚类算法的缺点,同时也反映出该模糊聚类分析系统具有聚类方法选取灵活、软件界面友好、计算速度快等特点,有良好的应用前景。     

基于模糊聚类的汽车车内空气质量评价

在模糊聚类分析的基础上,提出一种适用于多项空气污染物的汽车车内空气质量评价的分类与评价方法。选取8种不同的汽车,测试其车内空气质量相关数据作为统计指标,利用最大最小法建立相似矩阵,用闭包法做出聚类分析,并分析聚类结果。结果表明:该方法对评价汽车车内空气质量具有实用性和普适性。     

模糊C-均值算法在直觉模糊数聚类中的应用

提出了直觉模糊数的非监督模糊C-均值聚类算法。该算法首先定义了直觉模糊数之间的距离,其次构造了直觉模糊数聚类问题的目标函数,最后得到了直觉模糊数聚类的模糊C-均值聚类算法,聚类中心初始化方法,以及相关的聚类有效性函数。实验结果表明,该算法是有效的。     

基于约束模糊聚类的电力系统扰动信号识别方法

传统电力系统扰动信号识别方法只能解决单一扰动问题,无法对多个扰动信号进行高效率识别,为避免传统方法的弊端,提出了基于约束模糊聚类的扰动信号识别方法。计算拟合信号包络平均值,获取拟合信号和包络平均值之差,将差值作为新的拟合信号,获取最小特征尺度分量,不断进行模态分解,可将信号分解成若干个不同特征尺度函数。经过模态分解的信号满足路由信息协议标准,以新的稀疏向量为基础,对混叠的扰动信号进行特征提取。采用傅里叶变换描述扰动信号基本变化情况,计算电力系统中扰动信号的n阶导数,由此获取传输过程中的变换参数,得到采集点空间位置坐标系,依据该坐标系选择最优窗口标准,使用约束模糊聚类方法,将扰动信号全部聚类到中心位置。通过建立权值系数矩阵,设置迭代次数,并进行误差补偿,获取新的聚类中心,对抗噪声扰动信号进行有效识别。由实验结果可知,该方法最高识别精准度可达到98%,为电力系统正常运行提供支持。     

基于FCM城市区域道路交通状态时空分层判别方法*

为了解决城市区域路网交通状态的时空分析问题,提出了一种基于模糊C均值聚类(FCM)道路交通状态判别模型及分析方法。通过路网的空间单元交通状态的定量分析和对大量的历史数据进行FCM分析,挖掘出各空间单元的各类交通状态的聚类中心,并将实时采集的交通数据与聚类中心进行匹配,评判其实时交通状态,最后根据空间单元在路网空间分布,获得各状态下点、线、面的空间分层分析结果。实例结果表明,判别方法能准确地实现区域路网的交通状态时空判别,为交通精细化管理提供辅助决策信息。     

利用减法聚类的自适应模糊神经网络客观评定织物起皱等级

本文提出一种基于减法聚类的自适应模糊神经网络，用于织物起皱等级评定。首先利用减法聚类方法确定模糊神经网络的结构，再结合模糊推理系统进行模式识别，并详细介绍其基本原理和学习算法，最后引入四种起皱特征参数对真实织物进行验证，实验表明该方法是有效、可行的。