基于模糊模式识别的中文邮件过滤探讨

本文给出了一种基于模糊模式识别的垃圾邮件过滤方法:针对个人用户,搜集样本邮件进行学习,提取特征词汇构成特征论域,在论域上定义模糊集描述邮件,然后构造隶属函数并计算贴近度,使用择近原则判别垃圾邮件;阐述了模糊模式识别原理和过滤算法。     

一种基于NFCS形态的模糊神经网络的学习算法

神经网络与模糊逻辑协同系统（NFCS）是神经网络与模型系统深度融合的一种形态，传统的BP算法也可作为NFCS的学习算法，但收敛性能不佳，针对NFCS形态的模糊神经网络提出了BP算法的一种新的改进算法（NFCS－BP），即在误差传播时不仅改变网络的连接权值，同时也改变模糊逻辑神经元模型的补偿参数，首先介绍了NFCS的协同机制和典型结构，然后详细推导了改进算法的迭代公式，实践证明，与传统BP算法相比，该算法具有收敛性能好，函数逼近精度高的优点。     

基于广义模糊基函数的多变量模糊模型及其辨识方法

利用模糊穴位映射理论，提出一种有效描述复杂多变量系统的模糊模型－－广义模糊基函数展开式，它可方便地处理多输入多输出系统的语言和系统信息，并可逼近任意非线性函数，是一种通用的多变量模糊逻辑系统模型。利用语言信息，提出一种新的自适应参数辨识方法－－改进的Ｗｉｄｒｏｗ－Ｈｏｆｆ学习规则，仿真结果验证了它的有效性。     

基于改进模拟退火算法的手写体数字识别

对模糊C-均值聚类作了简要分析和评论，在此基础上将模拟退火机制引入其中，以克服模糊C-均值聚类的局部性和对初始聚类中心的敏感性；采用了基于贴近度和择近原则的模糊识别方法；详细设计了算法。仿真结果说明，该方法在识别速度和准确率方面都达到了令人满意的效果，为手写体数字的识别提供了一种新方法，也拓展了模糊理论的应用范围。     

多阶段模糊决策问题的模糊启发式搜索算法FDA

文中提出了多阶段模糊决策问题的自底向上的模糊启发式搜索算法ＦＤＡ＾＊，并证明了只要启发式估价函数ｈ＾↑￣可采纳，则ＦＤＡ＾＊算法亦可采纳，且定能找到具有最小耗散的最佳决策序列。对于可采纳启发式估价函数ｈ↑￣通常难以设计这一问题，文中提出了启发式估价函数的渐进式学习算法Ｌｅａｒｎｉｎｇ－ｈ↑￣。证明了通过ＦＤＡ＾＊算法的大量解题，Ｌｅａｒｎｉｎｇ－ｈ↑￣算法能以概率为１使启发式估价函数学习并收敛为可     

图象压缩的模糊竞争矢量量化方法

在分析神经网络竞争学习算法和模糊Ｃ均值算法的基础上，提出了模糊竞争学习算法，并对模糊隶属度函数进行了探讨。理论分析和实验结果表明，模糊竞争学习算法用于图象矢量量化压缩编码是一种非常有效的方法。     

神经网络与模糊逻辑的集成及其在列车控制系统中的应用

针对神经网络的学习算法存在的缺陷,将模糊逻辑集成进神经网络的学习过程中,提出了一种Ｆ－ＢＰ算法,大大地加快了神经网络的学习速度。在此基础上,提出了一种在学习算法,在线的调整神经网络的参数,使神经网络能动态适应环境。     

一种新的模糊神经元网络学习方法

提出了一种模糊神经元网络的学习算法即利用多 层多层模糊IF/THEN规则表达专家知识的神经网络学习方法，在以此构造的基于多源信息融合的分类系统中，采用了多层模糊IF/THEN规则进行分类。为了处理模糊语言值，提出了一种能够控制模糊输入矢量的神经网络体系结构。该方法能够对非线性实间隔矢量和模糊矢量进行分类，工程实验表明，此学习算法是切实可行的。     

一种基于最大—乘积型合成神经元的模糊联想记忆网络*

本文提出了由最大－乘积型合成神经元的模糊神经网络实现双向双向联想记忆的一种学习方法实现双向联想记忆的充要条件，对于自联想记忆网络，自联想权得由广义模糊解确定，模式联想一次就收敛，该网络具有较强的容错性，大量的计算机实验结果表明该学习算法是行之有效的。     

基于模糊聚类和卡尔曼滤波方法的模糊辨识*

本文提出一种通用的基于模糊聚类和卡尔曼滤波方法的模糊辨识方法。模糊聚类方法在给定的广义目标下按线性簇对被辨识的样本数据进行聚类，这样使得被辨识模型可用基干局部线性模型表示，然后，利用卡尔曼滤波方法拟合这些线性模型。本文给出了详细的模糊辨识算法。为了验证该辨识方法的有效性，本文最后给出了熟知的Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

Fuzzy Identification of Nonlinear Systems via Orthogonal Transform

This paper is concerned with the application of orthogonal transforms and fuzzy competitive learning to extract fuzzy rules from data. The least square algorithm with orthogonal transforms is proposed to supervise the progress of fuzzy competitive learning. First of all, competitive learning takes place in the product space of system inputs and outputs and each cluster corresponds to a fuzzy IF–THEN rule. The fuzzy relation matrix, confirmed by fuzzy competitive learning, is studied by the orthogonal least square algorithm. The validity of fuzzy rules is obtained by analyzing the effect of orthogonal vectors in the fuzzy model, and subsequently removing less important ones. The structure identification and parameter identification of the fuzzy model are simultaneously confirmed in the proposed algorithm. Using simulation results as an example, the fuzzy model of non‐linear systems can be built by using the proposed algorithm. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

复杂工业过程的遗传模糊神经网络控制

本文提出一种基于遗传算法和监督学习方法的有效模糊神经网络控制，这种控制器采用并行处理的推理网络，具有两个重要特点：自适应和学习性，所提方法经过仿真和温控验证表明控制性能良好。     

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。     

Structured Learning and Decomposition of Fuzzy Models for Robotic Control Applications

In this paper a specially designed structured-optimization procedure is used for learning the parameters of the Takagi–Sugeno (TS) type fuzzy models. It is well-known that the number of learning parameters increases exponentially with the number of model inputs. Therefore an appropriate learning scheme with preliminary structuring of the learning parameters into two groups: antecedent parameters and consequent parameters can be helpful for speeding-up the learning process. Two different optimization algorithms for tuning the antecedent and consequent parameters respectively are used in a sequence of repetitive loops (epochs). The stop criterion is defined as a number of repetitions of the loops or as a desired minimal error. Random walk algorithm with variable step size is used in this paper for tuning the antecedent parameters of the membership functions. For tuning the consequent parameters of the singletons, a specially proposed local learning algorithm is used. The problem of dimensionality reduction in fuzzy modeling is also considered in the paper from another viewpoint, namely as a hierarchical fuzzy model structure. It is accomplished by a decomposition of the complete fuzzy model into a feedforward hierarchical structure of sub-models called partial fuzzy models each one with two inputs and one output. Then the local models are learned separately in a preliminary specified and repetitive order. Such decomposition scheme has a potential for a significant reduction of the number of model parameters to be tuned thus reducing the total learning time. It has been experimentally shown that both concepts for dimensionality reduction in learning fuzzy models have benefits in learning speed and accuracy. A comparison with simultaneous optimization of all parameters of a single fuzzy model is also given. It shows that the proposed structured learning as well as the decomposition of the fuzzy model into a hierarchical fuzzy model structure lead to reducing the learning time and creating more accurate fuzzy models. Finally an application for learning a fuzzy controller of a two-link robot motion is shown and analysed.     

动态模糊机器学习模型及验证

根据学习系统中存在的动态模糊性，提出了动态模糊机器学习模型，给出了动态模糊机器学习算法和它的几何模型描述，并进行了算法的稳定性分析，最后给出了实例验证。实例结果与BP算法产生结果相比较，优于BP算法的结果。     

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

成对约束的属性加权半监督模糊核聚类算法

在机器学习和数据挖掘中,带约束的半监督聚类是一个活跃的研究领域。为了利用约束条件获得表现更优异的聚类效果,提出了一种成对约束的属性加权半监督聚类算法,该方法充分考虑了属性间的不平衡性,在传统模糊聚类算法中融合半监督学习机制并通过Mercer核把原始的观察空间映射到高维特征空间。实验结果表明,该算法优于相似的成对约束的竞争群算法（PCCA）。     

基于最小二乘支持向量回归机的Mamdani模糊系统结构

为了提高模糊系统处理高维问题的推广能力,基于最小二乘支持向量回归机(LSSVR)的思想提出了一个设计Mamdani模糊系统的新算法。传统算法都存在过学习问题,该算法在目标函数中考虑了结构风险避免了过学习现象,并将模糊系统的参数寻优问题转化为一个二次规划问题进行求解。在此算法中,构造了一种新的具有语言意义的数据依赖型模糊核函数,它是一种Mercer核。实验结果证明,该算法提高了Mamdani模糊系统的逼近能力和推广能力。     

广义模糊推理与广义模糊RBF 神经网络

在提出广义模糊推理概念的基础上,提出并分析了广义模糊径向基(RBF)神经网络模型,给出了该网络的广义学习算法。仿真结果验证了广义模糊RBF神经网络模型具有良好的函数逼近能力,所提出的学习算法是可行和有效的。