一种模糊神经网络的结构和参数的确定方法*

结合FGP(Fuzzy Grid Partition,模糊网格划分)和FNN(Fuzzy Neural Network,神经网络)提出一种有效确定模糊神经网络模型中结构及参数的方法.该方法首先从样本数据中采用模糊网格划分确定出最佳规则数,从而可确定神经网络的结构;然后采用BP算法对神经网络进行调节,从而确定出模糊神经网络的参数.采用这种方法构建我国经济增长的模糊模型.研究表明这种方法构建的模糊神经网络具有更高的精度.     

模糊小脑模型神经网络

提出输入层具有一定隶属度的模糊小脑模型神经网络(Fuzzy CMAC),它比小脑 模型CMAC(Cerebellar Model Articulation Controller)能更真实地描述客观世界.给出n维 Fuzzy CMAC算法,仿真结果表明Fuzzy CMAC比小脑模型CMAC具有如下优点:学习收敛 速度快得多,可以学习模糊规则.Fuzzy CMAC比CMAC优越,使CMAC成为Fuzzy CMAC 的特例.     

FUZZY CMAC NEURAL NETWORK ZHOU XUDONG

提出输入层具有一定隶属度的模糊小脑模型神经网络(Fuzzy CMAC),它比小脑模型CMAC(Cerebellar Model Articulation Controller)能更真实地描述客观世界.给出n维Fuzzy CMAC算法，仿真结果表明Fuzzy CMAC比小脑模型CMAC具有如下优点学习收敛速度快得多，可以学习模糊规则. Fuzzy CMAC比CMAC优越，使CMAC成为Fuzzy CMAC的特例.     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文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。     

采用新的DNA进化算法自动设计Takagi-Sugeno模糊控制器

提出一种新颖的基于DNA的进化算法(DNA-EA)来自动设计一类Trakagi-Sugeno (TS)模糊控制器.TS模糊控制器采用带有线性规则后项的TS模糊规则,连续输 入模糊集,Zadeh模糊逻辑和常用的重心反模糊器.TS模糊控制器被证明是带有可变增 益的非线性PI控制器.DNA-EA被用于自动获取TS模糊规则,并同时优化模糊规则前 项和后项中的设计参数.DNA-EA采用由生物DNA结构启发得到的DNA编码方法来编 码模糊控制器的设计参数.在DNA-EA中,引入了受微生物进化现象启发的基因转移和细 菌变异操作.另外,也引入了基于DNA遗传操作的框构变异操作.DNA编码方法非常适 合于复杂知识的表达,基于基因水平的遗传操作也很容易引入到DNA-EA中.染色体的长 度是可变的,且可插入或删除部分碱基序列.作为示例,给出了采用DNA-EA来自动设计 TS模糊控制器用于控制一类非线性系统的方法.DNA-EA能自动地构造模糊控制器.计 算机仿真结果表明,DNA-EA是有效的,且优化得到的模糊控制器是满意的.     

基于模糊加权神经网络的模糊规则自动获取

如何实现模糊规则的自动获取一直是模糊系统中的一个难题，文中在充分研究了模糊加权神经网络和遗传算法的基础上，给出了一种能够自动获取模糊规则的剪枝算法，并以此建立了新的网络模型。模拟结果验证了该模型的有效性。     

基于遗传算法的Fuzzy规则自动获取的研究

为了实现Fuzzy规则自动获取,进而构造高性能智能系统和解决智能系统的瓶颈问题,研究了利用遗传算法自动获取规则的方法以及遗传算法的组合优化能力.模拟结果表明,这是一种有效地获取Fuzzy规则的方法.     

一种用模糊—神经技术建造专家系统的方法

本文提出了一种用模糊－神经技术建造专家系统的方法。从领域专家处获取的知识是以模糊规则和隶属函数的形式表示的。根据本文提出的方法，首先将模糊规则和隶属函数用神经网络表示出来（导入）；生成的神经网络用于实现模糊推理，然后利用修改的反传算法训练神经网络，从而提高系统的精度，修改隶属函数，求精模糊规则；最后从神经网络中提取隶属函数和模糊规则（导入），帮助解释神经网络的内部表示和操作，利用本文所提出的方法建     

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。     

一种基于模糊加权型推理法的模糊神经网络

本文在Ｍａｍｄａｎｉ模糊推理法的基础上,给出了改进的模糊加权型推理法－广义模糊加权型推理法。     

神经网络的模糊规则提取

神经网络的“黑箱问题”为该技术的广泛应用带来了一定限制,由于神经网络在一定条件下可与模糊系统相互转换,从神经网络中提取模糊规则为“黑箱问题”的解决提供了有效手段。本文在阐述基本概念的同时,分析了把连续值网络转化为二值网络和从神经网络到模糊系统的转换进行模糊规则提取的两类方法,通过解决Iris问题的实验结果比较了两类方法的性能。     

一种基于模糊聚类的模糊辨识方法

介绍一种基于模糊聚类的模糊辨识方法。首先利用含有聚类准则函数的模糊聚类方法来确定模糊规则数和模型前提参数,然后利用最小二乘法来辨识模型的结论参数,最后采用梯度下降法来调整模型的参数。该方法应用于Box-Jenkins数据仿真实例,仿真结果表明该方法简单有效。     

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。     

一种使用启发式搜索优化的模糊规则分类方法

文章提出了一种基于模糊规则的分类方法。该方法首先介绍了基于模糊C均值聚类的模糊规则提取,然后利用所建立的模糊规则库设计了一种分类算法,并且利用启发式搜索来精简分类规则。使用IRIS数据对该文的方法进行了性能测试,结果表明该方法在训练样本较少的情况下,能得到很好的分类效果,并且通过规则精简,所使用的规则数目大大下降,而分类性能更加优良。     

一种高效的模糊规则自动生成方法

文中提出一种模糊规则自由生成方法。该方法借助Ｋ－Ｎｅａｒｅｓｔ－Ｎｅｉｇｈｂｏｒ的概念确定控制曲面的的关键点,然后根据关键点确定模糊划分,并由此构造模糊神经网络学习模糊规则。神经网络采用ＢＰ算法学习,在学习过程中可根据收剑情况适当增加模糊分区,并重构神经网络继续学习。该方法能生成较精简的规则集,并具有良好的收敛性和较快的收剑速度。     

一种进化模糊逻辑控制器的新方法

结合进化学习分类器的密歇根和匹兹堡方法的优点,首次将对单条控制规则的评价引入了模糊逻辑控制器（ＦＬＣ）的进化过程中,解决了匹兹堡类型的学习分类器系统“强化信息的带宽窄”的问题,实现了ＦＬＣ在控制器级和规则级的同时进化,控制器的控制规则数目也可以自由变化,实验结果表明新方法有较高的效率,优化的模糊控制器的结构简单,性能良好。     

设计模糊控制器的一种方法

本文提出一种设计模糊控制器（ＦＣ）的方法,该方法将于Ｅｉ,ＥＣｊ,Ｕｋ分别定义为各自论域上的模糊划分,采用代数乘和代数加运算,量化等级可以根据需要而定,简化算法可以实现实时在线计算,内存只存储控制规则和隶属度函数,计算复杂度与量化等级无关;设计的模糊控制器具有良好的动态和稳态性能。     

优化模糊Petri网参数的一种混合智能算法

确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立具有非常重要的意义,是目前研究热点之一.提出了一种充分结合量子粒子群优化算法QPSO(Quantum-behaved partide swarm optimization algorithm)和BP网络学习算法各自优点的混合智能算法HQBA,并将其引入到模糊Petri网的参数寻优过程.仿真实例表明,这种混合算法计算简单,收敛速度快,能够明显减少迭代次数,具有更好的全局收敛性能.由此训练出的参数正确率较高,所得的FPN具有很强的泛化能力和自适应性.