基于改进的BP网络的语法分析系统设计

针对汉语语法分析问题提出了一种基于改进的BP网络的语法分析专家系统的设计方案。其核心是构造存储和管理文法知识的知识库及具有语言专家智能行为和语法分析能力的推理机。本系统中知识库采用产生式规则的知识表达方式，并将知识二元化存储在神经网络中；推理机采用神经网络进行推理。最后给出了系统的运行实例，说明该系统的有效性。     

汽轮发电机组故障诊断专家系统的研究

建立一个基于知识的汽轮发电机组故障诊断专家系统ＫＢＦＤＥＳ，该系统采用“框架＋规则”知识表示技术，并将框架驻留在内存，而将规则驻留在虚拟盘上；在诊断过程中采用广义的不精确推理策略，并对重要信息用一个组合神经网络进行智能识别；系统将神经网络技术和ＩＤ３算法结合，可以实现从诊断实例自动获取知识。     

基于神经网络的植物分类专家系统

本文介绍了植物分类专家系统（ＰＴＥＳ）的设计与实现。该系统采用神经网络知识表示方法表示知识，是一个基于神经网络（Ｎｅｕｒａｌ Ｎ ｅｔｗｏｒｋｓ－ＮＮ）的植物分类专家系统。     

汽轮发电机组故障诊断专家系统的研究与应用

介绍一个基于知识的汽轮发电机组故障诊断专家系统ＫＢＦＤＥＳ，系统采用“框架＋规则”知识表示技术，并将框架驻留在内存，而将规则驻留在虚拟盘上；在诊断过程中采用广义的不精确推理策略，并对重要信息用一个组合神经网络进行智能识别；系统将神经网络技术和ＩＤ３算法结合可以实现从诊断实例自动获取知识。     

嵌入式专家系统

本文所介绍的嵌入式专家系统在结构上采用了黑板模型，在知识表示和知识获取上采用了神经网络技术，其推理机则采用多种推理方法共存的方式，因此该系统能够实现在线实时控制。     

火焰电容成像的模糊神经网络控制策略

描述了基于电容层析成像，采用模糊逻辑和神经网络对静态火焰进行闭环控制过程，以神经元形式将专家知识和训练类型融合到模糊规则中，借助地神经网络的强大的学习能力，系统能自动地调整其性能。     

一个基于模糊神经网络的模式分类系统

目前,基于神经网络的分类系统在许多领域得到了越来越广泛的应用。但是,该系统大多采用的是离线自适应机制,即神经网络需学习新的分类知识时,要重新训练神经网络,从而大大增加神经网络的训练时间;对于重叠分类,一般是构成一个贝叶斯分类器。然而,贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识,而这些知识常常在模式分类前是难以获得的。为了解决这些问题,文中根据模糊集合理论,提出了一种基于模糊神经网络     

基于神经网络专家系统的研究与实现

针对传统专家系统推理能力弱和智能水平低等不足,本文采用神经网络方法解决了传统专家系统在知识表示和知识获取等方面的问题。本文从描述传统专家系统几点不足出发,详细阐述了神经网络专家系统的基本原理和框架结构,最后选取三层BP神经网络模型,给出了钻井故障诊断系统的神经网络专家系统的实现。     

一类不确定非线性系统反步自适应神经网络控制研究

针对合有高阶不确定扰动项且不可参数线性化的一类非线性系统，采用反步递推方法设计基于多层神经网络的自适应控制器，多层神经网络可较好地逼近非线性系统，其权值能在系统先验知识不多的情况下在线调整，给出了神经网络Lyapunov意义下稳定的在线自适应律，在设计控制器的过程中，采用类加权形式Lyapunov函数，使得控制器能有效处理自适应控制奇异性问题，仿真结果表明，该控制器对系统参数的不确定性和有界干扰具有一定的鲁棒性，并能保证闭环系统全局稳定。     

实现人工神经网络知识增殖能力的一种方法

具有知识增殖能力的神经学习系统是人工神经网络发展的一个重要方向，备受研究人员的关注．传统上对神经学习系统知识的增殖或重用研究偏重于对个体网络的改造，根据知识积累和继承的思想，引入自治神经网络(autonomous artificial neural network，AANN)的理念，以此作为构造知识可增殖神经学习系统的基础，利用群体网络的方法成功解决了神经学习系统的拓展和知识增殖问题．AANN和一般神经网络的区别在于其自治能力，采用AANN模块构造的神经学习系统，具有知识增殖能力，其可靠性、可拓展性和灵活性都得到提高．实验结果表明，该方法构造的群体网络系统可有效继承其模块所学习的知识．     

一种基于神经网络逆向推理机制的专家系统

本文提出了一种基于神经网络逆向推理机制的专家系统设计方案。论文研究了一种表达知识的二元产生式规则及其编码方法。通过编码，知识被存储在ANN中；基于ANN的知识库，论文设计了一种具有逆向推理机制的推理机。本文设计了一个原型系统，用于动物识别，经实验，取得较理想的效果，证明了该方法的有效性。     

基于模糊神经网络的机械故障诊断方法的研究

本文针对机械传动系统典型零部件的故障，应用振动谱分析方法，给出故障诊断的模糊规则，并采用模糊神经网络实现诊断推理，文中举例说明了该诊断方法。     

基于模糊神经Petri网的故障诊断模型

Petri网是对具有产生式规则的故障诊断系统的有力建模工具，但其缺乏较强的学习能力．本文以Petri网的基本定义为基础，结合模糊逻辑和Petri网模型，定义了模糊Petri网模型，在此基础上引入人工神经网络技术，给出了人工神经网络的模糊Petri网表示方法，并针对工程机械故障诊断异步、离散等特点，提出并建立了故障诊断的模糊神经Petri网模型及其改进模型．基于模糊神经Petri网的故障诊断系统结合了Petri网和人工神经网络的优点，经过自学习后同时具有很强的推理能力和自适应能力．     

Knowledge Incorporation into Neural Networks From Fuzzy Rules

The incorporation of prior knowledge into neural networks can improve neural network learning in several respects, for example, a faster learning speed and better generalization ability. However, neural network learning is data driven and there is no general way to exploit knowledge which is not in the form of data input-output pairs. In this paper, we propose two approaches for incorporating knowledge into neural networks from fuzzy rules. These fuzzy rules are generated based on expert knowledge or intuition. In the first approach, information from the derivative of the fuzzy system is used to regularize the neural network learning, whereas in the second approach the fuzzy rules are used as a catalyst. Simulation studies show that both approaches increase the learning speed significantly.     

A Cluster Splitting Technique by Hopfield Networks and P Systems on Simplices

In this paper we propose a new graph based P system. The main feature of graph P system is that membrane compartments spread on edges as well as on vertices. These two kinds of compartments are topologically connected with certain communication rules. A new neural computing technique is proposed to solve cluster splitting into finding the equilibrium of Hopfield neural networks. Then we use the new graph P systems to obtain stable status of the neural networks. An example is presented to show the computing efficiency of the new P system with comparison with classical genetic algorithms.     

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。     

Opening the black box of neural networks for remote sensing image classification

Neural networks, which make no assumption about data distribution, have achieved improved image classification results compared to traditional methods. Unfortunately, a neural network is generally perceived as being a ‘black box’. It is extremely difficult to document how specific classification decisions are reached. Fuzzy systems, on the other hand, have the capability to represent classification decisions explicitly in the form of fuzzy ‘if-then’ rules. However, the construction of a knowledge base, especially the fine-tuning of the fuzzy set parameters of the fuzzy rules in a fuzzy expert system, is a tedious and subjective process. This research has developed a new, improved neuro-fuzzy image classification system based on the synergism between neural networks and fuzzy expert systems. It incorporates the best of both technologies and compensates for the shortcomings of each. The learning algorithms of neural networks developed here are used to automate the derivation of fuzzy set parameters for the fuzzy ‘if-then’ rules in a fuzzy expert system. The rules obtained, in symbolic form, facilitate the understanding of the neural network based image classification system. In addition, the image classification accuracy obtained from the improved neuro-fuzzy system was significantly superior to those of the back-propagation based neural network and the maximum likelihood approaches.     

基于神经网络的分类决策树构造

目前基于符号处理的方法是解决分类规则提取问题的主要方法,而基于神经网络的连接主义方法则用的不多,其主要原因在于虽然神经网络的分类精度高,但难于提取其所隐含的分类规则与知识.针对这个问题,结合神经网络的具体特点,该文提出了一种基于神经网络的构造分类决策树的新方法.该方法通过神经网络训练建立各属性与分类结果之间的关系,进而通过提取各属性与分类结果之间的导数关系来建立分类决策树.给出了具体的决策树构造算法.同时为了提高神经网络所隐含关系的提取效果,提出了关系强化约束的概念并建立了具体的模型.实际应用结果证明了算法的有效性.     

基于神经网络规则抽取的个人信用评估模型研究

摘要：本文针对传统个人信用评估体系中的不足,提出了一种基于神经网络规则抽取的个人信用评估模型。通过对已经训练好的人工神经网络隐层激活值进行聚类分析,减少搜索空间,进而抽取出理解性好、简洁的符号规则。从而产生一组可理解的描述,这组描述能最大限度的模拟已经训练好的原神经网络的推理预测行为。使得评价中的人为因素得到弱化,克服了神经网络在个人信用评估中的“黑箱”性缺陷,增强了模型的稳健性：和可理解性。