K-聚类的模糊神经网络对DO的控制研究

运用一种基于K-聚类算法的模糊径向基函数（RBF）神经网络对污水处理中的溶解氧质量浓度进行控制,该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制、RBF神经网络以及K-聚类学习算法相结合以在线调整隶属函数,优化控制规则。通过对阶跃输入仿真分析,其结果表明基于RBF的模糊神经网络控制器具有良好的动态性能、较强的鲁棒性和抗干扰能力,使其快速、准确地达到期望水平。     

改进的T-S模糊神经网络在语音识别中的应用

给出一种改进的具有四层网络结构的T-S模糊神经网络算法,通过在隶属度上加入一个与输入维数有关的补偿因子,使其能够应用到语音识别系统中,并解决了由输入维数过大而引起的规则灾问题。实验结果表明改进的T-S模糊神经网络能够应用于语音识别系统,同时表明该网络的识别率比RBF网络高,并且鲁棒性较好。     

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力.但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数（RBF）神经网络结构,利用改进的遗传算法（GA）对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度.神经网络正向模型（NNP）利用弹性BP算法进行离线辨识,使得到的模型泛化性能好.     

基于Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

BP算法改进及在控制系统中应用

研究控制问题,为了解决系统的稳定性和系统的精度,采用模糊控制方法,对模糊隶属度函数输入域上致密分布的要求,采用隶属函数约束寻优对基于BP算法的模糊神经网络进行了改进。算法首先采用-S函数对输入变量进行非线性映射,函数在把输入变量映射人确定区域的同时最大程度上保留了原样本的信息,然后根据经验知识给出隶属函数参数的优化范围,保证了模糊变量在输入域上的致密分布。经过仿真实验,仿真结果取得了与理论分析一致的实验结果,保证系统的稳定性。     

具有广义线性隶属函数的典型模糊系统的通用逼近性*

设计了一种将三角形和梯形隶属函数作为特例的广义线性隶属函数,推导了输入采用广义线性隶属函数的典型Mamdani模糊系统的解析结构,证明了典型模糊系统是单调、递减的有界连续函数;在此基础上证明了该类模糊系统能以任意精度逼近任意连续实函数,最后仿真实例证明了本设计的有效性。     

模糊对向传播神经网络及其应用

通过把对向传播(CP)神经网络的竞争层神经元的输出函数定义为模糊隶属度函 数,提出了模糊对向传播(FCP)神经网络.该网络是CP网络的推广,它不仅能有效克服CP 存在的问题,而且具有全局函数逼近能力.在结构上,FCP网络同径向基函数(RBF)网络是等 价的.实际上,它是一种RBF网络,而且还是一种模糊基函数网络.FCP在时间序列预测中的 应用表明,FCP不仅在学习精度上,而且在泛化能力方面较之CP和RBF均有较大的改善.     

改进的RBFNN在运动员竞技状态预测中的应用

提出了一种改进的径向基函数(RBF)神经网络,该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数,然后通过模糊C均值聚类算法优化基函数中心与宽度,最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明:该算法先进有效、具有较高的精度,用其建立的模型具有较强的实用性。     

基于RBF模糊神经网络的垂直轴风力机设计

半转结构垂直轴风力机具有优良的空气动力特性,为了进一步提高风电系统输出电能的质量,在RBF神经网络与模糊逻辑系统的函数等价条件下,探索了基于T-S模糊模型的RBF模糊神经网络控制算法,并依此设计出两叶结构半转式垂直轴风力机控制器;通过与常规PID控制算法的仿真比较,表明基于T-S模型的RBF模糊神经网络控制算法在两叶结构半转式垂直轴风力机的恒转速控制方面具有一定的优越性。     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

基于模糊网络和粒子群优化的油田指标预测

针对油田开发指标预测问题,提出一种模糊神经网络模型,该模型包括输入层、模糊化层、规则层和输出层。模糊化层采用高斯隶属函数,规则层每个节点对应一条模糊逻辑规则。网络可调参数为模糊集参数和输出层权值。提出了基于改进量子粒子群优化的网络训练方法。以油田开发指标中含水率预测为例,结果表明该方法是有效的可行的。     

A two-layer paradigm capable of forming arbitrary decision regionsin input space

It is well known that a two-layer perceptron network with threshold neurons is incapable of forming arbitrary decision regions in input space, while a three-layer perceptron has that capability. The effect of replacing the output neuron in a two-layer perceptron with a bithreshold element is studied. The limitations of this modified two-layer perceptron are observed. Results on the separating capabilities of a pair of parallel hyperplanes are obtained. Based on these, a new two-layer neural paradigm based on increasing the dimensionality of the output of the first layer is proposed and is shown to be capable of forming any arbitrary decision region in input space. Then a type of logic called bithreshold logic, based on the bithreshold neuron transfer function, is studied. Results on the limits of switching function realizability using bithreshold gates are obtained.     

一种基于Walsh变换的反馈过程神经网络模型及学习算法

提出了一种带有反馈输入的过程式神经元网络模型，模型为三层结构，其隐层和输出层均为过程神经元．输入层完成连续信号的输入，隐层完成输入信号的空间聚合和向输出层逐点映射，并将输出信号逐点反馈到输入层；输出层完成隐层输出信号的时、空聚合运算和系统输出．在对权函数实施Walsh变换的基础上给出了该模型的学习算法．仿真实验证明了模型和算法的有效性．     

System identification of Wiener systems with B-spline functions using De Boor recursion

In this article a simple and effective algorithm is introduced for the system identification of the Wiener system using observational input/output data. The nonlinear static function in the Wiener system is modelled using a B-spline neural network. The Gauss–Newton algorithm is combined with De Boor algorithm (both curve and the first order derivatives) for the parameter estimation of the Wiener model, together with the use of a parameter initialisation scheme. Numerical examples are utilised to demonstrate the efficacy of the proposed approach.     

Synaptic depression leads to nonmonotonic frequency dependence in the coincidence detector

In this letter, we extend our previous analytical results (Mikula & Niebur, 2003) for the coincidence detector by taking into account probabilistic frequency-dependent synaptic depression. We present a solution for the steady-state output rate of an ideal coincidence detector receiving an arbitrary number of input spike trains with identical binomial count distributions (which includes Poisson statistics as a special case) and identical arbitrary pairwise cross-correlations, from zero correlation (independent processes) to perfect correlation (identical processes). Synapses vary their efficacy probabilistically according to the observed depression mechanisms. Our results show that synaptic depression, if made sufficiently strong, will result in an inverted U-shaped curve for the output rate of a coincidence detector as a function of input rate. This leads to the counterintuitive prediction that higher presynaptic (input) rates may lead to lower postsynaptic (output) rates where the output rate may fall faster than the inverse of the input rate.     

一种结构自适应径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该网络中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

Equilibrium-independent passivity: A new definition and numerical certification

We extend the traditional notion of passivity to a forced system whose equilibrium is dependent on the control input by defining equilibrium-independent passivity, a system property characterized by a dissipation inequality centered at an arbitrary equilibrium point. We provide a necessary input/output condition which can be tested for systems of arbitrary dimension and sufficient conditions to certify this property for scalar systems. An example from network stability analysis is presented which demonstrates the utility of this new definition. We then proceed to numerical certification of equilibrium-independent passivity using sum-of-squares programming. Finally, through numerical examples we show that equilibrium-independent passivity is less restrictive than incremental passivity.     

Curvilinear component analysis: a self-organizing neural networkfor nonlinear mapping of data sets

We present a new strategy called "curvilinear component analysis" (CCA) for dimensionality reduction and representation of multidimensional data sets. The principle of CCA is a self-organized neural network performing two tasks: vector quantization (VQ) of the submanifold in the data set (input space); and nonlinear projection (P) of these quantizing vectors toward an output space, providing a revealing unfolding of the submanifold. After learning, the network has the ability to continuously map any new point from one space into another: forward mapping of new points in the input space, or backward mapping of an arbitrary position in the output space.