基于LSFD算法的小波模糊神经网络的研究与应用

利用小波变换的多分辨率特性构造小波模糊神经网络模型,并应用在非线性系统的辨识上.在参数学习上,给出了模糊微分与李亚普诺夫稳定相结合的新算法—LSFD算法,并与梯度下降法进行了对比.通过仿真,结果表明小波模糊神经网络模型与模糊神经网络、模糊小波神经网络、小波神经网络和神经网络等模型相比,其性能指标最小,收敛速度更快,更加准确.     

基于CFNN的电火花加工工艺效果预测模型

针时常规神经网络和模糊神经网络的不足,介绍了一种具有快速算法的补偿模糊神经网络,并根据电火花加工的工艺特点及其复杂性,建立了基于补偿模糊神经网络的电火花加工工艺效果预测模型,可实现指定加工条件下的工艺效果预测.仿真结果显示了其良好的预测精度,其性能优于常规模糊神经网络.     

智能车辆导航路径识别的模糊神经网络方法研究

研究了采用模糊神经网络来识别 JL UIV- 2型视觉导航智能车辆模糊和脏污的导航路径的方法 ,提出了两种模糊神经网络模型 .第 1种模糊神经网络有 5层结构 ,采用正态分布概率函数作为模糊化函数 ;第 2种模糊神经网络有 6层结构 ,采用 π函数作为模糊化函数 .同时采用改进的快速 BP算法对这两种模糊神经网络进行训练 ,并采用实际模糊和脏污的条带状导航路标图象进行了识别试验 .试验结果表明 ,所提出的模糊神经网络可使智能车辆有效地识别出模糊和脏污的导航路径     

基于遗传策略和神经网络的非监督分类方法

文章提出了一种新的基于遗传策略和模糊ART(adaptive resonance theory)神经网络的非监督分类方法.首先,利用原有的训练样本对模糊ART神经网络进行非监督训练,然后,采用遗传策略为模糊ART神经网络增加各类族边界邻域内的训练样本点,再对模糊ART神经网络进行有监督训练.这种方法解决了训练样本在较少条件下的ART系列神经网络的学习与分类问题,提高了ART系列神经网络的分类性能,并扩展了其应用范围.     

一款可编程语音处理器的设计与应用

提出了一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补了神经网络结构复杂、网络训练时间长、结果表示不易理解等不足.经过模糊神经网络的建立和训练达到精度要求,实现了运用模糊神经网络方法从数据库中提取知识的目标.     

基于模糊神经网络的5连杆双足机器人混杂控制

针对双足机器人单脚支撑期控制问题, 提出了一种新型的模糊神经网络混杂控制方法. 该种方法结合了模糊神经网络、H_∞ 控制及逆系统方法的优点. 应用了一种新的多层模糊CMAC神经网络对系统进行逼近, 一方面将模糊神经网络的构造误差看作系统的干扰, 利用H_∞ 控制对干扰进行抑制. 另一方面利用模糊神经网络对系统模型进行逼近, 为逆系统的构建和H_∞ 控制率的设计提供了有效的系统信息. 并证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制 L₂ 增益.     

模糊神经网络在非线性短期负荷预测中的应用

为提高负荷预测精度,提出了一种新的4层模糊神经网络短期负荷预测模型.该模型将模糊逻辑和神经网络的长处融合在一起,使模糊推理和解模糊均通过神经网络来实现.选取的隶属函数使神经网络权值有一定的知识表示意义,并通过模糊化层将输入特征量转化为模糊量.在模糊推理层提出了两种不同的算法来完成模糊推理,然后从中确定出模糊取小算法预测效果更好.最后在输出层通过适当的解模糊得到确切的预测输出值.仿真结果表明了该方法的有效性.     

柔索驱动并联机构的二型模糊神经逆控制

由于建立精确数学模型的困难以及控制过程中各种不确定性的存在, 柔索驱动并联机构的水平调节具有一定的难度. 针对该问题, 提出了一种基于二型模糊神经网络的逆控制方案. 该控制方案中的二型模糊神经网络实现了对水平调节过程逆动态的逼近以及对各种不确定性的处理. 采用迭代最小二乘算法对二型模糊神经网络区间权重进行了优化. 最后, 将基于二型模糊神经网络的逆控制方案在实际的控制对象上进行了实验, 并与其相对应的基于一型模糊神经网络的逆控制方案进行了比较. 实验结果表明所提出的控制方案是有效的且采用二型模糊神经网络时能获得更好的控制效果.     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

一类模糊神经网络的函数逼近能力

根据多元Fourier变换理论提出一种多元函数的积分变换方法.据此讨论一类模糊 神经网络作为函数逼近器时的逼近误差与其结构关系,得到模糊神经网络的逼近误差与其隐 含层的节点数成反比的结论.并论证了模糊神经网络的函数逼近精度与输入变量数无关.     

基于FNN与GA相融合的数据挖掘方法研究

模糊神经网络即具有输入信号是模糊量的神经网络,是模糊系统与神经网络相结合的产物,汇聚了二者的优点;遗传算法是一种自适应全局优化概率搜索算法。研究了基于模糊神经网络与遗传算法相融合的一种算法,在应用模糊神经网络进行数据挖掘前,应用遗传算法完成隶属函数的训练,以便更好地进行模糊神经网络学习;经过模糊神经网络学习后,提取相关规则,再次应用遗传算法,进行规则剪枝,提高数据挖掘效率。实验表明,与传统方法相比,该方法能够更快速、更加准确地进行数据挖掘,提取更精确的推理规则。     

基于FNN与GA相融合的数据挖掘方法研究

模糊神经网络即具有输入信号是模糊量的神经网络,是模糊系统与神经网络相结合的产物,汇聚了二者的优点;遗传算法是一种自适应全局优化概率搜索算法.研究了基于模糊神经网络与遗传算法相融合的一种算法,在应用模糊神经网络进行数据挖掘前,应用遗传算法完成隶属函数的训练,以便更好地进行模糊神经网络学习;经过模糊神经网络学习后,提取相关规则,再次应用遗传算法,进行规则剪枝,提高数据挖掘效率.实验表明,与传统方法相比,该方法能够更快速、更加准确地进行数据挖掘,提取更精确的推理规则.     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

基于HGA的模糊神经控制器设计及其应用

将神经网络与模糊控制相结合,实现了模糊控制器的自学习和自适应。给出一种基于递阶遗传算法的模糊神经网络优化算法,通过对每个染色体采用递阶编码,可以同时优化模糊神经网络结构和权值参数。将这种模糊神经网络控制器应用于镍氢电池的充电控制中,证明了算法的有效性。     

遗传算法及模糊、神经网络融合技术的研究

介绍了遗传算法与神经网络、遗传算法与模糊逻辑系统的融合方式及结构，并通过遗传算法、模糊、神经网络三者的融合技术对倒立摆进行控制，介绍了参数优化方法，说明了这种融合技术的可行性、实用性和通用性。     

基于遗传禁忌算法优化的模糊神经网络垂直切换算法*

综合考虑了遗传算法和禁忌算法的优点,将遗传禁忌算法、模糊理论和神经网络相结合,提出了一种基于遗传禁忌算法(GATS)优化的模糊神经网络垂直切换算法GATS-FNN,并在垂直切换的过程中加入了预判决模块,通过节点的筛选降低了系统成本和算法复杂程度。将网络信号强度、网络带宽、网络负载和用户终端移动速度进行了模糊处理,并采用遗传禁忌算法进行优化,调整隶属度函数的参数,仿真结果表明,该算法可以降低页面平均响应时间,为用户提供更好的服务。     

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-s模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T_s模糊神经网络的最优参数配置,从而能发挥T-s模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-s模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。     

基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题，提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法，利用该算法同时优化模糊加权神经网络的结构和参数，最后说明了从网络中提取模糊规则的方法，从而自动获得最优的模糊规则。分析和实验结果表明，本文方法在规则提取和分类准确性等方面比其他方法更好。     

一种最优模糊神经网络控制器

基于最优控制的思想,通过对控制系统的过程模拟,提出一种最优模糊神经网络控制器的设计方案,首先利用基于十进制编码机制的遗传算法寻找最优的控制器结构,然后利用基于浮点数编码机制的遗传算法寻的最优的控制器参数,仿真结果表明该控制器优于常规模糊控制器。     

遗传算法在T—S模糊模型辨识中的应用

给出了Ｔ－Ｓ模糊模型的一种模糊神经网络实现方法。提出了采用遗传算法优化网络参数，实现了Ｔ－Ｓ模型的辨识。给出了参优化的详细过程，并用仿真实例证实了 这种方法的有效性。成功地将神经网络，模糊逻辑与遗传算法融合于一个系统中。