一种基于模糊规则的神经网络结构及其学习算法研究

文章提出了一种基于模糊规则的神经网络结构,并用形式化语言进行描述。基于模糊规则的神经网络由输入层、规则层和输出层三层网络结构组成,以隶属度函数（语义值）作为网络权值,输入值沿权值的传播即进行隶属度计算。在充分分析三角形函数特征的基础上,应用启发式方法,导出了FRBNN网络的学习算法。最后应用FRBNN评价船舶碰撞危险度,表明FRBNN兼备神经网络和模糊推理系统的优点。     

一种新型的动态模糊神经网络算法

为了解决模糊系统中的知识抽取问题和避免初值选择的任意性,提出一种新型的动态模糊神经网络算法.运用规则产生准则时,考虑输出误差和可容纳边界的有效半径这2个重要因素;通过分级学习法,大大提高学习的有效性,加之参数的调整只限于线性参数,没有迭代学习,因而学习速度很快,这使算法应用于实时学习成为可能;非线性参数是由训练样本和启发式方法直接决定的.利用D-FNN来进行Mackey-Glass混沌时间序列预测实验.仿真结果表明D-FNN算法的有效性和实用性.     

一种新型的动态模糊神经网络算法

为了解决模糊系统中的知识抽取问题和避免初值选择的任意性,提出一种新型的动态模糊神经网络算法运用规则产生准则时,考虑输出误差和可容纳边界的有效半径这2个重要因素;通过分级学习法,大大提高学习的有效性,加之参数的调整只限于线性参数,没有迭代学习,因而学习速度很快,这使算法应用于实时学习成为可能;非线性参数是由训练样本和启发式方法直接决定的.利用D—FNN来进行Mackey—GIkiSS混沌时间序列预测实验。仿真结果表明D—FNN算法的有效性和实用性.     

一种基于模糊逻辑推理的双端发声检测算法

为了提高双端发声检测算法的性能、减少切音现象,文中提出了一种基于双统计量模糊逻辑推理的双端发声检测算法,并在回声消除系统中加入了舒适噪声生成部分。文中对传统的双端发声检测算法进行了分析,指出了这些算法由于采用固定门限,不能处理双端发声检测统计量其固有的模糊性,造成了在给定的虚警概率下,漏警概率偏高的问题。算法分析和实验结果表明,该算法大大地提高了双端发声检测的性能,很好地解决了加入非线性处理后的切音问题。     

一种推广的模糊神经网络及学习算法

本文采用广义模糊神经网络实现分段建模的思想，给出了一种广义ｋ－均值聚类算法，该算法对同时确定模糊规则的个数和相应的参数，仿真结果表明该算法可行和有效性。     

一种基于模糊神经网络的数据挖掘算法

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。     

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。     

一种快速模糊ARTMAP神经网络算法

模糊ARTMAP神经网络学习算法可以动态高效地检测新闻文本中的模式,但随着网络大小的增加收敛速度变慢,计算复杂,鲁棒性不高。因此提出了一种快速模糊ARTMAP神经网络算法。该算法主要提出了新的匹配函数和激励函数,不需要规范化和补码计算步骤,去除了匹配跟踪过程,当发生未遂节点为赢得竞争的节点时,直接建立一个新的模板层的类标识。算法的革新之处在与既能动态维持聚类结构同时又减少了算法的复杂性。实验结果证实了该算法在合理时间内产生了高质量的模式发现。     

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。     

模糊神经网络的混沌优化算法设计

提出了一种基于混沌变量的多层模糊神经网络优化算法设计.离线优化部分采用混沌算法,将混沌变量引入到模糊神经网络结构和参数的优化搜索中,使整个网络处于动态混沌状态,根据性能指标在动态模糊神经网络中寻找较优的网络结构和参数.在线优化部分采用梯度下降法,把混沌搜索后得到的参数全局次优值作为梯度下降搜索的初始值,进一步调整模糊神经网络的参数,实现混沌粗搜索和梯度下降细搜索相结合的优化目的,能较快地找到全局最优解.最后对二阶延迟系统进行仿真,结果表明混沌优化方法控制精度高、超调小、响应快和鲁棒性强.     

A Fuzzy Inference Network Model for Search Strategy Using Neural Logic Network

In this paper, a fuzzy inference network model for search strategy using neural logic network is presented. The model describes search strategy, and neural logic network is used to search. Fuzzy logic can bring about appropriate inference results by ignoring some information in the reasoning process. Neural logic networks are powerful tools for the reasoning process but not appropriate for the logical reasoning. To model human knowledge, besides the reasoning process capability, the logical reasoning capability is equally important. Another new neural network called neural logic network is able to do the logical reasoning. Because the fuzzy inference is a fuzzy logical reasoning, we construct a fuzzy inference network model based on the neural logic network, extending the existing rule inference network. And the traditional propagation rule is modified.     

利用神经网络进行推理的模糊控制器

本文介绍了一种利用神经网络进行推理的模糊控制器。网络的输入和输出均为模糊集。训练后的网络能完成合成关系，即模糊推时。为了减少ＢＰ网络的高线训练时间，对模糊集进行了“编码”。最后给出了该控制器应用于曲线环节的实时控制结果。     

模糊逻辑控制器的模糊神经网络实现

模糊逻辑是人脑思维活动的基本方式，而神经网络则是模仿人脑神经系统功能而设计的一类巨型非线性网络。所以将模糊逻辑与神经网络相结合具有很大的前途。本文利用模糊神经元突破了没有计算机就不能实现模糊控制的传统观点，给出了一种不用计算机就能实现的模糊神经网络控制器，对模糊控制的硬件实现起到积极的作用。     

一种基于神经网络的模糊方法研究

模糊系统设计中,模糊规则的建立是系统设计的瓶颈问题。针对这一问题,该文提出了一种用于监督神经网络自动生成模糊规则并实现模糊推理的方法。网络训练分为两个阶段,首先是结构学习,确定系统的规则总数和前提的有关参数;其次是参数学习,即调整权值,使系统输出接近理想输出。仿真实例证明使用该方法建立模糊系统具有较好的效果。     

神经网络PID在PLC系统控制中的应用研究

针对传统的PID算法由于难以给出精确的数学模型,使得系统参数设定困难,同时系统控制效果上存在一定的缺陷,造成系统安全性和可靠性降低,系统控制质量不高。为了解决传统的PID算法所带来的问题,提出了基于模糊神经网络的PID算法,将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法。将算法应用在PLC控制系统中,实验表明算法有效的实现了PID参数的自整定,并且提高了控制质量,具有一定的实际应用推广价值。     

Add-Mult型模糊神经网络

提出了一种Add-Mult型模糊神经网络模型(AMFNN)，给出了该模型的结构。根据梯度下降算法，给出了AMFNN模糊神经网络的误差反传学习算法。与6种极具代表性的模糊推理方法进行比较的结果表明，AMFNN模糊神经网络模型具有推理精度高、适用范围广、泛化能力强以及实现容易等特点，因而具有广阔的应用前景。     

基于模糊聚类分析的模糊神经网络结构的优化

该文讨论了模糊聚类分析在模糊神经网络结构的确定中的应用。通过将模糊C－均值算法、有效性函数和模糊指数相结合,给出了模糊神经网络结构确定的方法,并且给出了应用该算法具体的模糊神经网络模型。     

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MLN的中文事件论元推理方法

现有的中文事件论元抽取方法大多利用句法结构来表示论元和触发词之间的关系,该方法无法抽取与触发词距离较远且不在同一个子句中的论元。为了解决上述问题,基于马尔科夫逻辑网络(MLN),通过学习训练语料中实体填充不同角色的概率和测试语料中部分已知论元信息,来抽取其他可信度低或缺乏有效信息的论元。在ACE 2005中文语料上的实验结果表明,所提方法与基准系统相比,系统性能在论元识别和论元角色分配阶段分别提高了6.0%和4.4%。