基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

基于模糊神经网络的模糊辨识方法及其应用

利用模糊神经网络（ＦＮＮ）的学习能力从控制操作的现场数据中获取模糊规则，并自动调节隶属函数，把建模的过程转化为ＦＮＮ网络结构参数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题，取得了满意的结果。     

非线性系统的模糊建模方法研究

给出一种基于T-S模型进行非线性模糊建模的方法,该方法首先通过模糊聚类的方法进行模糊结构辨识,再利用带遗忘因子的递推最小二乘法对后件参数的辨识,从而得到模糊模型,通过利用Box和Jenkins煤气炉数据进行仿真,验证了所提方法的有效性.     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络（DFNN）的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯（CHP）分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型（CFNN）.     

应用聚类和模糊神经网络设计模糊系统

基于聚类技术和一类模糊神经网络提出一种设计模糊系统的混合方法,通过一个无监督的聚类算法自组织地确定模糊规则的数目及生成一个初始的模糊规则库,构建一类模糊神经网络,通过调整网络的权值,使规则库中的参数更加准确,并以函数逼近问题为例验证了该方法的有效性。     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.     

基于神经网络的模糊诊断方法及应用研究

提出了采用模糊聚类对样本的处理方法，并研究了模糊综合评估的方法在提取矛盾样本中的应用，然后提出了基于神经网络的模糊诊断方法，最后进行了仿真研究，计算结果表明本章提出的方法具有较强的实用性。     

信息优化的模糊神经网络在建模中的应用研究

提出采用信息聚类－扩散的模糊神经网络（ＩＣＥＦＮ）来对小样本建立模型的理论．利用信息扩散将分类小样本信息扩散至周围信息点，从而解决神经网络在小样本上无法建模的缺陷．同时，还采用了因素程度空间来扩展输入＼输出结点，减少隐结点数，使网络进一步符合实际系统．该方法用于降水量预测，取得了满意的仿真结果．     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法．采用结构辨识和参数辨识相结合的方法，构造模糊系统完善的模糊规则库．用此设计方法对函数逼近问题进行仿真，结果表明该方法具有规则数目少、学习速度快、建模精度高等特点．     

一种广义预测模型的研究

传统的预测方法存在着难以全面考虑影响因素，其中包括算法复杂、精度较差、实时应用等缺点，针对供热、空调、电力、供水等系统的负荷既受到环境因素等模拟量的影响，又受到节假日、上下班等开关量影响的特点，将模拟人脑逻辑思维的模糊技术与模拟人脑自学习的神经网络技术相结合的模糊神经网络引入到负荷的预测中，提出了一种新型的基于模糊神经网络的预测模型，并对输入量的选择进行了详细的分析，既考虑了历史数据的影响，又考虑了突发事件的作用，获得了较快的预测速度和较高的预测精度。     

基于模糊对向网络的非线性动态系统辨识新算法

以模糊对向网络为辨识模型,利用它所具有的模糊逻辑系统和神经网络两者的优点,在模糊C－均值聚类方法的基础上引入新的聚类目标函数,并证明了它的优化条件,将模糊聚类和最小二乘法相结合,提出一种模型参数学习的新算法,在直流电弧燃弧时间建模研究中的应用结果表明提出的算法是有效的。     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于模糊逻辑的模糊神经网络推理机结构及其实现

讨论了基于模糊逻辑与神经网络的模糊神经网络推理机的结构;给出了将模糊产生式规则转换为相应模糊神经网络的方法;深入探讨了采用欧氏距离作为误差函数的改进ＢＰ算法;给出了在数据融合中使用该模糊神经网络推理机进行目标平台识别的例子．     

基于加权模糊推理网络的文本自动分类方法

针对数据挖掘中的文本自动分类问题,提出了一种基于加权模糊推理网络的分类方法．网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点．根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法．该算法以文本特征谓词的真度作为分类依据,体现了模糊分类的思想以旅游站点网页分类为例验证了该方法的有效性。     

The study of fuzzy chaotic neural network based on chaotic method

This paper proposes a type of Fuzzy Chaotic Neural Network (FCNN). Firstly, the model of recurrent fuzzy neural network (RFNN) is considered, which adds a feedback in the second layer to realize dynamic map. Then, the Logistic map is introduced into the recurrent fuzzy neural network, so as to build a Fuzzy Chaotic Neural Network (FCNN). Its chaotic character is analyzed, and then the training algorithm and associate memory ability are studied subsequently. And then, a chaotic system is approximated using FCNN; the simulation results indicate that FCNN could approach dynamic system preferably. And owing to the introducing of chaotic map, the chaotic recollect capacity of FCNN is increased.     

基于模糊神经网络的变压器励磁涌流鉴别的研究

针对目前研究领域中基于神经网络的变压器励磁涌流鉴别方法存在着的误判现象,提出利用高木- 关野模糊神经网络来实现鉴别的新方案。经仿真实验表明:该方案能更准确地判别出变压器内部故障和励磁涌流,具有很高的可靠性。     

基于模糊神经网络的彩色图像滤波器研究

为实现彩色图像噪声的滤波，基于模糊神经网络技术构建了一种新型的彩色图像滤波器．该滤波器通过对滤波窗口的彩色图像像素矢量进行模糊加权来判断邻近像素和中心像素的关系，针对不同性质的噪声由神经网络的自学习和自组织功能来自动调节滤波器的权值以实现噪声的滤除．用Flowers图像和Lena图像对经过训练的滤波器和矢量中值滤波器进行了测试对比．结果表明：模糊神经网络彩色滤波器无论对单纯的脉冲噪声及高斯噪声，还是二者的混合噪声，其滤除能力都要优于矢量中值滤波器，并且有较好的边缘和细节保持能力．     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.