FNN上的反向传播学习算法

近几年来，模糊神经网络（ＦＮＮ）的研究引起了广泛的注意。本文对ＦＮＮ上的反向传播学习方法加以讨论。使用输入均值和输出权重参量来进行模糊化和反模糊化处理，学习的目的是调整这两个参量到合适的值。     

利用动态竞争学习方法进行知识表示

竞争学习技术是神经网络用于样本分类中应用十分普通的一种方法。动态竞争学习是一种无导师学习技术，它包括产生网络的方法以及网络中新单元的产生规则，它们都是在学习中动态产生的。该模型可用于复杂数据结构的存储。     

模糊竞争神经网络在线辨识及在CSTR中的应用

基于改进的T-S模糊模型构造了一种自适应模糊竞争神经网络模型(FCNN),给出了网络的连接结构和学习算法。它依据模糊竞争学习算法确定系统的模糊空间和模糊规则数,得出每个样本对每条规则的适用程度,并利用卡尔曼滤波算法在线辨识FCNN的后件参数。将其应用于化工过程连续搅拌反应器(CSTR)的建模中,仿真结果表明,FCNN具有结构简洁、收敛速度快、辨识精度高等特点,可当作复杂系统建模的一种有效手段。     

一种混合学习算法

提出了一种基于模糊逻辑和神经网络的自学习网络模型和一种结合自组织学习和BP学习的BPSOM混合学习算法。该模型通过BPSOM算法训练样本，能自动生成模糊逻辑规则，调节输入、输出变量的隶属函数；而且该算法比通常的BP学习算法收敛性好、速度快.     

分裂-合并竞争学习的研究

针对竞争学习在给定的输出节点数目少于实际类数目时的学习结果会在几类数据之间振荡的问题,提出了MPTOC策略以及基于此策略的分裂一合并竞争学习算法．在假设数据集中的数据对其相应节点产生大小等于二者距离“吸引力”的基础上,算法通过计算网络中获胜节点在不同方向的“吸引力合力”分布,间接描述该节点附近数据的分布情况;采用高维空间模糊熵的方法确定该节点主要的“合力”方向,并将该节点在这几个方向上进行分裂一合并学习,从而实现MPTOC策略．通过对二维随机分布数据的实验结果验证了所提出算法的正确性和有效性．     

基于竞争学习的粒子群优化算法设计及应用

针对传统PSO算法容易陷入局部最优的问题,提出一种基于竞争学习的粒子群优化算法(CLPSO);在CLPSO中,首先通过动态计算粒子的适应度值将种群分成优选、合理和疏离3个子群;其次,根据3个子群中粒子的进化特性,为3个子群分别设计了不同的更新变异方式;然后,利用12个基准测试函数对算法的性能进行了验证;实验结果表明,所提的竞争学习策略能够有效克服经典PSO算法在处理复杂多峰问题时容易陷入局部最优的缺陷;最后,利用CLPSO算法优化模糊神经网络的参数设计CLPSO-FNN算法,并利用其建立出水氨氮软测量模型,实验表明,CLPSO-FNN软测量模型能够更精确、更实时地测量出水氨氮浓度.     

用于矢量量化的神经网络竞争学习算法

对典型的竞争学习算法进行了研究和分析，提出了一种基于神经元获胜概率的概率敏感竞争虎法。与传统竞争学习算法只有一个神经元获胜而得到学习不同，ＰＳＣＬ算法按照各种凶的获胜概率并通过对失真距离的调整使每个神经元均得到不同的学习，可以有效地克服神经元欠利用问题。     

基于模糊竞争学习的非线性系统自适应模糊建模方法

提出了一种新的基于模糊竞争学习的自调整的模糊建模方法. 基于模糊竞争学习, 模糊系统能够进行自适应模糊推理. 在被调整模糊系统基础上, 提出了一种非线性系统在线估计参数的在线辨识算法. 为了证明提出算法的有效性, 最后给出了几个例子的仿真结果.     

基于FNN快速学习算法的动态测量误差建模

本文提出一种基于无监督学习中的主元分析算法的Oja规则和监督学习中δ规则的前馈神经网络的快速学习算法。与现有同类算法相比,该算法计算量小,较适用于快速学习的动态实时测量误差建模和其他应用,仿真结果表明了该算法的优良性能。     

一种用神经技术学习模糊分类规则的方法

本文提出一种用神经网络技术学习模糊分类规则的算法－有导师共振竞争学习算法（ＳＲＣＬ）。ＳＲＣＬ方法有机地把无导师ＡＲＴ学习方法和有导师竞争学习方法结合起来，可有效地学习模糊分类规则。警戒线参数是自适应变化的，从而可自动地确定连结权向量的个数。言语中给出一个数字例了，并对实验结果进行了分析。     

基于模糊神经网络的变电站电压无功综合控制

对目前运用较多的变电站电压无功控制设备的原理和缺点进行了分析，并首先提出利用模糊神经网络来实现变电站电压无功控制的方法。利用模糊神经网络控制方法，既可保持变电站电压在合格的范围内，尽量维持无功功率平衡，而且具有较好的寻优能力，有效减少变压器有载调压开关的切换次数和电容器组的投切次数，提高了变压器和电容器的运行寿命，提高了经济效益，是一值得进一步探索和运用的较为先进的方法。     

基于FNN的覆冰机器人越障机械臂轨迹跟踪控制

覆冰机器人除冰时要跨越各种障碍物。采用卡尔曼滤波学习算法,将自适应模糊神经网络控制器用于覆冰机器人越障时的机械臂轨迹跟踪控制,解决了BP算法实时性差的问题。经过仿真实验论证,该方法对覆冰机器人越障时的机械臂轨迹跟踪控制具有很好的效果,表明控制策略和理论分析的可行性。     

FNN在数据库模糊查询中的研究

提出了一种基于模糊神经网络对数据库模糊查询的新方法,将模糊理论、模糊神经网络与数据库系统相结合。利用FNN直接生成隶属函数,来完成模糊查询,避免了直接指定隶属函数所带来的主观性,并能较好地反映数据的特征。     

空间点目标识别的模糊神经网络应用研究

首先对空间目标辐射特性进行了研究,指出了用空间目标在3个不同波段的辐射通量作为特征向量进行目标识别。然后研究了进化模糊神经网络（EFuNN）和动态进化神经模糊推理系统（DENFIS）,最后用EFuNN和DENFIS进行了仿真实验,并且与BP神经网络、遗传算法以及遗传-神经算法进行了比较。仿真结果表明EFuNN尤其是DENFIS具有较好的学习能力和泛化能力,较大地提高了目标识别率,能够较好地进行空间点目标的识别。     

一种基于模糊神经网络的可靠流量控制模型

为控制P2P流量,本文从数据缓冲区使用的实时状态出发,提出了一种基于模糊神经网络的拥塞控制模型,该模型把缓冲区划分为两个队列分别存放P2P和非P2P的数据包,通过模糊神经网络预测评估缓冲区队列的拥塞状况,并建立一个评估函数对各队列的空间分配作出指导,使得能够控制各队列的拥塞状况,并动态的调整缓冲区队列的分配,在缓冲区溢出前主动丢包,避免缓冲区锁定。模拟实验的结果表明,该模型在保证网络资源分配的公平性方面取得了较好的效果,它降低了数据包排队延时和丢包率,提高了路由器处理网络拥塞的能力。     

一种能处理定性参数输入的推广模糊神经网络软测量建模方法

针对生产过程中存在多种类属型数据和混合型数据,而大多数软测量方法只能处理数值型数据的问题,提出了一种基于粗糙集方法的推广模糊神经网络软测量建模方法,该方法既可以接受定量参数输入,也可以接受定性参数输入.首先建立模糊-清晰混合规则的定义,对具有混合类型属性的样本集进行离散化处理后,利用粗糙集的约简算法进行规则提取,获得最小决策集.由得到的混合决策规则构建推广模糊神经网络,使用样本集训练网络参数.最后将该方法应用于蒸发器的污垢热阻值估计,取得了良好的效果.     

T-S模糊神经网络及其在主动式集群中的应用

比较了神经网络和模糊神经网络的逼近能力,从实验数据可以看出,基于T-S模型的模糊神经网络取得了很好的性能表现,可以用于主动自调度集群服务器的容量规划.     

熵约束广义学习矢量量化神经网络和软竞争学习算法

结合广义学习矢量量化神经网络的思想和信息论中的极大熵原理,提出了一种熵约束 广义学习矢量量化神经网络,利用梯度下降法导出其学习算法,该算法是软竞争格式的一种推 广.由于亏损因子和尺度函数被定义为同一个模糊隶属度函数,它可以有效地克服广义学习矢 量量化网络的模糊算法存在的问题.文中还给出熵约束广义学习矢量量化网络及其软竞争学习 算法的许多重要性质,以此为依据,讨论拉格朗日乘子的选取规则.     

一种连续增量学习模糊神经网络

为获得快速、准确而精简的模糊神经网络,提出一种连续增量学习模糊神经网络(ISL-FNN).将修剪策略引入到神经元的产生过程,用错误下降率定义输入数据对系统输出的影响并应用于神经元的增长过程.在参数的学习阶段,所有隐含层神经元(无论是新增还是已有)的参数使用扩展的卡尔曼算法更新.通过仿真实验,该算法在达到与其它算法性能相当甚至更好的情况下,能获得更精简的结构.