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。     

基于MDL的RBF神经网络结构和参数的学习

本文提出了一种优化径向基函数神经网络（ＲＢＦＮＮ）结构的参数的方法,该方法包括两个过程：训练和进化．训练用梯度下降法学习ＲＢＦＮＮ的中心,宽度和输出权值;进化采用二进制编码的遗传算法（ＧＡ）学习ＲＢＦＮＮ的结构,适应度函数是基于信息论中最小描述长度（ＭＤＬ）原理的目标函数．函数逼近仿真实验证明了该方法比其他方法鲁棒性强,所得到的网络结构简单．     

自适应神经网络学习方法研究

本文从连接权值、网络的拓扑结构、网络的学习参数以及神经元的激活特性等不同方面分别讨论了人工神经网络的学习问题，并就当前流行的ＢＰ模型提出了具体实现方法。实验表明，这些方法对于加快网络的收敛速度，优化网络的拓扑结构等方面有着显著成效，本文所述内容为ＡＮＮ学习算法的改进与设计提供了示例，途径和思想总结。     

模糊神经系统的典型结构

１引言把模糊逻辑（ＦＬ）和神经网络（ＮＮ）结合起来对控制对象实施模糊控制（ＦＣ）,还是最近几年的事。这种结合构成的智能系统就是模糊神经系统。模糊控制系统按照结构可以划分成ＰＩＤ基本型、自组织、自校正、自学习、专家等５种控制类型,而神经网络又有误差修正...     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

自适应模糊神经网络控制器设计的线性化方法

基于Ｔ－Ｓ模糊推理系统模型构造一个简化形式的Ｆｕｚｚｙ神经网络（ＦＮＮ），应用Ｓｔｏｎｅ－Ｗｅｉｅｒｓｔｒａｓｓ逼近定理证明了这种ＦＮＮ网络对非线性连续函数的全局逼近性质，并利用Ｃｌａｒｋｅ一步加权最优预报控制性能指标及前向ＦＮＮ网络辨识器模型的线性化思想，提出一种间接Ｆｕｚｚｙ神经网络自适应控制算法，仿真结果证实了该算法的有效性。     

ANN的一种存储器实现

针对数字电路（算术单元）实现ＡＮＮ时执行时间长和成本高的缺点，本文提出了一种基于存储器结构的ＡＮＮ实现，通过广播式写入可克服学习困难、低精度和复杂性等问题。因此对于小规模实时应用，基于存储器结构的ＡＮＮ是可行的。     

一种新型模糊神经元网络控制器的设计方法

本文根据模糊基函数展开的性质构造出一种简化形式的模糊神经元网络（ＦＮＮ）。这种网络可以对任一种非线性函数进行全局逼近，因此它可以用于非线性控制系统。因为这种ＦＮＮ具有自适应性，所以用它实现的器可以更好地达到理想的控制效果，通过在模型参控制中的应用证明了此种ＦＮＮ的有效怀。     

应用模糊集和神经网络的城市评价决策支持系统

本文以决策支持系统（ＤＳＳ）的理论方法为基础，综合运用模糊集（ＦＳ）和神经网络（ＮＮ）理论，提出了城市评价决策支持系统（ＣＥＤＳＳ）的基本结构模式，介绍了ＣＥＤＳＳ的基本功能，并对ＣＥＤＳＳ中评价指标的规范化方法、基于ＦＳ的多层次多目标综合评价模型、基于ＮＮ的系统自学习模型以及ＣＥＤＳＳ的工作原理作了描述。整个ＣＥＤＳＳ的原型系统已在微型机上实现，它可以较好地处理需要定性分析与定量分析相结合的决策问题，从而为城市管理决策者提供从信息、咨询到评价、决策、政策制定等一系列的智能支持     

人脸全局特征识别研究

人脸识别是模式中的一个相当重要却又十分困难的课题。本文利用神经网络（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，简称ＮＮ）及主元分析法（Ｐｒｉｎｃｉｐｌｅ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ），简称ＰＣＡ）不同的特性提出了两种人脸识别的模型：ＮＮ＋ＮＮ模型及ＰＣＡ＋ＮＮ的模型。理论分析和实验结果表示：这两种新的识别模型可以实现优化特征抽取和自适应识别。     

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.     

基于模糊神经网络的飞机某系统故障诊断研究

提出一种基于模糊神经网络的飞机某系统故障诊断方法。利用改进的模糊C均-值聚类算法进行结构辨识,从而自动获得模糊规则库,并得到模糊模型的初始参数;然后生成与之相匹配的初始模糊神经网络,并通过学习算法训练网络来进行参数辨识,得到一个精确的模糊模型。将该系统地面实测数据作为样本数据,建立起了基于模糊神经网络的飞机某系统故障诊断模型。最后对该模型进行测试与分析,结果表明该方法具有抗噪、抗敏感、诊断准确度高等优点。     

竞争式Takagi-Sugeno模糊再励学习

针对连续空间的复杂学习任务,提出了一种竞争式Takagi-Sugeno模糊再励学习网络 (CTSFRLN),该网络结构集成了Takagi-Sugeno模糊推理系统和基于动作的评价值函数的再 励学习方法.文中相应提出了两种学习算法,即竞争式Takagi-Sugeno模糊Q-学习算法和竞争 式Takagi-Sugeno模糊优胜学习算法,其把CTSFRLN训练成为一种所谓的Takagi-Sugeno模 糊变结构控制器.以二级倒立摆控制系统为例,仿真研究表明所提出的学习算法在性能上优于 其它的再励学习算法.     

Alternative learning vector quantization

In this paper, we discuss the influence of feature vectors contributions at each learning time t on a sequential-type competitive learning algorithm. We then give a learning rate annealing schedule to improve the unsupervised learning vector quantization (ULVQ) algorithm which uses the winner-take-all competitive learning principle in the self-organizing map (SOM). We also discuss the noisy and outlying problems of a sequential competitive learning algorithm and then propose an alternative learning formula to make the sequential competitive learning robust to noise and outliers. Combining the proposed learning rate annealing schedule and alternative learning formula, we propose an alternative learning vector quantization (ALVQ) algorithm. Some discussion and experimental results from comparing ALVQ with ULVQ show the superiority of the proposed method.     

A fuzzy neural network controller with adaptive learning rates for nonlinear slider-crank mechanism

A fuzzy neural network (FNN) controller with adaptive learning rates is proposed to control a nonlinear mechanism system in this study. First, the network structure and the on-line learning algorithm of the FNN is described. To guarantee the convergence of the tracking error, analytical methods based on a discrete-type Lyapunov function are proposed to determine the adaptive learning rates of the FNN. Next, a slider-crank mechanism, which is driven by a permanent magnet (PM) synchronous motor, is studied as an example to demonstrate the effectiveness of the proposed control technique; the FNN controller is implemented to control the slider position of the motor-slider-crank nonlinear mechanism. The robust control performance and learning ability of the proposed FNN controller with adaptive learning rates is demonstrated by simulation and experimental results.     

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。     

神经网的提示学习

本文提出了一种新的多层神经网的学习方法。这种学习方法借助提示信息加速学习过程。其次也讨论了如何获取提示信息和如何将提示信息并入学习算法。     

基于模糊神经网络的强化学习及其在机器人导航中的应用

研究基于行为的移动机器人控制方法.将模糊神经网络与强化学习理论相结合,构成模糊强化系统.它既可获取模糊规则的结论部分和模糊隶属度函数参数,也可解决连续状态空间和动作空间的强化学习问题.将残差算法用于神经网络的学习,保证了函数逼近的快速性和收敛性.将该系统的学习结果作为反应式自主机器人的行为控制器,有效地解决了复杂环境中的机器人导航问题.     

基于自动学习机的社会网络链路预测算法

针对社会网络中新关系出现的预测,提出一种基于自动学习机的社会网络链路预测算法.将自动学习机与三元组转化相结合,将不同类型三元组的转化作为预测的重要依据并构造学习函数,提出六种三元组内节点相似性指标.实验结果表明,该算法所提出的六个预测指标的预测准确度和稳定性要好于六种常用的链路预测指标,对于社会网络分析具有实际应用价值...