动态粗糙模糊集及其在模糊规则提取中的应用

基于粗糙模糊集的规则提取方法通常分为两步:首先利用粗糙模糊集进行属性约简,然后采用提取模糊规则的方法提取规则.在规则提取的预处理阶段通过属性约简某种程度上可以缩短规则提取的时间,但其固有的不足导致不利于产生良好的规则.在模糊规则产生过程中避开属性约简,可以提高规则提取方法的适用性,降低计算复杂度.本文提出了动态粗糙模糊集的概念,基于此的规则提取算法不再依赖于属性约简,而是基于粒度序和逐步缩小的论域.首先,通过两种不同方式定义了动态粗糙模糊集并得到一些重要性质;在此基础上提出一种新的模糊规则提取算法;最后通过对比实验说明了算法的有效性.     

基于广义动态模糊神经网络的算法研究

在D-FNN算法基础上,提出了一种新的基于椭圆基函数的广义动态模糊神经网络方法.该方法不仅可以用于系统建模、辨识和控制,而且还可以用于模糊规则的自动生成或抽取.提出了一种模糊ε-完备性作为在线参数分配机制,避免初始化选择的随机性,同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评估,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整.开发了相关的算法程序,最后针对实际案例进行了仿真分析,表明了该算法的有效性和高效性.     

基于模糊逻辑的机器人动态避障方法

本文提出了一种动态环境下基于模糊逻辑的机器人动态避障方法。该方法采用包容式结构中基于优先度的行为决策方法,通过模糊规则将机器人工作空间中的动态信息模糊,再转化为对机器人在动态环境中的控制,同时提出接近度的概念,简化了模糊控制输入状态空间,从而减少模糊规则的数量,提高算法的实时性。实验表明,该动态避障方法能够使机器人躲避动态障碍物,并快速准确到达目标位置。     

一种基于进化聚类的动态TSK模型建模方法

在一种进化聚类算法（ECM）的基础上提出了一种新的动态TSK模糊模型的建模算法,以往许多神经模糊模型都不适用于自适应在线学习,而文章模型能实时地调整模糊规则库及规则参数,具有较强的在线学习能力;仿真结果表明,该方法是有效的。     

动态模糊机器学习模型及验证

根据学习系统中存在的动态模糊性,提出了动态模糊机器学习模型,给出了动态模糊机器学习算法和它的几何模型描述,并进行了算法的稳定性分析,最后给出了实例验证。实例结果与BP算法产生结果相比较,优于BP算法的结果。     

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.     

改进的动态模糊神经网络及其在人脸识别中的应用

结合动态模糊神经网络和补偿模糊神经网络,提出一种改进的动态模糊神经网络。首先介绍动态补偿模糊神经网络的结构和学习算法,然后将其用于人脸识别。对Weizmann人脸数据库和ORL人脸数据库的人脸图像识别实验表明,动态补偿模糊神经网络分类器算法性能优于一般的动态模糊神经网络。     

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.     

一种基于动态聚类的模糊分类规则的生成方法

介绍了一种基于动态聚类的模糊分类规则的生成方法，这种方法能决定规则数目，隶属函数的位置及形状．首先，介绍了基于超圆雏体隶属函数的模糊分类规则的基本形式；然后，介绍动态聚类算法，该算法能将每一类训练模式动态的分为成簇，对于每簇，则建立一个模糊规则；通过调整隶属函数的斜度，来提高对训练模式分类识别率，达到对模糊分类规则进行优化调整的目的；用两个典型的数据集评测了这篇文章研究的方法，这种方法构成的分类系统在识别率与多层神经网络分类器相当，但训练时间远少于多层神经网络分类器的训练时间．     

一种基于动态模糊集的概念学习模型

概念学习作为一种重要的数据分析方法,被广泛应用于模式识别、知识发现等领域。本文针对海量数据中的动态模糊数据,从DFL的角度出发,对动态模糊概念学习问题进行了深入的研究,提出了动态模糊概念的形式化表示方法、动态模糊概念格的构建方法。给出一个实验用例,验证相关算法的有效性。     

面向动态模糊数据的关系数据库系统的研究

为使关系数据库系统具备处理动态模糊数据的能力,将动态模糊理论和关系数据库理论相结合,通过分析面向动态模糊数据的关系数据库系统的功能,构造了该数据库的系统结构,探讨了实现该数据库的方法,对面向动态模糊数据的关系数据库系统做了初步的研究。     

DF关系及其在数据聚类中的应用研究

基于DF关系,给出了DF关系截矩阵的定义,以及由DF相似关系构造DF等价关系的方法,并在此基础上结合数据挖掘中的分类技术,提出了一种面向DF数据的聚类算法,该算法的提出不但能拓宽聚类对象的范围,而且更符合实际需求。最后给出了运用该算法的示例。     

关系数据库中的模糊知识发现

本文提出用部分量词和模糊谓词来表示模糊知识这一方法，在简要介绍数据抽象这一关系数据库中知识发现的方法后，详细描述了该方法中对模糊性问题的处理方法．     

DF控制推理模型的研究

针对控制系统中对象的模糊性和动态性,基于动态模糊集(Dynamic Fuzzy Sets)及动态模糊逻辑(Dynamic FuzzyLogic)系统理论,给出DF控制推理模型的相关概念,如DF向量、DF语言变量、DF语言规则和DF蕴涵关系等,并在此基础上探讨基于DF语言规则的DF推理方法,最后通过实例说明这些概念和方法的应用。     

一种基于遗传算法的自适应动态模糊系统的设计与实现

在我们研究的领域中，动态模糊对象是普遍存在的．因此由这些动态模糊对象组成的系统即为动态模糊系统，这类系统具有较强的自学能力和自适应能力，能随环境的变化而变化，本文借助动态模糊集和遗传算法对动态模糊系统进行研究，给出了一种动态模糊自适应系统，并进行了实例分析，实验结果表明该系统是有效的．     

基于李雅普诺夫稳定性的模糊关系模型辨识算法*

本文在李雅普诺夫稳定性意义下，提出了一种辨识模糊关系模型的学习算法．仿真研究表明该算法简单易行，效果良好；可为模糊系统的辨识与控制提供了一条有效的途径．     

基于主动学习的动态模糊聚类算法

聚类问题是近几年来机器学习和数据挖掘领域研究的热点问题,由于获取大量监督信息费时费力,目前国内外研究的重点是如何获得少量但对聚类性能提高显著的监督信息,再加上实际问题中存在的动态模糊性,故本文提出一种结合主动学习的动态模糊聚类算法DF-DBSCAN,通过引入动态模糊等价关系、动态模糊信任测度和动态模糊似然测度这3个约束信息来指导DBSCAN的聚类过程,以提高聚类的性能。实验结果表明,DF-DBSCAN算法不仅解决了实际问题中存在的动态模糊性数据的描述和表示问题,而且能够高效地进行数据聚类,显著地提高聚类性能。      

动态系统模糊辨识的新算法*

本文针对复杂动态系统的辨识问题，提出了一种基于一类标准模糊系统的模糊辨识的简单学习算法。仿真研究表明该算法具有辨识精度高、所需样本量小以及运算速度快等优点，是动态系统模糊辨识的有效工具。     

动态模糊Petri网模型及其应用研究

以模糊Petri网的基本定义，动态模糊集和动态模糊逻辑为基础，讨论了动态模糊Petri网的基本模型，建立了动态模糊Petri网与模糊Petri网之间的映射关系和转移算法，解决了与动态模糊知识的动态模糊Petri网表示相关的几个问题，最后给出了动态模糊Petri网中动态模糊性的计算方法和相应的推理方法。