模糊系统与神经网络的融合

1.引言近年来,模糊系统FS(Fuzzy System)与神经网络NN(Neural Network)的研究取得了很大进展。FS的显著特点是它能直接地表示逻辑,适于直接的或高一级的知识表达;而NN则是通过学习功能获得用数据表达的知识,这种知识在NN中是隐含表达的,难以对其进行分析。可以这样说,FS比较适于自顶向下过程,而NN则更适于自低向上过程。随着研究范围的扩大,逐渐改变了上述两个领域之间相互独立的关系,即一个领域的固有缺乏可以通过另一个领域的优     

模糊系统与神经网络结合的现状

综述了神经网络与模糊系统的发展、特点和应用;讨论了二者结合的现状;对其应用前景与发展趋势进行了展望。     

模糊系统和神经网络的特征与比较

概述了模糊、神经网络 和人工智能技术之间的关系，尤其探讨了模糊系统和神经网络的特性；指出了模糊系统和神经网络的结合方式，分析了它们的特征。     

基于神经网络和模糊理论的智能控制技术

将神经网络方法和模糊理论结合起来，讨论一种基于神经网络和模糊理论实现智能控制的方法。仿真表明这类智能控制器可用于难以建立数学模型的控制系统。     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

基于模糊聚类的模糊神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构。仿真研究证明该方法是有效的和可行的。     

基于故障树的模糊神经网络的应用研究

过程系统比较复杂,故障征兆和故障原因之间存在许多不确定因素,对这类系统进行故障诊断存在许多困难,针对这类系统本文提出了基于故障树信息,利用模糊逻辑与神经网络结合建立故障诊断系统的方法,并以某高温硝酸冷却系统为研究对象介绍了具体的实现过程,对该方法作了验证,结果表明,该方法是可行和有效的。     

基于补偿模糊神经网络的系统建模

本文介绍了补偿模糊神经网络原理 ,并利用它对非线性系统进行建模。通过MATLAB语言编制程序进行仿真试验 ,结果表明补偿模糊神经网络对于复杂系统的建模效果非常好。     

基于聚类的模糊神经网络预测系统

本文在Ｔａｋａｇｉ提出的神经网络驱动的模糊推理基础上,提出了基于聚类的新模糊神经网络的和学习算法。     

基于动态云—量子神经网络群的配电网实时故障定位方法

针对传统的配电网故障定位方法在配电网故障信号微弱时存在的故障数据交叉现象严重、实时性较差等问题,提出了一种基于动态云-量子神经网络群的配电网实时故障定位方法;构建了用于配电网故障定位的动态云-量子神经网络群结构模型,提出一种动态云-量子神经网络群改进算法,并给出了基于该算法的配电网实时故障定位步骤;在Matlab软件中采用该方法对某10kV配电网进行故障定位仿真研究,结果表明该方法能够实时、有效地实现故障信号微弱情况下的配电网故障定位,测试精度为97.39%,训练时间为0.001 6s。     

模糊神经网络抓斗纠偏系统故障诊断

针对抓斗纠偏系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为抓斗纠偏系统故障诊断的方法。该方法利用故障树知识提取抓斗纠偏系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快、容错能力强,并通过实例分析验证了抓斗纠偏系统模糊神经网络故障诊断的有效性。     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。     

基于一维卷积神经网络与改进D-S证据理论的警务云安全数据融合技术

针对系统内评估信息来源单一、准确度偏差过大与异构数据提取融合不充分的问题,提出了一种可扩展攻击行为的多源异构网络安全数据融合框架。首先,建立以攻击模式为核心的安全事件分析模型,进一步精简安全数据;其次,针对决策层数据特征提取不足的问题,建立了基于攻击行为的1D-CNN （1D convolutional neural network,1D-CNN）模型,对警务安全数据进行特征学习和重构;为了进一步提高警务云安全数据的分类能力,模型改进了D-S证据理论并结合多源安全数据的可信度进行数据融合。实验分析表明,基于1D-CNN的改进D-S证据理论模型进一步提高了警务云中安全事件的报警识别率,与其他相关技术相比,该模型具有较好的分析能力,对警务云的安全入侵检测和漏洞分析具有重要意义。     

基于模糊BP神经网络的模拟电路实时故障诊断

以进行模拟电路实时故障诊断为主要目的,对BP神经网络故障字典法进行了深入研究,针对传统BP算法收敛速度慢、易产生局部最优等不足,采用神经网络与模糊理论相结合的方法,根据模式识别原理实现模拟电路故障的实时诊断。实验结果表明:该算法在网络收敛速度和识别精度上较传统的BP算法均有明显的改善。     

随机模糊神经网络在目标状态信息融合中的应用

提出了一种新的基于随机模糊神经网络的多传感器状态信息融合方法。研究和比较了基于单值模糊神经网络和基于随机模糊神经网络的雷达与红外传感器状态信息融合。仿真结果表明，当输入被噪声污染时，基于随机模糊神经网络的方法离线学习次数更少，能更有效地防止噪声的干扰，并且融合误差更小。     

基于模糊神经网络大容量输油泵多变量控制

大容量输油泵系统是一个时变非线性复杂系统,生产要求对输油泵的流量、入口压力和出口压力进行协调控制.根据大容量输油泵系统实际控制要求,提出了基于模糊神经网络大容量输油泵多变量控制策略,设计了控制系统和模糊神经网络控制器的结构,给出了模糊神经网络控制器、模型辨识网络参数的修正算法.仿真结果表明该系统能根据流量、入口压力和出口压力给定值与实际值之间的偏差,在线修正控制器参数,实现对大容量输油泵流量、入口压力和出口压力的协调控制.     

基于模糊云理论模型的智能配电云网络化控制识别方法

由于基于传统的不确定时滞鲁棒控制系统不能满足新型电力云网络化控制用户的需求,提出了一种基于模糊云理论系统模型的感知智能配电云网络化控制识别方法,该方法采用优化传统数据值和电力云网络化控制数据的一种云理论系统模型,并用云理论结果代替被控节点预测值,攻破了不确定滞鲁棒控制系统控制效果不能及时反馈的问题,同时将供电系统性能指标引入到电力云网络化控制计算器中,运用性能指标的云模型中正向运算法修正加权系数,实现了感知智能配电云网络化的最优控制。基于实验仿真证明,该识别方法可以优化传统的不确定滞鲁棒控制系统,并具有良好的适应性、鲁棒性、控制性,同时可以进一步改善智能配电云网络化控制的各种性能指标。     

基于Elman神经网络的浓相输送模糊控制系统

由于粉末物料的浓相输送系统存在严重的非线性和时变性,故要想建立其准确数学模型难度非常大,本文提出了使用模糊神经网络控制系统,并对于模糊控制规则由Elman神经网络联想记忆后提取,它不但可以获得最佳控制规则,而且响应速度快并能够进行在线进行规则的修正。经仿真实验,该控制器能够对粉末物料流量在一定范围内进行协调优化时实控制。     

基于模糊神经网络的信息融合技术研究

针对信息融合技术中目标融合识别的问题,根据人工神经网络和模糊系统的各自特点,形成一种模糊神经网络模型。首先将模糊系统用神经网络的结构表示,并采用相应的学习算法训练模糊神经网络实现模糊推理功能。最后对模糊神经网络模型进行仿真实验和结果分析。