基于覆盖的Sugeno测度粗糙集模型及其三支决策

概率粗糙集是研究不确定信息的重要理论基础,有着广泛的应用。由于概率粗糙集中的等价关系和概率测度的可加性要求过于严格,且在实际问题应用中难以满足,因此,对概率粗糙集及其模型进行拓展研究是非常有必要的。在概率粗糙集、Sugeno测度和三支决策的理论基础上,对基于覆盖的Sugeno测度粗糙集模型及其三支决策规则进行了研究。首先构造了一种基于覆盖关系的Sugeno测度粗糙集模型,定义了该模型的上、下近似算子;然后证明了其并、交、补等运算的代数性质;最后结合三支决策理论,给出了该模型的三支决策规则和方法,并用实例验证了其有效性。     

基于自适应模糊网络的在线辨识

研究了基于一阶Sugeno的自适应网络模糊推理系统（ANFIS）进行在线辨识的方法。给出了该自适应网络的结构,在此基础上给出了网络权值的修正算法,即综合最陡下降法和最小二乘法得到的一种混合学习算法。对一个非线性模型进行了数字仿真,得到的在线辨识的结果优于采用反传算法的普通神经网络辨识方法。由此证明,一阶Sugeno模糊推理模型和混合学习算法的采用,使得该辨识方法具备网络结构简单、收敛速度快的优势,便于工程实现。     

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进 行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.     

基于简化 Takagi- Sugeno 模糊模型的系统镇定策略

针对Takagi—Sugeno型模糊控制器设计方法计算复杂且难以求解的问意，在分析原因的基础上，利用模糊规划将系统的输入输出空间划分为一个完备的模糊模式集，通过寻找与实时输入对应的模糊模式，对整个系统进行了筒化。将该模型筒化算法应用于一类非线性系统镇定问题的求解，利用Lyapunov穗定性分析理论和线性矩阵不等武等工具推导了闭环系统的可镇定条件，进而设计了相应的简化Takagi—Sugeno型模糊状态反馈控制器。仿真结果表明了这种模型简化方法的有效性。     

基于Sugeno模糊模型的ANFIS在手势识别中的应用

手势识别正在成为人机交互技术研究中的一种重要模式,运用摄像机和计算机视觉技术捕获静态手势图像,在YCr Cb空间下利用高斯分布对肤色建模,通过计算背景颜色像素概率分割出干净的手势图像,再采用基于Sugeno模糊模型的自适应神经-模糊推理系统识别手势。与传统的神经网络识别系统相比,该识别方法具有较好的自适应性和鲁棒性。实验结果表明,基于Sugeno模糊模型的自适应神经-模糊推理系统能够有效地进行特征学习,正确识别率可以达到95%左右,是一个非常有效的静态手势识别方法。     

基于Sugeno 模糊模型的帆船控制方法研究

针对非线性、时变的帆船航行系统，提出一种基于Sugeno模糊模型的帆船控制新方法．采集舵手的航行经验建立知识库，将专家知识融合到控制系统中，提高了控制系统的智能度；采用Sugeno模糊模型，将舵角的非线性控制局部线性化，并设计相应的局部线性控制器，通过模糊推理综合各局部线性控制器的输出，得到全局控制量．仿真结果表明，该方法能实现对帆船航向的智能控制，具有一定的实用价值．     

基于Modular网络和EM-SFM算法的模糊Sugeno模型

基于Modular网络重新解释了广为使用的模糊Sugeno模型。随后,EM算法,提出了该模型的新算法EM－SFM。证明了该算法的线性收敛法,分析了它的收敛速度。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器对二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.     

基于Sugeno模糊积分的形态学彩色图像处理

在Sugeno模糊积分和柔性多结构基础上,提出新的彩色图像形态学滤波器和边缘检测方法。基于Sugeno模糊积分的评价值进行彩色图像点的矢量排序,通过结构元素的比较分析,得出柔性多结构元素抗噪声能力更强。与基于HSV矢量排序的方法比较,基于Sugeno模糊积分矢量排序的形态学变换效果更好。实验表明,新的形态学算法比经典形态学算法能更有效地去除图像的噪声和获取彩色图像边缘,保留图像细节。     

基于Sugeno型模糊推理算法的模糊控制器及其应用

介绍了Sugeno型模糊推理算法的基本原理,给出了一种实现方法,并对其控制性能进行了仿真.     

Sugeno测度空间基于复样本的统计学习理论

引入复g_λ随机变量、准范数的定义,给出了复g_λ随机变量的期望和方差的概念及若干性质;证明了基于复g_λ随机变量的马尔可夫不等式、契比雪夫不等式和辛钦大数定律;提出了Sugeno测度空间中复经验风险泛函、复期望风险泛函以及复经验风险最小化原则严格一致性等定义;证明并构建了基于复g_λ随机样本的统计学习理论的关键定理和学习过程一致收敛速度的界,为系统建立基于复g_λ随机样本的统计学习理论奠定了理论基础。     

基于模糊积分和生态捕食模型的多分类器融合

考虑到各个独立分类器之间的重要程度和相互作用,根据模糊测度Sugeno积分的理想特性,用模糊测度代替各个分类器的权值,利用捕食-被捕食模型动态周期性变化的特点,将模糊测度对应于种群规模并不断随之进行调整.通过仿真实例证实了新的多分类器融合模型具有较低的分类错误率,能够有效地提高分类精度.     

基于Sugeno模糊积分神经网络分类器融合方法在手写数字识别中的应用

神经网络是模式识别中一种常见的分类器.针对同一个分类问题,构建多个分类器并把多个分类器进行融合可以提高分类系统的分类正确率、改善系统的稳健性.首先介绍了Sugeno模糊积分及Sugeno模糊积分神经网络分类器融合方法的一般原理,而后将其应用于手写数字识别,通过实际的案例验证了该融合方法的有效性和可行性.     

基于数值型数据的模糊规则快速挖掘方法

针对数值型数据能准确反应现实世界,但难以理解的问题,为了从数值型数据中挖掘出易于理解的知识,提出了基于数值型数据的模糊规则快速挖掘方法。该方法能从数值型数据中挖掘出一个零阶的Sugeno模糊规则,并采用一种启发式方法将这个零阶的Sugeno模糊规则的数值结论转变为两个带置信度的语言变量,并给出了规则库的存储结构。最后通过实例证明了这种快速模糊规则挖掘方法能避免复杂的数值型计算和能有效逼近非线性函数的优点．     

基于Matlab的Mamdani与Sugeno型模糊推理研究

从模糊控制系统中Mamdani和Sugeno两种模糊推理模型的结构着手,对其输入输出变量的形式和在模糊控制中的作用,以及两种模糊推理的推理结果和适用范围进行比较和分析.利用Matlab中Fuzzy工具箱的计算和图形化功能,通过实例进一步验证两种系统的优缺点和适用范围.为模糊控制器设计的模糊推理类型的选用提供方法.     

基于Takagi—Sugeno的再励学习模糊神经网络控制

提出一种模糊神经网络的自适应控制方案。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，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。相应地，提出了一种优化学习算法，其把竞争式Takagi-Sugeno模糊再励学习网络训练成为一种所谓的Takagi-Sugeno模糊变结构控制器。以一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。     

基于模糊积分和粒子群算法的多分类器融合

使用模糊积分的方法将多个分类器进行融合可以提高分类精度,但是如何得到最优的模糊测度是一个尚未解决的问题。本文根据模糊测度Sugeno积分的理想特性,用模糊测度代替各个分类器的权值,利用粒子群算法全局搜索的优势,将模糊测度对应于粒子,并随速度和位置并不断调整,从而得到全局最优的模糊测度。通过仿真实例验证了新的多分类器融合模型具有较低的分类错误率,并能有效地提高分类精度。     

基于进化规划与最小二乘辨识的自动模糊建模策略

提出一种基于进化规划结合最小二乘法的自动模糊建模算法EPLSE.利用扩展Sugeno模型中的后件参数,对训练误差实现了二次修正,显著提高了建模精度并精简了模糊规则基.仿真部分应用EPLSE分别完成了对一个三输入非线性函数的建模和对Mackey-Glass混沌时间序列的预测,并与其他一些典型的模糊建模方法做了比较,结果表明该算法在提高建模精度以及精简结构方面具有较明显的优越性.     

混合算法求解随机期望值模型

目标函数中由于受到一个或者多个随机变量的影响,求解期望值难度增加。因此,提出一种有效的求解期望值模型的混合算法。利用随机模拟计算期望值,RBF神经网络对目标函数进行逼近,差分进化算法寻优,从而形成求解随机期望值模型的混合算法。最后,通过仿真实验说明算法的有效性。