一种用模糊—神经技术建造专家系统的方法

本文提出了一种用模糊－神经技术建造专家系统的方法。从领域专家处获取的知识是以模糊规则和隶属函数的形式表示的。根据本文提出的方法，首先将模糊规则和隶属函数用神经网络表示出来（导入）；生成的神经网络用于实现模糊推理，然后利用修改的反传算法训练神经网络，从而提高系统的精度，修改隶属函数，求精模糊规则；最后从神经网络中提取隶属函数和模糊规则（导入），帮助解释神经网络的内部表示和操作，利用本文所提出的方法建     

基于Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.     

自适应神经网络模糊推理系统最优参数的研究

模糊规则的提取和隶属度函数的学习是模糊系统设计中重要而困难的问题。自适应神经网络模糊推理系统（ANFIS）能基于数据建模,无须专家经验,自动产生模糊规则和调整隶属度函数。在建立一个初始系统进行训练时,其隶属度函数的类型、隶属度函数的数日以及训练次数都是待定的,这三个参数的选择直接影响系统训练后的效果,它们的确定方法有待研究。该文应用自适应神经网络模糊推理系统的方法对一个典型系统进行建模仿真,并阐述这三个参数的寻优方法。     

基于UKF的自适应模糊推理神经网络

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点。针对这一问题,本文提出了基于UKF的自适应模糊推理神经网络(UKF-ANFIS)。首先,通过减法聚类确定UKF-ANFIS的模糊规则及其高斯隶属函数的中心和宽度参数;其次,分析了模糊神经网络的非线性动力系统表示,并用LLS和UKF分别学习线性和非线性的参数;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近和系统辨识实例,表明本文算法得到的模糊神经网络的结构更为紧凑,泛化性能也更佳。     

一种基于模糊规则的神经网络结构及其学习算法研究

文章提出了一种基于模糊规则的神经网络结构,并用形式化语言进行描述。基于模糊规则的神经网络由输入层、规则层和输出层三层网络结构组成,以隶属度函数（语义值）作为网络权值,输入值沿权值的传播即进行隶属度计算。在充分分析三角形函数特征的基础上,应用启发式方法,导出了FRBNN网络的学习算法。最后应用FRBNN评价船舶碰撞危险度,表明FRBNN兼备神经网络和模糊推理系统的优点。     

自适应神经模糊推理系统的参数优化方法

自适应神经模糊推理系统(ANFIS)将模糊推理系统(FIS)中的模糊逻辑规则及隶属度函数参数通过神经网络的自学习来整定,自动产生模糊规则和调整隶属度函数,解决了模糊控制系统中模糊推理规则主要根据专家经验设计、缺乏自学习能力、控制精度不高等问题.而在建立一个初始系统进行训练时,其训练次数、隶属度函数的数目及类型都是待定的,这三个参数的选择直接影响系统训练后的效果,其确定方法值得研究.本文应用自适应神经模糊推理系统对一个典型系统进行建模仿真,并提出三个参数的寻优方法.     

潜艇垂直面运动自适应神经网络模糊控制仿真

神经网络控制和模糊控制技术的广泛应用为潜艇自动舵控制器的设计提供了新的思路.而模糊规则的提取和隶属函数的学习是模糊推理系统设计中重要而困难的问题,自适应神经网络模糊推理系统(ANFIS)结合模糊控制和神经网络控制的优点,基于sugeno模糊模型采用反向传播法和最小二乘法调整模糊推理系统的参数,并自动产生模糊规则.利用方法对潜艇乖直面运动自动舵控制器进行了设计和仿真.从仿真结果来看,自适应神经网络模糊控制器能较好的实现对潜艇垂直面运动的操纵控制,是一种很好的控制方法.     

基于自适应神经网络模糊推理的负荷预测

针对中长期负荷预测,本文将模糊理论与神经网络相结合,提出了基于高木-关野自适应神经网络模糊推理系统的中长期负荷预测模型.该模型采取神经网络技术对模糊信息进行处理.使得模糊推理系统的模糊规则和模糊隶属度函数能通过学习功能自动生成,从而有效地解决了模糊理论中必须根据专家经验人为制定规则和隶属度函数的瓶颈及采用神经网络所获得的输入/输出关系不易被人接受的问题;并以湖南省安乡县经济发展指标和全社会用电量为基础数据,通过高木--关野自适应神经网络模糊推理系统对安乡县预测年份全社会用电量水平的进行预测分析.算例表明,该推理系统计算快捷.准确性高,在电网规划中长期负荷预测中有较强的实用价值.     

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

模糊规划的提取和隶属度函数的学习是模糊推理系统设计中重要而困难的问题，自适应神经模糊推理系统（ANFIS）方法基于Sugeno模糊模型，其结构类似于神经网络，采用反向传播算法和最小二乘法调整模糊推理系统的参数，并能自动产生模糊规划，本文应用该方法给出了对一个典型系统建模的仿真实例，取得了良好的效果。     

基于FNN的水泥回转窑分解炉温度控制

在水泥工业中,窑尾分解炉温度是一个重要的工艺参数,它的稳定对整条水泥生产线的稳产、高产和节能具有重大影响.用建立对象模型的传统控制方法实现对分解炉温度的控制非常困难,因此提出了一种基于模糊神经网络的温度控制方法,将模糊控制技术与神经网络技术相结合,用神经网络表示模糊控制规则,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到模糊隶属函数和模糊规则的目的.Matlab仿真试验结果表明,模糊神经网络用于回转窑分解炉温度控制可以取得比较好的控制效果.这一点在水泥厂实际生产应用中也得到了验证.     

一种基于聚类的超闭球模糊神经网络

针对一类不确定非线性多输入多输出复杂系统,根据系统的输入输出数据对,提出一种基于聚类的超闭球模糊神经网络系统．该系统通过改进的模糊聚类方法（FCM）确定模糊规则数,采用高维隶属度函数取代常规的单维隶属度函数,并对隶属度函数中心值和隶属度函数参数采用一步通过算法,所提方法可降低系统的模糊规则数,简化网络计算．此外,当系统的输入输出发生变化时,可实现模糊规则库的在线修改．仿真实例验证了所提方法的有效性．     

Research and Design of a Fuzzy Neural Expert System

We have developed a fuzzy neural expert system that has the precision and learning ability of a neural network.Knowledge is acquired from domain experts as fuzzy rules and membership functions.Then,they are converted into a neural network which implements fuzzy inference without rule matching.The neural network is applied to problem-solving and learns from the data obtained during operation to enhance the accuracy.The learning ability of the neural network makes it easy to modify the membership functions defined by domain experts.Also,by modifying the weights of neural networks adaptively,the problem of belief propagation in conventional expert systems can be solved easily.Converting the neural network back into fuzzy rules and membership functions helps explain the inner representation and operation of the neural network.     

一种模糊逻辑推理神经网络的结构及算法设计

建立了一种基于模糊逻辑推理的神经网络．由样本获取的初始规则确定规则层神经元个数,并确立模糊化层与规则层之间的连接．利用黄金分割法确定模糊化层隶属度函数的初始中心和宽度;根据初始规则的结论确定清晰化层的初始权值;针对网络结构提出了改进的BP算法．仿真实例表明,网络结构合理。具有较好的非线性映射能力,改进的BP算法适合于此网络,与另一种模糊神经网络相比较具有较快的训练速度和较好的泛化能力．     

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．     

一种基于模糊加权型推理法的模糊神经网络

本文在Ｍａｍｄａｎｉ模糊推理法的基础上,给出了改进的模糊加权型推理法－广义模糊加权型推理法。     

A novel fuzzy logic system based on N-version programming

For the consideration of different application systems, modeling the fuzzy logic rule, and deciding the shape of membership functions are very critical issues due to they play key roles in the design of fuzzy logic control system. This paper proposes a novel design methodology of fuzzy logic control system using the neural network and fault-tolerant approaches. The connectionist architecture with the learning capability of neural network and N-version programming development of a fault-tolerant technique are implemented in the proposed fuzzy logic control system. In other words, this research involves the modeling of parameterized membership functions and the partition of fuzzy linguistic variables using neural networks trained by the unsupervised learning algorithms. Based on the self-organizing algorithm, the membership function and partition of fuzzy class are not only derived automatically, but also the preconditions of fuzzy IF-THEN rules are organized. We also provide two examples, pattern recognition and tendency prediction, to demonstrate that the proposed system has a higher computational performance and its parallel architecture supports noise-tolerant capability. This generalized scheme is very satisfactory for pattern recognition and tendency prediction problems     

Self-organizing adaptive fuzzy neural control for the synchronization of uncertain chaotic systems with random-varying parameters

This paper proposes a self-organizing adaptive fuzzy neural control (SAFNC) for the synchronization of uncertain chaotic systems with random-varying parameters. The proposed SAFNC system is composed of a computation controller and a robust controller. The computation controller containing a self-organizing fuzzy neural network (SOFNN) identifier is the principle controller. The SOFNN identifier is used to online estimate the compound uncertainties with the structure and parameter learning phases of fuzzy neural network (FNN), simultaneously. The structure-learning phase consists of the growing of membership functions, the splitting of fuzzy rules and the pruning of fuzzy rules, and thus the SOFNN identifier can avoid the time-consuming trial-and-error tuning procedure for determining the network structure of fuzzy neural network. The robust controller is used to attenuate the effects of the approximation error so that the synchronization of chaotic systems is achieved.All the parameter learning algorithms are derived based on the Lyapunov stability theorem to ensure network convergence as well as stable synchronization performance. To demonstrate the effectiveness of the proposed method, simulation results are illustrated in this paper.     

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.