基于增强型算法并能自动生成规则的模糊神经网络控制器

给出了一种基于增强型算法并能自动生成控制规则的模糊神经网络控制器RBFNNC（reinforcements based fuzzy neural network comtroller）。该控制器能根据被控对象的状态通过增强型学习自动生成模糊控制规则,RBFNNC用于倒立摆小车平衡系统控制的仿真实验表明了该系统的结构及增强型学习算法是有效和成功的。     

基于SOM规则自动生成的模糊神经网络模型

1 引言模糊系统建模一般将经过系统结构辨识和系统参数估计两个阶段。在辨识阶段,主要决定输入变量及其相互关系、模糊规则数、输入输出空间划分和系统参数的初值;在估计阶段,主要用来调整系统参数以使得系统的输出与目标输出的差值尽可能小。对于系统参数估计阶段的参数调整,人们已提出一些自动方法。对于系统结构辨识阶段,也产生了如模板法、聚类法和决策树法等,但这些方法一般都需要人工干预。其中模糊规则的生成与调整以及隶属度函数的选取是系统结构辨识阶段的主要问题,文提出了用神经网络自动生成模糊规则并进行隶属度形状调整,从而构成模糊神经网络。Wang提出自动分割输入空间的方法,Lin提出三阶段学习算法的模糊神经网络。     

通过学习自动生成模糊控制规则的方法及应用

提出一种模糊控制规则的计算机自学习及自确定方案,即计算机通过对经验丰富的操作人员的控制过程不断学习,自动建立最优的控制规则,从而克服传统方法在生成模糊控制表中系统设计人员的主观随意性,使控制规则的设计完全体现操作人员的经验及控制策略。该方案在建立糖厂锅炉燃烧系统的多输入、输出控制的模糊规则中取得满意效果。     

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．     

基于多层前向网络的模糊规则自动生成

模糊控制是人工智能的一个重要研究领域，已在家电和工业控制中得到重视和应用。模糊规则自动生成是模糊控制的关键性技术之一。模糊控制的目标就是使得一系列输入与期望输出之间的平滑过渡。对于人工神经网可应用于模糊规则自动生成，这是因为人工神经网可用作近似化工具实现这一系列输入与期望输出之间的数据拟合。提出基于多层前向网络的模糊规则自动生成算法（通过数据拟合、有监督的分类），并说明其特点。     

基于遗传算法的模糊规则的生成

模糊控制是人工智能的一重要研究领域,已经在很多方面得到了应用。模糊规则是一个智能系统的核心部分,所以模糊规则自动生成的研究一直以来吸引了很多的学者。遗传算法(Genetic Algorithm,GA)是模拟达尔文的遗传选择和自然淘汰的生物进化进程的计算模型,它是一种高度并行的随机化搜索的自适应的组合优化算法。该文提出了一种利用遗传算法自动生成模糊规则的方法,因为遗传算法的全局优化能力,所以可以得到相对较为合适的模糊规则,通过仿真结果,也可以看出它确实是一种切实可行的方法。     

个性化人温度Fuzzy控制规则的自动生成系统的研究

就个性化室内温度控制问题,提出了一种基于遗传算法的Fuzzy控制规则的自动生成系统。它考虑到室外温度、房间结构、湿度、室内家具摆设等因素对室内环境的影响。通过自组织、自学习、自进化营造一个最适应的个性化生活空间。     

一种模糊规则提取方法的研究

提出了一种基于改进的模糊 C 均值聚类的模糊规则提取方法。然后基于所提取的模糊规则给出了一种分类算法,并利用 IRIS 数据对此分类算法进行了仿真测试。结果表明,该算法在训练祥本较少的情况下,仍能得到很好的分类效果,由此说明所提出的模糊规则生成方法有效。     

一种基于模糊规则的Multi-agent自动谈判策略

针对当前电子商务中基于Agent的谈判系统的谈判策略的静态性问题,提出基于模糊规则的动态谈判策略。Agent在谈判中能根据对方心理因素和动态确定自己的谈判策略后,产生新一轮的提议,帮助用户做出最优的交易决策,且自动地选择合适的策略。分析表明,采用基于模糊规则的策略比采用固定的策略的谈判结果更让用户感到满意。     

一种模糊规则动态调整BP算法中参数的方法

文中首先对标准的ＢＰ算法进行了分析。然后在此基础上提出了通过模糊规则推理动态调整学习率和动量因子的改进的方法，并通过模糊推理系统实现了ＢＰ算法的模糊控制。最后通过实例将该算法与标准ＢＰ算法和Ｖｏｇｌ改进的算法进行了比较，实验结果表明通过模糊推理来改善神经网络的ＢＰ算法性能是一种很有前途的方法。     

四足步行机器人模糊规则优化算法

针对四足步行机器人等多变量系统模糊规则数目过多的问题，提出了一种基于神经网络中Ｋｏｈｏｎｅｎ自组织映射的优化算法．从大量原始模糊规则中迭代辨识出模糊关系，并利用Ｋｏｈｏｎｅｎ网络对其进行聚类变换，最后得到优化了的模糊规则．仿真结果证明了该方法的有效性     

从一类数据信息中产生模糊规则的有限元方法

产生模糊规划的传统方法，指出利用传统的模糊规则生成方法所得到的模糊规则及由模糊规则所得到的各种控制和预测结果值得怀疑。本文邮从一类数据信息中产生模糊规则的有限元方法，基于本方法所产生的模糊规则是由所研究对象的精度决定的。最后给出的模糊规则生成的实例表明了本方法的有效性和简捷性。     

基于快速模糊规则搜索的快速模糊系统建模

本文提出了一种基于快速模糊规则搜索的快速模糊系统建模方法,首先使用本文提出的快速模糊规则搜索方法进行模糊规则的粗略搜索,然后基于所得到的模糊规则集建立模糊神经网络模型,即利用规则前件确定网络结构,规则后件初始化部分网络权值。使用遗传算法对网络模型的权值和阈值进行学习训练。实验结果验证了快速模糊系统建模方法在描述较大规模非线形系统中的实用性和有效性。     

采掘关联规则的高效并行算法

采掘关联规则是数据采掘领域的一个重要问题。文中对采掘关联规则问题进行了简单的回顾,给出了一种提高顺序采掘关联规则效率的方法;分析了已有并采掘关联规则算法的优缺点;设计了一个效率较高的并行采掘关联规则的算法ＰＭＡＲ;并与其它相应算法进行了比较,实验证明,算法ＰＭＡＲ是有效的。     

交通系统的模糊控制及其神经网络实现

本文根据城市交通系统的特点设计了单个路口信号灯的模糊控制器,研究了用神经网络实现模糊控制器的方法和过程,并对该控制器进行了仿真研究,本文所设计的控制方法适合于各种车流大小随机变化的单个路口,且决策过程迅速、合理,无需对车流进行预测,是一种实时单点控制方法,由于模糊控制器由神经网络实现,控制具有学习和联想功能,仿真结果说明了该方法的有效性。     

单体模糊神经网络的学习规则及其收敛性研究

兴久祯教授在不久前研究了单体模糊神经网络（MFNNs)的函数逼近能力,在此基础上,提出了单体模糊神经网络（MFNNs)的学习规则并进一步研究了其收敛性,研究结果表明,所提出的学习规则百收敛的,这一结论为单体模糊神经网络的应用提供了坚实的理论基础。     

模糊规则的谐调度与矛盾规则的排除方法

本文给出了模糊规则的谐调度，得到了两个模糊规则有公共解的充分必要条件，提供了模糊规则知识库中矛盾规则的排除方法．     

一种基于NFCS形态的模糊神经网络的学习算法

神经网络与模糊逻辑协同系统（NFCS）是神经网络与模型系统深度融合的一种形态，传统的BP算法也可作为NFCS的学习算法，但收敛性能不佳，针对NFCS形态的模糊神经网络提出了BP算法的一种新的改进算法（NFCS－BP），即在误差传播时不仅改变网络的连接权值，同时也改变模糊逻辑神经元模型的补偿参数，首先介绍了NFCS的协同机制和典型结构，然后详细推导了改进算法的迭代公式，实践证明，与传统BP算法相比，该算法具有收敛性能好，函数逼近精度高的优点。     

PROPOSAL OF AN INTERPOLATIVE FUZZY INFERENCE METHOD

In this paper, we propose an interpolative fuzzy inference method, in which the fuzzy relation is represented by the membership functions of the antecedent and consequent parts. The strong point of this method is that the membership function of an inferred conclusion has a simple shape and thus its meaning can be interpreted easily. Firstly, the proposed method is explained, and then it is applied to fuzzy modeling of distributed data. From the modeling result, it was found that the method performed as a possibility distribution model. The proposed method is expected to be effective on a human supervised system, in which a human being takes any action according to the interpretation of a fuzzy inferred conclusion.