非线性动态模糊系统过程控制与稳定性分析

针对自动控制领域中存在的大量的非线性动态模糊系统,提出了非线性动态模糊系统过程控制模型,并给出了动态模糊控制器的设计算法和该模型的稳定性分析,很好地解决了模糊控制系统所不能解决的动态性问题.     

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。     

动态模糊决策树学习算法研究

针对自动控制领域中普遍存在的动态模糊信息,提出了基于DFS(动态模糊集)建模的动态模糊决策树算法,并给出了对包含非动态模糊属性、缺少属性值的输入样例的匹配算法,很好地解决了模糊控制系统所不能解决的动态性问题。     

动态模糊决策树学习算法研究

针对自动控制领域中普遍存在的动态模糊信息,提出了基于DFS（动态模糊集）建模的动态模糊决策树算法，并给出了对包含非动态模糊属性、缺少属性值的输入．样例的匹配算法，很好地解决了模糊控制系统所不能解决的动态性问题。     

动态模糊极大似然估计算法

在机器学习中,一个广泛的应用是对模型的参数进行估计,即极大似然估计(MLE),EM算法是根据点估计中的MLE改进的一种迭代算法,是求极大似然估计的一种强有力的工具,但它收敛速度较慢,于是引入α-EM算法,克服了EM算法的缺陷.由于学习的过程中可能存在着大量的缺失数据及其动态模糊性,给出基于不完全数据的动态模糊极大似然估计算法并给出实例验证.     

动态模糊逻辑关系学习

提出一种动态模糊逻辑（DFL）关系学习方法,该方法处理了动态模糊谓词和学习不同种类的动态模糊一阶规则的程序。针对不同类型的规则,定义了相关的置信度来考虑算法中的动态模糊谓词。通过实例验证了算法的有效性。     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

基于机器学习的动态信誉评估模型研究

为在开放网络环境中建立资源消费者(用户)和资源提供者(主机)之间的信任关系,提出基于机器学习的动态信誉评估模型 .模型中用户的信誉级别可以根据其行为和一些其他监测数据动态变化,而资源的信誉级别也可以根据用户对资源所提供服务的评价动态变化 .给出了用于生成评估规则和信誉级别的模糊信誉级别评估算法(FTEA),算法采用基于规则的机器学习方法,具有从大量输入数据中自学习以获取评估规则的能力 .实验结果表明,1000组输入数据能够生成理想的规则库,并且算法执行时间随输入判定因素数目成指数形式增长,因此需要选择5～6个因素和1000个左右的样本数据以进行系统实现 .     

敌对攻击环境下基于移动目标防御的算法稳健性增强方法

传统的机器学习模型工作在良性环境中,通常假设训练数据和测试数据是同分布的,但在恶意文档检测等领域该假设被打破。敌人通过修改测试样本对分类算法展开攻击,使精巧构造的恶意样本能够逃过机器学习算法的检测。为了提高机器学习算法的安全性,提出了基于移动目标防御技术的算法稳健性增强方法。实验证明,该方法通过在算法模型、特征选择、结果输出等阶段的动态变换,能够有效抵御攻击者对检测算法的逃逸攻击。     

基于密度聚类的神经模糊系统建模算法

神经模糊系统经常被用来对非线性系统建模,并能取得很好的效果.以往的模糊系统建模方法存在着输入空间划分个数难以确定和规则冗余的问题,这些问题阻碍了模糊系统的应用.基于动态阈值DENCLUE和相似规则合并的神经模糊系统建模算法DDTSRM(DENCLUE using a dynamic threshold and similar rules merging),首先在DENCLUE算法中使用动态阈值来合并密度吸引子,得到DDT算法.DDTSRM利用DDT算法不依赖初始参数的特点,解决了输入空间划分个数难以确定的问题.因为DDT算法可以得到任意形状和任意密度的聚类结果的特性,所以提高了模糊系统模型的准确性.辨识出模型的初始结构后,DDTSRM通过计算模糊集合之间的相似度来减少规则冗余,使模糊系统模型结构得到优化.最后利用BP算法对系统模型进行训练,进而提高系统的建模精度.以S-Y模糊系统模型为原型,在两输入一输出的非线性函数和Box-Jenkins数据上的仿真实验证明了DDTSRM算法在神经模糊系统建模应用的有效性,能够取得精确的建模效果.     

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。      

基于DFS的协调机器学习模型

机器学习是人工智能的核心课题之一,机器学习的研究得到众多学者的广泛关注。基于动态模糊集等基本理论,提出了一种协调学习的模型。并讨论了CMLM的学习算法,该种学习方法适合复杂的学习系统。通过研究这种学习方法,进一步丰富了机器学习的基本内容。     

正负模糊规则系统、极限学习机与图像分类

传统的图像分类一般只利用了图像的正规则,忽略了负规则在图像分类中的作用。Nguyen将负规则引入图像分类,提出将正负模糊规则相结合形成正负模糊规则系统,并将其用于遥感图像和自然图像的分类。实验证明,其在图像分类过程中取得了很好的效果。他们提出的前馈神经网络模型在调整权值时利用了梯度下降法,由于步长选择不合理或陷入局部最优从而使训练速度受到了限制。极限学习机（ELM）是一种单隐层前馈神经网络（SLFN）学习算法,具有学习速度快,泛化性能好的优点。本文证明了极限学习机与正负模糊规则系统的实质是等价的,遂将其用于图像分类。实验结果说明了极限学习机能很好的利用正负模糊规则相结合的方法对图像进行分类,实验结果较为理想。     

基于脑网络和TSK模糊系统的癫痫脑电识别

脑电检测是癫痫疾病诊断的重要手段,但基于脑电信号特征的人工标记方法,对癫痫发作状态识别的准确度较低。将脑功能网络与TSK模糊系统相结合,提出一种癫痫脑电信号识别的新方法。通过分析多通道脑电信号之间的同步性,构建癫痫患者的脑功能网络,采用复杂网络方法提取特征参数;以脑网络参数为输入特征建立TSK模糊系统模型,通过监督式学习训练分类器,用于识别癫痫发作期的脑电波形。实验结果证明了该方法的有效性,模糊分类器对癫痫发作状态识别的准确度达到98.36%,99.48%敏感度和97.24%特异度。该方法将复杂网络与机器学习算法相融合,为通过脑电检测识别癫痫疾病状态提供了新方法,具有重要的应用价值。     

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。     

基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适应控制方法, 该控制方法既不需要预先知道模糊神经结构, 也不需要预先的训练阶段, 完全通过在线自适应学习算法构建水下机器人的逆动力学模型. 首先, 本文提出了基于这种网络结构的水下机器人直接自适应控制器, 然后, 利用 Lyapunov 稳定理论, 证明了基于该控制器的水下机器人控制系统闭环稳定性, 最后, 采用某水下机器人模型仿真验证了该控制方法的有效性.