基于区间值描述的自适应直觉模糊神经网络

针对模糊集合在语义描述上存在的不足,为提高自适应模糊神经网络的紧凑性,提出了自适应直觉模糊神经网络。首先,推导了适合神经网络计算的直觉模糊规则。接着,给出了自适应直觉模糊神经网络的结构和各层的含义,并给出了网络学习算法和收敛性分析。最后,通过典型实例仿真试验,表明提出的自适应模糊神经网络结构更为紧凑,学习算法的泛化性能更佳。     

基于CMAC的模糊神经网络方法

结合模糊神经网络和小脑模糊连接控制CMAC理论，提出训练时间短，精度高的CMAC模糊神经网络方法，给出了网络结构，算法，并通过一个维修经费预测实例讲述了这种算法。     

基于多项式系的类模糊神经网络与非线性系统的控制

提出一种新的神经网络－－类模糊神经网络，并以基于多项式系的类模糊神经网络为例作了讨论。该网络具有隐层少，运算简单和函数逼近能力强的特点。就一类非线性系统的在线控制，给出了类模糊神经网络控制的选择记忆算法，并证明了这种算法的收敛性，这一类非线性系统的在线控制问题得以初步解决。     

基于模糊神经网络的固体粉末自动配料控制系统

在简单介绍固体染料自动配料设备组成的基础上,针对染料自身特性和外部环境变化等不确定因素,设计了基于模糊神经网络便于在线计算的学习算法.将模糊逻辑和神经网络的长处融合在一起,使模糊推理通过神经网络来实现.系统采用VC 编写友好的用户界面程序,用Matlab完成模糊神经网络控制算法的计算任务.实际运行结果表明,该控制算法具有很好的控制效果.     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

基于模糊学习算法的空调机组性能模拟

基于模糊熵准则和误差平方和准则建立了模糊学习算法,基于该模糊学习算法,应用BP神经网络对柜式空调机组的性能进行了模拟.结果表明,与传统的基于误差平方和准则的学习算法相比,采用模糊学习算法可以大大简化网络结构,有效提高模拟精度和效率.     

增加结构非循环模糊自动机最小化算法

我们提出了一种新的不完全的增加结构算法,该算法结合了非循环确定模糊自动机的性质。由于该算法与隶属度有关,因此算法给出了与传统方法不同的运算函数,而且通过构造模拟状态使该算法可在有多输入状态的条件下运行。所以这个新的不完全增加结构算法较传统算法更可行和实用。新算法由两部分构成:增加模糊字符串到最小非循环确定模糊自动机和最小化增加模糊字符串后得到的自动机。因为在增加模糊字符串到最小非循环确定模糊自动机的过程中,运用了一些相关的新函数,所以得到的自动机仍然是确定的,而且没有增加任何无关的字符串到自动机的可识别语言。     

模糊神经网络的理论发展与应用研究

本论文主要介绍了模糊神经网络的产生与发展过程,模糊神经网络的特点与结构,并结合实例对其在解决问题中的应用进行了说明。     

模糊神经网络在高层建筑横风向振动控制中的应用研究

提出了模糊神经网络方法控制高层建筑横风向风振反应。通过观测部分楼层加速度和控制力输出，建立了模糊神经网络控制器，解决了传统控制中有限的传感器数目对系统振动状态估计的困难．利用模糊神经网络控制器预测结构的控制行为，消除了闭环控制系统中存在的时滞。利用模糊神经网络控制器的自学习能力来确定模糊规则和语言变量隶属函数，解决了土木工程复杂结构模糊控制中，难于依据专家的主观经验来确定模糊控制规则和语言变量隶属函数等困难。模糊神经网络方法的优势在于算法自身的鲁棒性，处理结构非线性、参数不确定性及时变等问题的能力。通过对基准建筑的刚度不确定性分析，讨论了模糊神经网络控制器的鲁棒性。仿真分析表明，模糊神经网络控制策略能有效地抑制高层建筑的横风向风振反应，控制效果略优于LQG控制，而拥有LQG控制不具备的诸多优点。     

基于模糊神经网络的烟度检测系统的研究

本对全流消光式烟度检测系统中的不确定因素进行校正，归结为模糊规则，并用模糊神经网络来提取这种规则，实现了烟度检测系统的误差校正。仿真分析表明，模糊神经网络应用于烟度的检测是可行的。     

模糊中心聚类的模式识别学习方法

基于一个约束条件下的非线性规划问题的优化计算思想，把模糊中心聚类中计算输入矢量与中心的距离来实现聚类作为一种优化计算问题，证明了模糊中心聚类方法，取一个适当的属函数，其聚类中心vi为模糊聚类中心价值函数的极小值，推导出了基于模糊中心聚类的模式识别的无导师递推学习方法，提出了模糊中心聚类模式分类神经网络结构，该网络可以实现并行数据处理和模式分类的软划分和硬划分。     

模糊神经技术在刀具故障检测中的应用

提出了一种刀具故障检测方法，该方法把模糊逻辑和神经网络结合起来，并用神经网络分解技术，建立了一个刀具状态识别网络。该网络适用于多传感器对刀具复杂状态进行识别和分类，具有训练时间短，执行速度快，可靠性高，抗噪能力强等特点。     

Information Theoretic Weighted Fuzzy Clustering Ensemble

In order to improve performance and robustness of clustering, it is proposed to generate and aggregate a number of primary clusters via clustering ensemble technique. Fuzzy clustering ensemble approaches attempt to improve the performance of fuzzy clustering tasks. However, in these approaches, cluster (or clustering) reliability has not paid much attention to. Ignoring cluster (or clustering) reliability makes these approaches weak in dealing with low-quality base clustering methods. In this paper, we have utilized cluster unreliability estimation and local weighting strategy to propose a new fuzzy clustering ensemble method which has introduced Reliability Based weighted co-association matrix Fuzzy C-Means (RBFCM), Reliability Based Graph Partitioning (RBGP) and Reliability Based Hyper Clustering (RBHC) as three new fuzzy clustering consensus functions. Our fuzzy clustering ensemble approach works based on fuzzy cluster unreliability estimation. Cluster unreliability is estimated according to an entropic criterion using the cluster labels in the entire ensemble. To do so, the new metric is defined to estimate the fuzzy cluster unreliability; then, the reliability value of any cluster is determined using a Reliability Driven Cluster Indicator (RDCI). The time complexities of RBHC and RBGP are linearly proportional with the number of data objects. Performance and robustness of the proposed method are experimentally evaluated for some benchmark datasets. The experimental results demonstrate efficiency and suitability of the proposed method.     

Performance of Fuzzy ART neural network and hierarchical clustering for part-machine grouping based on operation sequences

The problem context for this study is one of identifying families of parts having a similar sequence of operations. This is a prerequisite for the implementation of cellular manufacturing, group technology, just-in-time manufacturing systems and for streamlining material flows in general. Given this problem context, this study develops an experimental procedure to compare the performance of a fuzzy ART neural network, a relatively recent neural network method, with the performance of traditional hierarchical clustering methods. For large, industry-type data sets, the fuzzy ART network, with the modifications proposed here, is capable of performance levels equal or superior to those of the widely used hierarchical clustering methods. However, like other ART networks, Fuzzy ART also results in category proliferation problems, an aspect that continues to require attention for ART networks. However, low execution times and superior solution quality make fuzzy ART a useful addition to the set of tools and techniques now available for group technology and design of cellular manufacturing systems.     

一类自适应模糊神经解耦混合控制器的研究

将模糊神经网络与PI控制技术相结合构成一种模糊神经解耦混合控制器。新控制器在控制过程中借助模糊神经网络的自学习算法实现控制参数的在线调整。仿真结果表明,该控制方法对非线性时变系统有较好的控制效果。将该算法应用于电控天然气发动机空燃比控制中,利用宽域空燃比传感技术,通过调整喷射脉宽控制发动机的空燃比,取得了良好的控制效果。     

递归神经网络的模糊随机学习算法

提出了一种新的基于模糊逻辑的Alopex学习算法（FLA）。FLA算法利用模糊逻辑推理实时获得适应于学习过程的适当的算法修正值，克服了Alopex算法中修正值固定不变的缺点，使得随机学习过程在速度、精度和稳定性之间获得平衡。将该算法应用于神经网络的训练，可以无需神经网络的梯度信息和结构信息，因此可以用于具有各种结构特性的递归神经网络对动态系统的学习过程。实验结果表明了FLA算法的有效性。     

一种改进的模糊神经网络控制器学习算法

提出了一种改进的模糊神经网络混合学习算法,运用遗传算法优化构成隶属函数的网络结构,运用最小二乘法进行解模糊,具有更高的学习精度和更快的收敛速度,解决了在多变量系统中采用模糊神经网络时学习收敛慢且易陷入局部极小点的问题。     

基于模糊自适应BP算法的包装件缓冲垫层非线性特性识别

将模糊自适应ＢＰ算法应用于包装件缓冲垫层非线性特性识别问题，提高了网络训练速度，从而使结构化神经网络方法更适于实际应用．