离散型模糊系统的稳定线性监督控制设计

在对现有的T-S型模糊系统的稳定性结果进行 分析的基础上,研究了状态空间形式下离散型模糊系统在子空间上的线性分解,基于该线性 分解设计一线性监督控制器使模糊闭环系统稳定,从而用简单的线性系统理论完成了对复杂 非线性系统的控制．仿真结果证明了该线性监督控制器的有效性．     

模糊极大极小神经网络新的并集学习算法

提出了模糊极大极小神经网络新的隶属函数及新的并集学习算法.算法不受形状因子的影响且与学习顺序无关,各模糊子集的等λ截集中不存在异类训练样本,学习后的隐层节点数较扩充-收缩算法更少,对训练集和检测集的正确识别率更高.     

基于位势距离的势函数算法

本文利用势函数的性质提出了一种简单而有效的新的势函数训练算法,与传统的势函数训练方法相比,演算法在很大程度上减少了学习的训练量,所得到的判决函数不仅在形式上更为简单,而且与训练样本集的边界有直接的映射关系.本文的工作有助于研究归纳学习的典型样本问题.     

一种基于模糊形式概念分析的模糊本体学习方法

模糊本体是语义网中处理模糊信息的重要工具,而模糊本体学习是构建模糊本体的一种有效方法,因此模糊本体学习已逐渐成为现今本体研究的热点。作为模糊本体的另一种图结构的表现形式,模糊概念格构造与演化的研究也渐渐引起人们的关注。模糊形式概念分析是一种基于模糊形式背景表示形式概念的新模型,是由模糊集理论与形式概念分析结合而成,其主要表现形式即是模糊概念格。这种模糊概念层次结构是数据分析及规则提取的有效工具,且支持概念间相似度的计算。提出一种基于模糊形式概念分析的模糊本体学习方法,意图从领域文档中获取模糊概念和模糊概念关系,并通过模糊形式概念分析,将其添加到源模糊本体转化的模糊概念格中,以完成模糊本体学习。     

基于协同进化PSO的分类器学习算法

微粒群算法是一种简单、随机的进化群体算法,能够有效地解决数学性质比较复杂的优化问题。神经网络分类器能够解决复杂的非线性空间上分类的问题,它的训练学习算法要求更简单有效。文中将微粒群优化算法应用于神经网络分类器的学习,并加入协同进化机制以增强其性能。实例表明协同PSO算法的优越性。     

应用Fuzzy集合理论测辨系统Fuzzy模型的新方法——Fuzzy推理合成法

本文基于Fuzzy集合理论,根据待辨识系统的量测数据,应用Fuzzy推理合成规则,提出建立系统Fuzzy模型的新方法,通过建立水泥回转窑热工过程Fuzzy模型,证实了该方法的可行性.     

神经元模式分类器学习的进化计算算法

本文提出了一种用于神经元模式分类器学习的进化计算算法。该算法综合了非确定有限自动机和次群体的动态数据结构,可有效地完成神经网络模式分类器的结构学习,以获得最优的求解结果。该算法的有效性已由计算机仿真实验所证实,可被认为是一种很有发展前途的模式分类系统的机器学习算法。     

一种改进的有监督训练的TV语种识别方法

传统的GMM-TV(Gaussian Mixture Model-Total Variability,又称为i-vector)系统得益于它良好的识别效果以及优秀的识别效率,在语种识别LID(language identification)中得到广泛应用,然而载荷矩阵T的训练过程是无监督的,使得它的分类空间并没有得到最好的优化。已有的有监督TV(Supervised-TV,S-TV)算法,通过在均值超矢量上拼接一个带有标签信息的向量,使得T矩阵的训练过程变成一个有监督的过程,但是效果增长较弱,同时带来了载荷矩阵自由度问题。提出一种改进的有监督训练方法,在目标函数中引入正则化项来解决自由度的问题,同时大大提升它的分类效果。该方法在NIST LRE09的30s数据集实验中得到了很好的效果,等错误率EER(Equal Error Rate)从5.40%下降到4.96%,融合系统的EER达到了3.86%。     

一种保证隶属度函数完备性和模糊集合语义一致性的学习方法

文中首先对模糊系统的两类主要的学习算法：梯度下降和遗传算法方法进行了深入分析,并指出了存在的问题．然后,在此基础上提出了一种针对半梯形和三角形隶属度函数的保证隶属度函数ε完备性和模糊集语义一致性的参数调整方法．并基于上述方法实现了一种新的基于遗传算法并利用梯度下降的快速模糊系统学习算法．最后通过实例进行了模拟,验证了该方法的高效性,以及保证隶属度函数完备性和模糊集合语义一致性的优点     

Min-Max模糊神经网络的应用研究

本文从结构和算法上研究了Min-Max模糊神经网络,找出了其固有的局限性,相应地提出了一系列的改进措施,得到了好的仿真结果,并运用了它作为分类器对实际信号进行了分类,得到了满意的结果.由于网络参数对网络的性能影响很大,本文应用遗传算法对网络算法中的参数进行了优化处理,与优化前相比,网络性能有明显地提高.     

自学习模糊逻辑推理网络及模糊控制器的构成

提出了一种自学习模糊逻辑推理网络和自学习模糊控制器的构成方法.这种方法是 把RCE(Restricted Coulomb Energy)模型进行扩展.使其能够进行模糊逻辑推理,并用于构 成基于RCE模型的自学习模糊控制器RLFC(RCE—based Learning Fuzzy controller).这种 方法有以下特点:a)学习速度高.追加学习容易;b)网络的信息处理工作单元的个数由自学习 决定,通用性好;c)不存在局部极小点问题.自学习模糊控制器RLFC可以直接把熟练者的操 作知识转换成模糊控制规则,自动构成模糊控制器.数值仿真实验表明其效果良好.     

A NEW DESIGN APPROACH FOR FUZZY‐LEARNING FUZZY CONTROLLERS

In this paper, a new approach to designing fuzzy‐learning fuzzy controllers for a system plant without an exact mathematical model is presented. The cost function is defined as the square of the sliding function to alleviate the difficulty of overshoot when on‐line learning is conducted. The learning mechanism of a fuzzy controller is constructed so as to minimize the cost function with a set of linguistic rules. Moreover, to reduce the complexity of the fuzzy‐learning fuzzy controller, the fuzzy mechanism used for learning and the fuzzy mechanism contained in the fuzzy controller are designed so as to have the identical structures. Finally, simulations are included to show the effectiveness of the fuzzy‐learning fuzzy controllers.     

面向机器人装配的DFA模糊评价方法

本文论述了面向机器人装配生产方式的DFA评价技术 研究的特点,并提出了一种面向机器人装配的产品可装配性模糊综合评价方法．     

自学习模糊逻辑推理网络及模糊控制器的构成1)

提出了一种自学习模糊逻辑推理网络和自学习模糊控制器的构成方法.这种方法是把RCE(Restricted Coulomb Energy)模型进行扩展,使其能够进行模糊逻辑推理,并用于构成基于RCE模型的自学习模糊控制器RLFC(RCE-based Learning Fuzzy Controller).这种方法有以下特点a)学习速度高,追加学习容易;b)网络的信息处理工作单元的个数由自学习决定,通用性好;c)不存在局部极小点问题.自学习模糊控制器RLFC可以直接把熟练者的操作知识转换成模糊控制规则,自动构成模糊控制器.数值仿真实验表明其效果良好.     

一类基于模糊聚类和模糊推理的稳健分类器

稳健算法为工程和科学应用所必需.本文揭示了由Setnes和Babuska提出的FRC算法[1]的不稳健性,并提出了一种稳健非线性分类器(MFRC).它将模糊聚类与模糊推理的优势相结合,并且对每一聚类中的模糊关系由属于这个聚类的所有局部关系加权平均得到,从而降低了少数规则的破坏影响.本文将MFRC算法与FRC算法在有编号错误和无编号错误的情况下分别与原型由LVQ、GLVQF算法产生的1-NMP算法比较,分类结果显示MFRC算法具有强稳健性和识别率高的特点.     

基于变尺度编码CMAC的增强学习控制器及其应用

研究了一种基于变尺度编码CMAC神经网络的增强学习控制器设计方法,并应用于以自行车平衡为模型的非线性随机系统的学习控制中.该方法通过对Markov决策过程状态空间的变尺度重叠量化编码,实现基于CMAC的多分辨率值函数逼近,从而有效地提高了增强学习控制器对连续状态空间马氏决策问题的泛化性能.针对自行车学习控制的仿真研究表明,采用变尺度编码CMAC进行值函数逼近的增强学习控制器能够获得优于已有表格型方法和均匀编码CMAC方法的学习效率和泛化性能.     

基于模糊聚类分析的大型信息系统网络环境逻辑设计

本文提出了大型管理信息系统网络环境逻辑设计的方法和过程。通过引用信息系统需求分析的有关数据对数据和应用进行模糊聚类分析,研究数据和应用之间的内在关系,划分出各个子系统,计算出各子系统之间的数据流量,依此为依据,进行信息系统网络逻辑设计。     

DESIGN OF A PREDICTION MODEL FOR CEMENT ROTARY KILN USING WAVELET PROJECTION FUZZY INFERENCE SYSTEM

In a cement factory, a rotary kiln is the most complex component and it plays a key role in the quality and quantity of the final product. This system involves complex nonlinear dynamic equations that have not been completely worked out yet. In conventional modeling procedures, a large number of the involved parameters are crossed out and an approximation model is presented instead. Therefore, the performance of the obtained model is very important and an inaccurate model may cause many problems in the design of a controller. This study presents a Takagi-Sugeno (TS)-type fuzzy system called a wavelet projection fuzzy inference system (WPFIS) in which a dimension reduction section is used at the input stage of the fuzzy system. In order to clarify the structure of the extracted features, structural learning with forgetting (SLF) based on Minkowski norms is proposed. In addition, gradient descent (GD) was used as a training algorithm. The results show that the proposed method has higher performance in comparison with conventional models. The data collected from Saveh White Cement Company were used in our simulations.     

一种修正的模糊极限学习机

极限学习机ELM(Extreme learning machine)作为一个有竞争力的机器学习算法,以其简单的理论和易于实施的特点吸引了越来越多学者的关注。近来,针对噪音及离群数据,研究人员提出了相关的研究算法,然而如何将ELM更好地应用在含有噪音及离群数据的分类问题中仍是一个重要的研究课题。基于数据的信息关联的技术思想提出一种修正的模糊极限学习机(MFELM)。MFELM的优势在于:1)MFELM在处理噪音及离群数据的分类问题时能够保持ELM处理正常数据分类问题的良好性能;2)适用于ELM的激活函数或核函数同样适用于MFELM模型;3)根据不同的需求给每个数据样本分配不同的隶属度,MFELM可以推广到代价敏感学习中。通过使用UCI数据集和普遍应用的人脸数据集进行实验,实验结果表明该提出的算法显著提高了ELM的分类能力并优于其他算法。