基于模糊逻辑和神经网络的电力负荷预测

设计并实现了神经网络和模糊逻辑相结合的综合预测模型进行短期电力负荷预测。由神经网络和模糊逻辑分别对基本负荷和受天气、节假日影响的负荷进行预测,使其在天气突变等情况下也能达到较高的预测精度。采用此模型对石家庄电力系统负荷进行预测分析,取得了令人满意的结果。     

基于模糊逻辑和神经网络的短期电力负荷预测

本文分析了天气和节假日对电力负荷的影响 ,建立了神经网络和模糊逻辑相结合的综合预测模型进行短期负荷预测。预测结果经两步得出 ,首先训练神经网络 ,令其预测基本日负荷曲线 ,然后利用模糊逻辑根据天气因素以及是否节假日等情况对负荷曲线进行修正 ,使其在天气突变等情况下也能达到较高的预测精度。采用此模型对石家庄电力系统负荷进行预测分析 ,取得了令人满意的结果。     

基于RBF的模糊神经网络控制器设计与仿真分析

介绍一种基于RBF的模糊神经网络设计与仿真分析的实现方法。该方法利用MATLAB中的神经网络工具箱图形用户界面GUI结合模糊控制规则表给定的输入/输出样本数据设计、构建RBF模糊神经控制器,并在Simulink中建立系统仿真模型。通过对阶跃输入信号作用下系统动态性能的仿真分析,结果表明基于RBF的模糊神经控制器有良好的控制性能。     

基于遗传算法的模糊神经网络股市建模与预测

提出一种基于模糊神经网络的股票市场建模与预测方法，并采用遗传算法训练网络权值及模糊子集的划分，对于上证指数及个股的建模与预测结果表明，该方法具有很强的学习与泛化能力，在处理诸如股票市场上这种具有一定程度不确定性的非互性的建模与预测方面有很发的价值。     

基于聚类的模糊神经网络预测系统

本文在Ｔａｋａｇｉ提出的神经网络驱动的模糊推理基础上,提出了基于聚类的新模糊神经网络的和学习算法。     

基于神经网络的模糊预测控制及其应用

应用模糊控制的逻辑推理性能，借助神经网络的学习能力，提出了一种模糊神经网络预测控制模型。利用该模型对发酵过程的预测控制，实验曲线表明，可获得较高的预测精度和较好的控制效果。     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法，有序网络学习速度快，所需神经数目少，用事先训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用一种改进的模糊控制器原有的PID控制器，增强系统的鲁棒性。仿真结果表明，所提出的神经模糊预测控制方法可以获得理想的控制效果。     

基于动态模糊神经网络的生物工程算法研究

目前,模糊神经网络控制在控制领域已成为一个研究热点。把神经网络应用于模糊系统,可以解决模糊系统中的知识抽取问题;把模糊系统应用于神经网络,神经网络就不再是黑箱了,人类的知识就很容易融合到神经网络中。本文提出了一种新型的动态模糊神经网络的结构及其学习算法,该动态模糊神经网络的结构基于扩展的径向基网络。其学习算法的最大特点是参数的调整和结构的辨识同时进行,且学习速度快,可用于实时建模与控制。开发了相关的算法程序,最后针对实际案例进行了仿真分析。仿真结果表明,动态模糊神经网络具有学习速度快、系统结构紧凑、泛化能力强等优点。     

电子电路模糊神经网络故障诊断研究及仿真

针对模拟电路的故障特点,在确定智能诊断算法的基础上,论文尝试用高级语言编程来仿真实现.论文主要讨论了故障诊断的神经网络方法和将输入模糊化后的模糊神经网络方法,该方法结合了模糊逻辑和神经网络的优缺点,对于电阻元件的软故障,用模糊神经网络得到了比较理想的结果,对于所选的电路,用模糊神经网络可以对电阻增大和减小进行识别,实现了模拟电路软故障的辨识.对于模糊规则分不开的故障,可以运用神经网络进一步细分.论文着重以具体的模拟电路为研究对象编程模拟了诊断方法,结果证明这样的诊断方法是有效的.     

基于模糊熵的BP算法改进

由于BP网络简单的拓扑结构和优秀的逼近能力,它已经被广泛地应用于预测和非线性系统的建模中。但是由于算法自身的不足,在实际应用中会产生很多问题。因此,BP网络的优化已经成为了一个重要的课题。为了提高BP网络的泛化能力,将模糊熵加入到BP网络的性能函数中,提出了基于模糊熵的BP算法。在实验中,将两种算法进行了对比,结果表明改进算法可以有效地提高测试精度,避免了过度拟合。     

模糊神经网络在非线性短期负荷预测中的应用

为提高负荷预测精度,提出了一种新的4层模糊神经网络短期负荷预测模型.该模型将模糊逻辑和神经网络的长处融合在一起,使模糊推理和解模糊均通过神经网络来实现.选取的隶属函数使神经网络权值有一定的知识表示意义,并通过模糊化层将输入特征量转化为模糊量.在模糊推理层提出了两种不同的算法来完成模糊推理,然后从中确定出模糊取小算法预测效果更好.最后在输出层通过适当的解模糊得到确切的预测输出值.仿真结果表明了该方法的有效性.     

模糊神经网络的结构自组织算法及应用

提出了一种新的模糊神经网络自组织算法,该算法能够基于输入输出数据自动进行结构辨识和参数辨识.首先采用一种自组织聚类方法建立起网络的结构和各参数的初值,然后采用监督学习来优化网络参数.通过对非线性函数逼近的分析,明了该自组织算法的有效性,并与其他算法作了比较.最后,以某污水处理厂的实际运行数据为对象,应用该模糊神经网络建立了活性污泥系统出水水质预测模型,仿真结果表明.该模型能够对污水处理系统出水水质进行较好的预测.     

基于神经网络的自适应模糊控制系统

针对啤酒发酵过程中罐内温度控制问题,研究神经网络对模糊控制规则的优化方法,利用径向基函数神经网络对模糊控制规则进行优化,提高其自适应能力。以啤酒生产过程中主发酵阶段的数据作为输入样本,通过径向基函数神经网络进行学习训练,校正模糊控制规则,优化模糊控制器。优化前与优化后响应特性曲线的比较结果表明, RB F神经网络学习能力强,收敛速度快;模糊控制规则的完备性和一致性明显改善,控制器的响应速度快、超调量小、稳定性强、控制效果好。     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

基于级联失效的复杂保障网络抗毁性仿真分析*

通过引入流量强度指数α和流量分布指数β,建立了不同网络流量下的复杂负载网络级联失效抗毁性模型。基于该模型比较分析了无标度网络、随机网络和介于这两种网络之间的特定复杂保障网络在不同流量强度和流量分布下对单个节点的随机失效与故意攻击的抗毁性。结果表明,在考虑级联失效的条件下,复杂保障网络的抗毁性随着流量强度的增加急剧下降。此外,流量分布对复杂保障网络的抗毁性也具有显著影响,在流量强度一定的条件下改变网络的流量分布能有效提高网络的抗毁性。     

Chaotic synchronisation for coupled neural networks based on T-S fuzzy theory

Chaotic synchronisation problems for fuzzy neural networks with hybrid coupling are investigated in this paper. A novel concept that can make use of more relaxed variables by employing the new type of augmented matrices with Kronecker product operation is proposed. The proposed method can handle multitude of Kronecker product operation in Lyapunov-Krasovskii functional, and introduce more arbitrary matrices to reduce the conservatism. Since the expression based on linear matrix inequality is used, the synchronisation criteria can be easily checked in practice. Numerical simulation examples are provided to verify the effectiveness and the applicability of the proposed method.     

Interval type-2 fuzzy logic and modular neural networks for face recognition applications

In this paper we present a method for response integration in multi-net neural systems using interval type-2 fuzzy logic and fuzzy integrals, with the purpose of improving the performance in the solution of problems with a great volume of information. The method can be generalized for pattern recognition and prediction problems, but in this work we show the implementation and tests of the method applied to the face recognition problem using modular neural networks. In the application we use two interval type-2 fuzzy inference systems (IT2-FIS); the first IT2-FIS was used for feature extraction in the training data, and the second one to estimate the relevance of the modules in the multi-net system. Fuzzy logic is shown to be a tool that can help improve the results of a neural system by facilitating the representation of human perceptions.     

Introduction: from legal theories to neural networks and fuzzy reasoning

Computational approaches to the law have frequently been characterized as being formalistic implementations of the syllogistic model of legal cognition: using insufficient or contradictory data, making analogies, learning through examples and experiences, applying vague and imprecise standards. We argue that, on the contrary, studies on neural networks and fuzzy reasoning show how AI & law research can go beyond syllogism, and, in doing that, can provide substantial contributions to the law.     

Solving fully fuzzy polynomials using feed-back neural networks

Recently, there has been a considerable amount of interest and practice in solving many problems of several applied fields by fuzzy polynomials. In this paper, we have designed an artificial fuzzified feed-back neural network. With this design, we are able to find a solution of fully fuzzy polynomial with degree n. This neural network can get a fuzzy vector as an input, and calculates its corresponding fuzzy output. It is clear that the input–output relation for each unit of fuzzy neural network is defined by the extension principle of Zadeh. In this work, a cost function is also defined for the level sets of fuzzy output and fuzzy target. Next a learning algorithm based on the gradient descent method will be defined that can adjust the fuzzy connection weights. Finally, our approach is illustrated by computer simulations on numerical examples. It is worthwhile to mention that application of this method in fluid mechanics has been shown by an example.