结合SVD_ TLS及EKF算法的动态自组织模糊神经网络在动态系统中的应用

针对如何优化模糊神经网络的规则及如何合理地调整非线性参数及线性参数等问题,提出了将奇异值分解_总体最小二乘法(SVD_TLS)及扩展卡尔曼滤波(EKF)相结合的动态自组织模糊神经网络(STD_DSFNN)。首先给出了STD DSFNN的结构及各层的含义;其次,用EKF算法学习非线性参数,SVD_TLS算法学习线性参数的同时提取重要模糊规则;最后,通过典型的Machey-Ulass时间序列预测实例验证SVD_TLS及EKF相结合的动态自组织模糊神经网络(STE_DSFNN),同时与DFNN, ANFIS及UKF_DFNN相对比,结果表明STE DSFNN网络结构更紧凑,具有更好的泛化能力。     

基于EKF 的自组织T-S 模糊Elman 网络

针对模糊神经网络结构设计问题及模糊集在语言描述上存在的不足, 提出一种基于扩展的卡尔曼滤波(EKF)的自组织T-S 模糊Elman 网络, 并推导了网络训练算法. 分别采用递归最小二乘法和EKF 对线性参数和非线性参数进行更新; 基于模糊规则生成准则和误差下降率修剪策略实现了模糊规则的增删减. 最后通过系统辨识和污水处理建模实验, 表明了该算法在保证网络精度和泛化能力的同时, 可以有效地简化网络结构.

     

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.     

自组织区间二型模糊神经网络及其自适应学习算法

针对复杂不确定非线性系统的辨识问题,提出一种基于聚类的自组织区间二型模糊神经网络学习算法.首先采用具有两个不同加权参数的FCM算法对输入数据进行划分来获取规则前件的不确定均值,同时结合聚类有效性标准确定模糊规则数目,从而自动完成神经网络的结构辨识和规则前件参数辨识;随后给出了基于梯度下降法和Lyapunov函数稳定收敛定理的规则后件权向量学习速率的自适应学习算法.通过非线性系统辨识实例,验证了该算法与其他方法相比具有更快的收敛速度和更高的逼近精度;并且利用该算法建立了某市电力短期负荷预测模型,结果表明该模型具有较高的预测精度,泛化性能更佳.     

基于自组织模糊神经网络电力系统稳定器的设计

采用一种自组织模糊神经网络设计电力系统稳定器,该稳定器能通过结构和参数的学习,克服传统模糊控制器设计过程吕存在的盲目性及拚养伤性,避免模糊控制器中模糊逻辑规则的冗余成欠缺。仿夫表明该电力系统稳定器具有良好控制性能。     

模糊神经网络快速学习算法的研究

在分析模糊模型及相应模糊神经网络的基础上，提出一种快速学习算法－－择近学习算法，它公需对每个训练数据学习一次，就可得了较好的结果，因此，其效率非常高。在算法中还引进了置信度的概念，以提高学习结果的可靠性，择近学习算法特别适用于捕获表达各种变量之间的结果信息。仿真结果证实了算法的有效性。     

基于有效神经元的自组织模糊神经网络算法

针对传统神经网络识别率低和泛化能力差的问题,提出了一种改进的自组织模糊神经网络（SOFNN）学习算法。以保存椭球基函数（EBF）层各个神经元的输出及输出之和为依据进行神经元的修改,删除和增加,进而得到网络的有效神经元,并减少样本训练的时间。用最小二乘法（RLSE）估计参数,用梯度下降法修改参数,保证网络收敛。与其他的模糊神经网络相比,在精确度、结构复杂性和抗干扰性方面的优越性,在真实数据集上得到了有效的验证。     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。     

基于自组织递归模糊神经网络的BOD软测量

生化需氧量是污水处理过程中评价水质的重要指标之一,神经网络软测量是解决其在线测量困难的主要方法。污水处理是一个动态的过程,而前馈神经网络由于缺乏动态性而难以保证对其的测量精度。本文提出了一种自组织递归模糊神经网络,建立了内部的反馈连接以增强网络动态性能,通过评估神经元的互信息关系和激活强度以增长或修剪规则层神经元,采用梯度下降学习算法进行参数更新,并结合自适应学习率以提高收敛精度。通过对实际污水厂数据的实验结果表明,本文提出的模型结构更紧凑,对出水生化需氧量的预测精度更高。     

A fast and accurate online self-organizing scheme for parsimonious fuzzy neural networks

In this paper, we present a fast and accurate online self-organizing scheme for parsimonious fuzzy neural networks (FAOS-PFNN), where a novel structure learning algorithm incorporating a pruning strategy into new growth criteria is developed. The proposed growing procedure without pruning not only speeds up the online learning process but also facilitates a more parsimonious fuzzy neural network while achieving comparable performance and accuracy by virtue of the growing and pruning strategy. The FAOS-PFNN starts with no hidden neurons and parsimoniously generates new hidden units according to the proposed growth criteria as learning proceeds. In the parameter learning phase, all the free parameters of hidden units, regardless of whether they are newly created or originally existing, are updated by the extended Kalman filter (EKF) method. The effectiveness and superiority of the FAOS-PFNN paradigm is compared with other popular approaches like resource allocation network (RAN), RAN via the extended Kalman filter (RANEKF), minimal resource allocation network (MRAN), adaptive-network-based fuzzy inference system (ANFIS), orthogonal least squares (OLS), RBF-AFS, dynamic fuzzy neural networks (DFNN), generalized DFNN (GDFNN), generalized GAP-RBF (GGAP-RBF), online sequential extreme learning machine (OS-ELM) and self-organizing fuzzy neural network (SOFNN) on various benchmark problems in the areas of function approximation, nonlinear dynamic system identification, chaotic time-series prediction and real-world regression problems. Simulation results demonstrate that the proposed FAOS-PFNN algorithm can achieve faster learning speed and more compact network structure with comparably high accuracy of approximation and generalization.     

一种有效的增量顺序学习模糊神经网络

利用误差下降率定义输入数据对系统输出的敏感性,并以此作为规则产生标准,提出一种有效增量顺序学习模糊神经网络。将修剪策略引入规则产生过程,因此该算法产生的模糊神经网络不需要进行修剪。通过仿真实验,本算法在达到与其他算法相当性能的情况下,能够获得更高的准确率和更简单的结构。     

基于改进的扩展卡尔曼滤波伺服系统建模技术研究

研究永磁同步电机系统建模技术问题。传统的建模技术在对系统进行建模时,由于算法复杂度较高,不利于实时控制系统,提出一种新的基于卡尔曼滤波技术构建速度观测器替代位置传感器;卡尔曼滤波技术适用于线性控制场合,针对PMSM的非线性特性,改进卡尔曼滤波算法为扩展卡尔曼滤波算法。仿真实验结果表明,利用扩展卡尔曼滤波算法构建的速度观测器准确度高,是一种有效的伺服系统建模方法。     

基于自组织模糊神经网络的出水总磷预测

针对污水处理过程出水总磷预测问题,本文提出一种基于改进Levenberg--Marquardt(improved Levenberg--Marquardt,ILM)学习算法和奇异值分解(singular value decomposition,SVD)的适于在线建模的自组织模糊神经网络(fuzzy neural network,FNN)预测方法.ILM-SVDFNN采用改进LM学习算法对隶属函数中心、宽度和输出权值进行训练.在参数自适应学习的同时,采用单边Jacobi变换实现规则层输出阵的奇异值分解,根据奇异值定义增长和修剪指标实现规则层神经元在线动态调整.此外,证明了所提方法在网络结构固定和调整阶段的收敛性.最后,利用典型非线性系统辨识、Mackey-Glass时间序列预测和实际污水处理过程出水总磷预测实验进行验证.仿真结果显示所设计的自组织模糊神经网络结构紧凑且预测精度较高,较好地满足了污水处理厂对出水总磷检测精度和实时性的要求.     

基于EKF神经网络的扩频系统抗窄带干扰技术

针对消除扩频系统中的窄带干扰问题,文章提出了一种基于扩展卡尔曼滤波(EKF)的递归神经网络预测器(RNNP)。扩展卡尔曼滤波被用于反馈修改递归神经网络的权值系数,从而准确地估计干扰信号,具有收敛速度快、预测精度高和适用于非线性处理的优点。仿真结果表明:基于EKF学习算法的RNNP相对于自适应线性最小均方差(LMS)干扰预测器、自适应近似条件均值(ACM)干扰预测器和基于实时递推学习(RTRL)算法的RNNP在预测误差的均方误差、收敛速度、信噪比改善量方面上有不同程度的改进。     

一种改进的动态二叉树的自组织神经网络算法

分析了自组织神经网络各种改进算法的优缺点,详细设计和实现了一种基于改进动态二叉树的自组织映射树（DBTSONN）。在改进动态二叉树中神经元节点可以自动生长和剪除,无需在训练前预先确定自组织神经网络结构。DBTSONN1算法采用单路径自组织树中搜索最匹配叶节点（获胜神经元）,DBTSONN2算法考虑了获胜神经元节点所在自组织二叉树的层次,采用双向搜索获胜叶节点,提高了搜索效率。实验结果表明,该算法在向量量化器设计方面具有很好的效果。     

基于EKF的全景视觉机器人SLAM算法

研究全景视觉机器人同时定位和地图创建（SLAM）问题。针对普通视觉视野狭窄, 对路标的连续跟踪和定位能力差的问题, 提出了一种基于改进的扩展卡尔曼滤波（EKF）算法的全景视觉机器人SLAM方法, 用全景视觉得到机器人周围的环境信息, 然后从这些信息中提取出环境特征, 定位出路标位置, 进而通过EKF算法同步更新机器人位姿和地图库。仿真实验和实体机器人实验结果验证了该算法的准确性和有效性, 且全景视觉比普通视觉定位精度更高。