多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两各将模糊机制引入神经网络的方法－输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统网络更好的识别结果。     

模糊神经网络在电子鼻系统定量识别中的应用

提出并实现了两种类型的模糊神经网络用于电子鼻系统的定量识别。阐述了模糊神经网络用于电子鼻系统定量识别的基本原理,简要介绍了两种模糊神经网络的结构特点并进行了比较,并通过具体实例说明了模糊神经网络用于电子鼻系统的定量识别的可行性以及识别的效果。在该系统中,基于径向基网络模型的模糊神经网络的预测性能在整体上要优于基于感知器模型的模糊神经网络。     

补偿模糊神经网络自适应逆控制的仿真研究

该文应用的补偿模糊神经网络（CFNN）是结合补偿模糊逻辑和神经网络的混合系统。由于引入补偿神经元使网络容错性更高,系统更稳定;同时模糊运算采用动态的、全局优化运算,并在神经网络学习算法中动态优化补偿模糊运算,使网络更适应,训练速度更快。将补偿模糊神经网络与白适应逆控制原理结合应用到某位置伺服系统噪声消除控制中,并同用BP网络,传统PID控制和常规模糊神经网络控制效果比较来证明此方法的优越性。仿真结果表明补偿模糊神经网络自适应逆控制在缩短训练时间,提高控制精度等方面都有显著改善。     

手写体数字识别的一种模糊联想记忆神经网络方法

手写体数字识别是当前神经网络应用研究最为活跃的领域之一。本文找出一种基于模糊联想记忆神经网络模型的识别方法，并获得较为满意的计算机模拟结果。与常用的ＢＰ网络算法相比，具有学习速度快、算法简单、网络规模小、拓扑结构简单等优点。     

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。     

基于T-S模糊神经网络的抽油机井故障诊断

针对油田抽油机井故障的特点,提出了基于T-S模糊神经网络的抽油机井故障诊断方法。即将神经网络的学习能力引入到模糊系统中,将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示,从而提高系统的学习能力和表达能力。提出了基于LM优化的BP算法以提高网络收敛速度,利用MATLAB神经网络工具箱建立模糊神经网络诊断模型,经仿真测试表明,所提出的故障诊断方法能有效地对抽油机故障识别,正确率较高、效果较稳定,可提高网络训练及诊断速度。     

基于神经网络和模糊逻辑的工业过程故障诊断与报警系统

用单一理论和方法对复杂系统进行故障诊断效果不太好.文章讨论了基于神经网络和模糊系统的故障诊断以及它们之间结合方式的特点,提出了一种保障工业生产安全可靠运行的有效方法:分级故障诊断算法 过程监控与报警,仿真并设计了基于工控网络的工业过程故障诊断与报警系统.研究表明基于径向基函数神经网络 模糊逻辑的算法具有较快的训练速度和较好的泛化能力,可识别多回路故障.     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播(FCP)网络辨识器和径向基函数(RBF)神经网络控制器组成,仿真结果表明了该方案的有效性。     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。     

多层前馈模糊神经网络进行图象识别

模糊技术和神经网络在模式识别领域中已有了广泛应用，二者有着各自的优势。针对神经网络模式识别中所遇到的问题，为了进一步提高分类器在样本分布不清晰情况下的识别能力，本文提出了两种模糊将机制引入神经网络的方法—输入模糊化方法、隐层模糊化方法，并在此基础上分别构造了模糊神经网络。实验结果表明，模糊神经网络较好地结合了神经网络和模糊技术的优点，取得了比传统神经网络更好的识别结果。     

神经网络的模糊规则提取

神经网络的“黑箱问题”为该技术的广泛应用带来了一定限制,由于神经网络在一定条件下可与模糊系统相互转换,从神经网络中提取模糊规则为“黑箱问题”的解决提供了有效手段。本文在阐述基本概念的同时,分析了把连续值网络转化为二值网络和从神经网络到模糊系统的转换进行模糊规则提取的两类方法,通过解决Iris问题的实验结果比较了两类方法的性能。     

基于模糊神经网络的专家系统及应用

专家系统前景广阔，但其进一步发展必须引入其他先进技术，神经网络和模糊系统是解决知识获和经验性知识的不确定性等传统专家系统的“瓶颈”问题的全新途径。     

Advanced self-organizing polynomial neural network

In this paper, we introduce a concept of advanced self-organizing polynomial neural network (Adv_SOPNN). The SOPNN is a flexible neural architecture whose structure is developed through a modeling process. But the SOPNN has a fatal drawback; it cannot be constructed for nonlinear systems with few input variables. To relax this limitation of the conventional SOPNN, we combine a fuzzy system and neural networks with the SOPNN. Input variables are partitioned into several subspaces by the fuzzy system or neural network, and these subspaces are utilized as new input variables to the SOPNN architecture. Two types of the advanced SOPNN are obtained by combining not only the fuzzy rules of a fuzzy system with SOPNN but also the nodes in a hidden layer of neural networks with SOPNN into one methodology. The proposed method is applied to the nonlinear system with two inputs, which cannot be identified by conventional SOPNN to show the performance of the advanced SOPNN. The results show that the proposed method is efficient for systems with limited data set and a few input variables and much more accurate than other modeling methods with respect to identification error.     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

基于模糊神经网络的5连杆双足机器人混杂控制

针对双足机器人单脚支撑期控制问题, 提出了一种新型的模糊神经网络混杂控制方法. 该种方法结合了模糊神经网络、H_∞ 控制及逆系统方法的优点. 应用了一种新的多层模糊CMAC神经网络对系统进行逼近, 一方面将模糊神经网络的构造误差看作系统的干扰, 利用H_∞ 控制对干扰进行抑制. 另一方面利用模糊神经网络对系统模型进行逼近, 为逆系统的构建和H_∞ 控制率的设计提供了有效的系统信息. 并证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制 L₂ 增益.     

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。     

模糊神经网络补偿的伺服系统二次型最优控制

针对伺服系统二次型最优控制存在的问题,提出了基于模糊神经网络补偿的二次型最优控制方法,该控制方法利用模糊神经网络的实时学习能力,能够及时补偿被控对象建模不准确、参数摄动和外界干扰等非线性因素对控制系统性能的影响,增强控制系统的自适应能力,有效提高控制系统的跟踪性能和抗干扰鲁棒性能.仿真试验结果验证了该控制方法的有效性.     

An adaptive neuro-fuzzy model for prediction of student’s academic performance

This paper introduces a systematic approach for the design of a fuzzy inference system based on a class of neural networks to assess the students’ academic performance. Fuzzy systems have reached a recognized success in several applications to solve diverse class of problems. Currently, there is an increasing trend to expand them with learning and adaptation capabilities through combinations with other techniques. Fuzzy systems-neural networks and fuzzy systems-genetic algorithms are the most successful applications of soft computing techniques with hybrid characteristics and learning capabilities. The developed method uses a fuzzy system augmented by neural networks to enhance some of its characteristics like flexibility, speed, and adaptability, which is called the adaptive neuro-fuzzy inference system (ANFIS). New trends in soft computing techniques, their applications, model development of fuzzy systems, integration, hybridization and adaptation are also introduced. The parameters set to facilitate the hybrid learning rules for the constitution of the Sugeno-type ANFIS architecture is then elaborated. The method can produce crisp numerical outcomes to predict the student’s academic performance (SAP). It also provides an alternative solution to deal with imprecise data. The results of the ANFIS model are as robust as those of the statistical methods, yet they encourage a more natural way to interpret the student’s outcomes.     

模糊神经网络在商业规则数据挖掘中的应用*

利用模糊系统对规则提取的优势弥补了神经网络可解释性差的缺点,并使用模糊神经网络来进行商业规则数据挖掘。通过建立模糊神经网络对训练好的网络进行剪裁,最后提取模糊商业规则,说明了商业规则数据挖掘的全过程,并对其中重点算法进行了描述和改进。给出的实例证明了该方法的有效性。     

Opening the black box of neural networks for remote sensing image classification

Neural networks, which make no assumption about data distribution, have achieved improved image classification results compared to traditional methods. Unfortunately, a neural network is generally perceived as being a ‘black box’. It is extremely difficult to document how specific classification decisions are reached. Fuzzy systems, on the other hand, have the capability to represent classification decisions explicitly in the form of fuzzy ‘if-then’ rules. However, the construction of a knowledge base, especially the fine-tuning of the fuzzy set parameters of the fuzzy rules in a fuzzy expert system, is a tedious and subjective process. This research has developed a new, improved neuro-fuzzy image classification system based on the synergism between neural networks and fuzzy expert systems. It incorporates the best of both technologies and compensates for the shortcomings of each. The learning algorithms of neural networks developed here are used to automate the derivation of fuzzy set parameters for the fuzzy ‘if-then’ rules in a fuzzy expert system. The rules obtained, in symbolic form, facilitate the understanding of the neural network based image classification system. In addition, the image classification accuracy obtained from the improved neuro-fuzzy system was significantly superior to those of the back-propagation based neural network and the maximum likelihood approaches.