扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

模糊系统与前向神经网络的结合

1 引言模糊系统方法和神经网络技术是近年来计算智能领域研究热点,被广泛地应用于复杂系统、非确定性等难于建立比较准确的数学模型的问题,并在自动控制、计算机图像处理、语音识别、手写体识别等领域有重要应用。模糊系统与神经网络的结合也越来越受到人们的重视。模糊系统和神经网络的结合可以分为模糊系统与前向网络的结合和与反馈网络的结合两类。模糊系统与反馈网络的结合主要有模糊联想记忆、模糊     

一种改进的模糊神经网络学习算法

本文引入模糊控制机制,对文献「１」的具有正态模型网络参数的前馈式模糊神经网络学习算法进行改进,提出了一种效率更好的Ｆ－ＢＰ学习算法。在此算法中,采用近似模糊推理技术来确定网络的学习率、动量因子、加速系数三个学习参数,使得这些学习参数在网络的学习过程中,根据学习时间的长短、误差大小及误差变化情况,进行动态调整,从而提高学习效率。最后,通过实例考查了Ｆ－ＢＰ学习算法的性能,并讨论了学习参数的调整对学习     

基于差分进化算法的模糊神经网络控制器

针对模糊神经网络控制器在应用误差反向传播算法训练时,易于陷入局部最优的问题,提出了一种将差分进化算法与BP算法相结合的学习法,首先利用差分进化算法的全局寻优能力,给BP算法一个好的寻优初始点;然后再以一定的概率进行BP算法的寻优.对一个带有滞后环节的二阶系统进仿真表明,控制性能优于基于BP的模糊神经网络控制器.     

基于模糊神经网络的空中目标威胁估计

将模糊神经网络用于空中目标威胁估计，阐述了网络结构的确定和算法实现过程。由于模糊神经网络不需要对象的准确模型。它以分布的方式存储信息，利用网络的拓扑结构和权值分布实现非线性映射，在神经网络框架下引入模糊规则，使网络中的权值有明显的意义，且保留了神经网络的学习机制，对权值的学习采用改进BP算法。仿真结果表明了该方法的有效性，为进行有效的目标威胁评估提供了一条新的思路。     

基于PSO和BP复合算法的模糊神经网络控制器

为了克服单独应用粒子群算法（PSO）或BP算法训练模糊神经网络控制器参数时存在的缺陷,提出了一种训练模糊神经网络参数的PSO＋BP算法。该算法将二者相结合,即在PSO算法中加入一个BP算子,以充分利用PSO算法的全局寻优能力和BP算法的局部搜索能力,从而更有效地提高其收敛速度、训练效率和提高该模糊神经网络控制器的控制效果。最后的仿真实验结果验证了该基于PSO＋BP复合算法的模糊神经网络控制器的有效性和可行性。     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

用模糊神经网络预测蘑菇生长过程

文章探讨了模糊神经网络的基本构造和原理,结合蘑菇生长过程预测系统重点分析了FNNC摸型的推理和学习方法。并在此基础上提出了TPH学习方法。该方法吸收了梯度下降算法和随机搜索算法的优点,能够使生长过程预测系统的学习以很大概率快速收敛在系统误差的最优点附近。最后文章指出模糊神经网络以及TPH学习算法在农业生产过程的应用。     

随机模糊神经网络的参数学习算法

在输入和输出信号均有噪声污染的情况下,提出随机模糊逻辑神经网络系统及其参数学习算法,给出了参数学习公式;仿真计算表明本文所提出的算法的有效性,它明显优于没有考虑噪声的模糊逻辑神经网络系统。     

基于模糊神经网络火灾探测信号处理方法

针对火灾探测信号的特点,建立了火灾探测系统模型及用于处理火灾信号的模糊神经网络计算模型.利用神经网络构造模糊系统,用神经网络的自学习和自适应能力自动调整模糊系统参数,用改进的BP算法对网络进行学习和训练.根据国家标准试验火数据进行网络的学习和测试,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.     

一种基于模糊BP神经网络的TDOA定位算法

提出了一种以TDOA量测作为网络输入,定位目标三维空间坐标估计值作为网络输出的模糊BP神经网络定位算法。描述了基于模糊神经网络进行定位的模型结构以及关于BP神经网络待调整参数的递归学习算法。通过仿真实验,分析了输入层节点数目和模糊If-then规则数目对定位精度的影响并将提出的算法与CRLB进行了比较。     

FPNN:优化的过程神经网络模型及其应用

利用既定条件下过程神经元与傅里叶神经元的等价性,提出一种优化的过程神经网络模型FPNN,并对等价性进行了证明。FPNN网络在保持了过程神经网络模型表达能力和预测准确率的同时,继承了FNN的优点,大大提高了模型的效率。     

基于文化量子粒子群的模糊神经网络参数优化

模糊神经网络参数学习是一个函数优化问题。针对已有优化方法收敛精度不高的缺点,提出基于文化量子粒子群算法的模糊神经网络参数优化,并将其应用于混沌时间序列预测。仿真实例结果证实了该算法的优越性。     

工程优化问题中神经网络与进化算法的比较

目前工程优化问题不仅种类繁多,而且各自采用的模型与方法迥异。从方法论的高度,将现有工程优化问题分为黑箱优化与白箱优化,然后推出各自的优化模型。对于黑箱优化问题,阐述了前向神经网络在系统逼近上的优势,以及进化算法与BP算法在求解神经网络权值上的优劣;对于白箱优化问题,阐述了进化算法与反馈神经网络的优缺点和目前流行的进化算法及其通用改进策略。通过分析,可以对目前的优化问题,以及神经网络与进化算法在其中的作用,有更加全面的认识。     

基于PSO算法的模糊神经网络的网络异常检测

在网络异常检测中,为了提高对异常状态的检测率,降低对正常状态的误判率,提出一种基于粒子群优化算法训练模糊神经网络进行网络异常检测的新方法。在对模糊神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。实验数据采用KDD CUP99数据集,实验结果表明,该学习算法与传统的梯度下降法（GD）相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率。     

一种结合PSO及改进BP网络的辨识方法

当辨识神经网络的类型和结构确定后,初始权值等辨识参数直接影响到辨识效果,而依靠先验知识试凑而得的参数值往往难以达到最佳效果。针对这一问题,提出了一种结合粒子群（PSO）算法及引入动量项的改进BP网络的辨识方法,利用PSO对改进BP网络辨识的初始权值/偏置、学习率、动量系数进行寻优,并将优化后的神经网络模型用在控制系统中进行修正,进一步完善辨识模型。应用在热工系统中,仿真结果表明了该辨识方法的有效性。     

折线模糊神经网络对模糊函数的通用逼近

基于折线模糊数间的模糊算术以及一个新的扩展原理建立了一种新的模糊神经网络模型,证明了当输入为负模糊数时,相应的前向三层折线模糊网络可以作为连续模糊函数的通用逼近器,并给出了此时连续模糊函数所需满足的等价条件,最后给出了一个仿真实例。     

基于模糊粗神经网络的图像脉冲噪声滤除

为了获得在图像噪声滤除和细节保留两方面更好的兼顾与平衡,提出了一种兼有模糊化神经元和不可微粗神经元的模糊粗神经网络。采用融合了爬山法的遗传学习算法,增强了网络在学习过程中,特别是进化后期阶段对最优解的局部搜索能力。仿真表明,融合了模糊信息和粗糙集信息处理能力的模糊粗神经网络在图像融合滤波方面比BP网络和粗集神经网络具有更好的性能,是一种性能很好的混合智能神经网络。     

改进的模糊CMAC神经网络

提出了一种改进的模糊CMAC神经网络（IFCMAC）,该神经网络是在经典的FCMAC神经网络的模糊后相连层和输出层之间引入了输入矢量的线性加权和来补偿逼近的误差,所以它的逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点,在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为IFCMAC神经网络的输入,实验结果表明其具有较高的分割准确性。     

FRBF神经网络分类器设计新方法

提出了一种结合模糊径向基函数网络和稀疏V-SVM的二分类器构建方法。FRBF初始网络中的RBF隶属度函数中心由随机抽取的样本确定,而RBF隶属度函数的宽度由样本各个属性的分布方差确定。根据FRBF网络输出为模糊基函数线性组合的特点,在后件参数学习中引入具有结构风险最小化和属性选择功能的稀疏V-SVM方法,在对输出层的参数进行学习的同时进行模糊基函数的约简。若干UCI标准数据集分类测试结果验证了该分类器的有效性。