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     

BP算法参数选取及应用

本文对ｓｉｇｍｏｉｄ函数的陡度、学习速率、动量因子等的选取探讨，分析它们对收敛速度的影响，提出一些选取时应考虑的问题，在模糊控制规则生成和智能控制应用中证明本文提出的ＢＰ算法参数选取方法能有效地缩短训练时间。     

参数样条曲面OFFSET的BP算法

提出了用ＢＰ神经网络计算参数样条曲面ＯＦＦＳＥＴ曲面的新方法。该方法能保证对于每一组给定的参数、参数样条曲面及其ＯＦＦＳＥＴ曲面上的点一一与之对应。文章以非均匀有理Ｂ样条曲面为例，给出计算实例。结果表明，该方法可行、稳定、具有实际应用价值。     

一种改进的神经网络BP算法程序设计

本文对ＢＰ网络算法进行了改进，并结合该算法进行了程序设计。实际应用结果表明，所设计的程序具有较好的性能。     

一种动态调整学习速率的BP算法

在基本反向传播（BP）算法中,学习速率往往固定不变,限制了网络的收敛速度和稳定性。因此,提出一种动态调整BP网络学习速率的算法,以BP网络输出层节点的实际输出值与期望输出值的平均绝对值误差及其变化率为自变量,找出学习速率与两个自变量之间的函数关系。根据网络的实际学习情况,对学习速率进行动态调整。实例仿真结果表明,改进的BP算法在保持网络稳定性的同时,具有更快的收敛速度。而且,该算法只需恰当地选取几个参数,不受条件限制,因此具有普遍的适用性。     

一种改进型快速BP训练算法

本文以自适应步长调整代替ＤＦＰ优化方法中的一维搜索，并将它应用于前馈神经网络训练中。同时对步长的衰减因子和增长因子进行动态自适应调整，提高了ＢＰ训练算法的收敛速度和摆脱局部极小的能力，实验结果证明了该算法的有效性。     

基于遗传BP算法的铸钢生产工艺参数的优化

应用人工神经网络对基于遗传BP算法的铸钢生产过程中部分工艺参数与部分产品质量参数之间进行了优化处理。优化后找出产品部分质量参数最优所对应的部分工艺参数的最优值(即为工艺参数规范值)，以此规范值来指导生产，同时可以进行产前质量预报。     

一种模糊神经网络的快速参数学习算法

提出了一种新的模糊神经网络的快速参数学习算法, 采用一些特殊的处理, 可以用递推最小二乘法(RLS)来调整所有的参数. 以前的学习算法在调整模糊隶属度函数的中心和宽度的时候, 用的是梯度下降法, 具有容易陷入局部最小值点、收敛速度慢等缺点, 而本算法则可以克服这些缺点, 最后通过仿真验证了算法的有效性.     

一种改进型BP算法在自适应控制系统中应用的研究

介绍BP算法在自适应控制中应用，即在离线学习过程中每一个输入样本对网络不立即产生作用，而是等到全部输入样本学习完成，将全部误差求和累加，再集中修改权值一次。对非线性控制系统在线控制过程中，采用一定算法可避免神经网络线性化，提高控制效果。     

一种改进的BP神经网络算法与应用

针对传统BP算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和BP算法融合的角度上,并引入了放大因子,提出一种综合改进的BP算法。该算法引入放大因子改善BP算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题。最后,将改进的BP算法与传统BP算法进行应用于煤矿瓦斯预测。通过对实验结果的分析,从时间和正确率上都表明改进的BP算法要优于传统的BP算法。     

一种高效的模糊规则自动生成方法

文中提出一种模糊规则自由生成方法。该方法借助Ｋ－Ｎｅａｒｅｓｔ－Ｎｅｉｇｈｂｏｒ的概念确定控制曲面的的关键点,然后根据关键点确定模糊划分,并由此构造模糊神经网络学习模糊规则。神经网络采用ＢＰ算法学习,在学习过程中可根据收剑情况适当增加模糊分区,并重构神经网络继续学习。该方法能生成较精简的规则集,并具有良好的收敛性和较快的收剑速度。     

优化模糊Petri网参数的一种混合智能算法

确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立具有非常重要的意义,是目前研究热点之一.提出了一种充分结合量子粒子群优化算法QPSO(Quantum-behaved partide swarm optimization algorithm)和BP网络学习算法各自优点的混合智能算法HQBA,并将其引入到模糊Petri网的参数寻优过程.仿真实例表明,这种混合算法计算简单,收敛速度快,能够明显减少迭代次数,具有更好的全局收敛性能.由此训练出的参数正确率较高,所得的FPN具有很强的泛化能力和自适应性.     

一种基于NFCS形态的模糊神经网络的学习算法

神经网络与模糊逻辑协同系统（NFCS）是神经网络与模型系统深度融合的一种形态，传统的BP算法也可作为NFCS的学习算法，但收敛性能不佳，针对NFCS形态的模糊神经网络提出了BP算法的一种新的改进算法（NFCS－BP），即在误差传播时不仅改变网络的连接权值，同时也改变模糊逻辑神经元模型的补偿参数，首先介绍了NFCS的协同机制和典型结构，然后详细推导了改进算法的迭代公式，实践证明，与传统BP算法相比，该算法具有收敛性能好，函数逼近精度高的优点。     

从一类数据信息中产生模糊规则的有限元方法

产生模糊规划的传统方法，指出利用传统的模糊规则生成方法所得到的模糊规则及由模糊规则所得到的各种控制和预测结果值得怀疑。本文邮从一类数据信息中产生模糊规则的有限元方法，基于本方法所产生的模糊规则是由所研究对象的精度决定的。最后给出的模糊规则生成的实例表明了本方法的有效性和简捷性。     

一种新聚类算法在模糊神经网络中的应用

本文介绍一种新的聚类方法，不需预先知道聚类数目，通过迭代运算使训练样本收敛 到聚类中心，进而实现对样本的聚类，并给出了算法的理论证明．将该算法应用到模糊神经 网络中去，根据聚类结果建立一阶TSK模糊神经网络，然后使用混合算法训练网络参数，分 别用梯度下降法调整前提参数，递推最小二乘法调整结论参数．最后，列举实例证明该算法 的有效性．     

BP模型中的激励函数和改进的网络训练法

本文研究了ＢＰ算法激励函数ｆ对收敛速度的影响，得出了陡峭函数收敛快的结论。其次，给出一个逐步增加训练数据以避免局部极小的方法。     

交通系统的模糊控制及其神经网络实现

本文根据城市交通系统的特点设计了单个路口信号灯的模糊控制器,研究了用神经网络实现模糊控制器的方法和过程,并对该控制器进行了仿真研究,本文所设计的控制方法适合于各种车流大小随机变化的单个路口,且决策过程迅速、合理,无需对车流进行预测,是一种实时单点控制方法,由于模糊控制器由神经网络实现,控制具有学习和联想功能,仿真结果说明了该方法的有效性。     

四足步行机器人模糊规则优化算法

针对四足步行机器人等多变量系统模糊规则数目过多的问题，提出了一种基于神经网络中Ｋｏｈｏｎｅｎ自组织映射的优化算法．从大量原始模糊规则中迭代辨识出模糊关系，并利用Ｋｏｈｏｎｅｎ网络对其进行聚类变换，最后得到优化了的模糊规则．仿真结果证明了该方法的有效性     

基于快速模糊规则搜索的快速模糊系统建模

本文提出了一种基于快速模糊规则搜索的快速模糊系统建模方法,首先使用本文提出的快速模糊规则搜索方法进行模糊规则的粗略搜索,然后基于所得到的模糊规则集建立模糊神经网络模型,即利用规则前件确定网络结构,规则后件初始化部分网络权值。使用遗传算法对网络模型的权值和阈值进行学习训练。实验结果验证了快速模糊系统建模方法在描述较大规模非线形系统中的实用性和有效性。