火灾探测的模糊神经网络方法研究

本文把火灾的探测归结与火灾特征信号相对应的各种规则,并用模糊技术和神经网络提取这种规则,推导了神经网络和模糊技术相结合的新算法。分析结果表明：模糊神经网络用于火灾探测是行之有效的方法。     

用模糊神经网络进行火灾探测

本文根据火灾探测的特点,提出了相应的模糊神经网络系统,论述了综合处理多种火灾信号的模糊推理计算模型和学习算法;针对具体应用,对网络结果进行了改进.由于模糊神经网络的自适应特性和推理过程易于理解的特点,明显提高了火灾探测的灵活性和准确性.     

模糊神经网络在火灾探测中的应用

本文提出了串联模糊神经网络应用于火灾探测系统，首先将输入信号模糊化后迭送入神经网络进行处理，其模糊系统用指征定义隶属度函数，神经网络采用三层前馈ＢＰ网络结构，用ＢＰ算法进行网络参数的训练。其后由模糊逻辑判决火灾或非火灾。实验结果表明该网络能够准确探测各种标准试验火并有很强的抗干扰能力。     

一种新型神经模糊系统结构、算法及其应用

利用人工神经网络的优势,将模糊系统构造成一种神经网络系统,可有效地解决某些应用中模糊规则难以获得的问题.本文提出了这样一种系统的结构和学习算法,并将其应用在火灾自动探测中,取得了良好的效果.     

一种新型探测器在火灾探测中的应用

提出将串联型模糊神经网络应用于火灾探测系统,并且使用多传感器技术。首先将多传感器测得的多个信号模糊化后送入神经网络进行处理,其模糊系统用指派法定义隶属度函数,神经网络采用3层前馈BP网络结构,用BP算法进行网络参数的训练。其后由模糊逻辑判决火灾或非火灾。     

基于模糊神经网络的智能型火灾报警系统

本文介绍了一种基于模糊神经网络的智能型火灾报警系统.分别说明了系统的探测器、区域控制器和集中控制器的设计,还有系统的通讯方式,软件的设计思想以及系统的探测算法.该系统具有误报率低、性能稳定、传输距离远、实用性强等特点.     

基于UKF的自组织直觉模糊神经网络

模糊集在语义描述上存在不足,因此,如何对模糊神经网络进行扩展是当前模糊神经网络研究的热点,针对这一问题,本文提出了基于UKF的自组织直觉模糊神经网络。首先,给出了直觉模糊神经网络的结构和各层的含义;其次,推导了直觉模糊神经网络的学习算法,用LLS和UKF分别学习线性和非线性参数;然后,给出了模糊规则生成的准则,并用误差下降率方法作为规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近、系统辨识和时间序列预测实例,表明本文算法得到的直觉模糊神经网络的结构更为紧凑,泛化性能也更佳。     

火灾探测模糊神经网络的层次结构

应用多层次前馈网络构造模糊变量隶属度函数和模糊推理控制模型，使神经网络不再表现为黑箱式映射，其所有节点和参数都具有模糊系统等价意义。将模糊规则与隶属度函数用神经网络表现出来。利用神经网络的自学习特性，实现隶属度函数和模糊规则的自动提取，可优化调整隶属度函数，同时模糊系统也弥补了神经网络运算速度慢的缺点。     

基于聚类模糊神经网络的非线性电路故障诊断

提出了一种基于聚类算法和模糊神经网络的非线性模拟电路故障诊断方法。通过一个无监督的聚类算法自组织地确定模糊规则的数目并生成一个初始的故障诊断模糊规则库，构造了一类模糊神经网络，通过训练调整网络权值，使故障诊断模糊规则库的分类更加精确，并通过仿真实验验证了该方法的有效性。     

基于模糊神经网络的二相码旁瓣抑制

研究了模糊神经网络在二相码旁瓣抑制中的应用,对网络的学习算法进行了改进,采用梯度下降算法优化规则前件参数,而用最小二乘算法优化规则后件参数.对13位巴克码进行的仿真结果表明,改进的算法具有极快的收敛速度,可获得60 dB以上的输出主副比,提高了雷达的探测性能.     

基于模糊神经网络的数据挖掘方法研究

提出一种用模糊神经网络来进行数据挖掘的方法.把输入量进行模糊分类后,对神经网络进行训练,用误差反传的算法对神经网络的权值进行修正,并提出利用阀值来筛选规则,来得到有效的规则.最后通过一项实例来验证方法的有效性.     

Self-evolving neural networks for rule-based data processing

Two training algorithms for self-evolving neural networks are discussed for rule-based data analysis. Efficient classification is achieved with a fewer number of automatically added clusters, and application data is analyzed by interpreting the trained neural network as a fuzzy rule-based system. The learning vector quantization algorithm has been modified, acquiring the self-evolvement character in the prototype neuron layer based on sub-Bayesian decision making. The number of required prototypes representing fuzzy rules is automatically determined by the application data set. This method, compared with others, shows better classification results for data sets with high noise or overlapping classification boundaries. The classifying radial basis function networks are generalized into multiple shape basis function networks. The learning algorithm discussed is capable of adding new neurons representing self-evolving clusters of different shapes and sizes dynamically. This shows a clear reduction in number of neurons or the number of fuzzy rules generated, and the classification accuracy is increased significantly. This improvement is highly relevant in developing neural networks that are functionally equivalent to fuzzy classifiers since the transparency is strongly related to the compactness of the system     

Achieving of Fuzzy Automata for Processing Fuzzy Logic

At present, there has been an increasing interest in neuron-fuzzy systems, the combinations of artificial neural networks with fuzzy logic. In this paper, a definition of fuzzy finite state automata （FFA） is introduced and fuzzy knowledge equivalence representations between neural networks, fuzzy systems and models of automata are discussed. Once the network has been trained, we develop a method to extract a representation of the FFA encoded in the recurrent neural network that recognizes the training rules.     

Dynamic fuzzy model for processing lung sounds

A dynamic fuzzy filter is proposed that performs the task of separation of lung sounds obtained from patients with pulmonary pathology. The consequent parts of the fuzzy rules are dynamic, consisting of block-diagonal recurrent neural networks. The lung sound category of coarse crackles is examined, and a comparative analysis with other fuzzy and neural filters is conducted     

基于RFNN的复杂机动事件检测方法

针对态势评估中复杂机动事件检测的精度及实时性问题,提出了基于粗糙集-模糊神经网络(RFNN)的事件检测方法,通过粗糙集理论获取数据样本中的最简规则集,然后根据这些规则构造模糊神经网络各层的神经元个数及相关参数初始值,最后用BP算法迭代求出网络的各种参数.仿真结果证明RFNN用于复杂机动事件检测的有效性,同时可以发现其在...     

模糊神经网络在客户信用评级中的应用研究

应用模糊理论的解释能力及神经网络自组织、自学习、自适应等的优点组建模糊神经网络模型，用于商业银行企业客户的信用风险评级，在组织网络时采用结构替代型神经网络，很好地将模糊系统与神经网络融合到一起，并产生模糊规则，训练结果表明系统误差小。     

Evolving Fuzzy Neural Networks for Extracting Rules

ＥｖｏｌｖｉｎｇＦｕｚｚｙＮｅｕｒａｌＮｅｔｗｏｒｋｓｆｏｒＥｘｔｒａｃｔｉｎｇＲｕｌｅｓ＊＊ＴｈｉｓｗｏｒｋｗａｓｓｕｐｐｏｒｔｅｄｂｙｔｈｅＣｌｉｍｂｉｎｇＰｒｏｇｒａｍｍｅ┐ＮａｔｉｏｎａｌＫｅｙＰｒｏｊｅｃｔｆｏｒＦｕｎｄａｍｅｎｔａｌＲｅｓ...     

前向多层神经网络模糊自适应算法

本文将模糊集理论与人工神经网络的研究相结合，提出一种模糊自适应ＢＰ算法，用典型异或问题与规模更大的打印机磁泄漏信息识别问题进行计算机模拟表明，该算法可使ＢＰ算法的收敛速度明显提高。此项工作为神经网络与模糊系统相结合探索了一条新的途径。