单体模糊神经网络的函数逼近能力

研究了单体模糊神经网络的函数逼近能力,由于在ＭＦＮＮｓ中神经元的基本运算由原来的积－和运算改为求极小－极大运算,网络的函数逼近性质发生了很大的改变。给出了单调传递函数的ＭＦＮＮｓ按序单调特性,连续映射定理以及非函数一致逼近定理,从而说明ＭＦＮＮｓ虽然能够保持连续映射,但不如原神经网络具有函数逼近能力。     

FKCN优化的RBF神经网络

ＦＫＣＮ（Ｆｕｚｚｙ Ｋｏｈｏｎｅｎ ｃｌｕｓｔｅｒ ｎｅｔｗ ｏｒｋ）将模糊隶属度的概念用于Ｋｏｈｏｎｅｎ 神经网络的学习和更新策略中,改善了Ｋｏｈｏｎｅｎ 网络的性能,是一种更为快速有效的聚类网络。作者将ＦＫＣＮ用于优化ＲＢＦ（Ｒａｄｉａｌｂａｓｉｃ ｆｕｎｃｔｉｏｎ）神经网络基函数的中心,并将优化后的ＲＢＦ网络用于曲线拟合和非线性时间序列预测,同时与基于Ｃ－ＭＥＡＮＳ的ＲＢＦ网络进行比较。实验结果表明：采用ＦＫＣＮ优化的ＲＢＦ网络具有更好的拟合和预测能力,尤其在曲线拟合实验中,ＦＫＣＮ优化的ＲＢＦ网络可以达到最小学习误差,比Ｃ－ＭＥＡＮＳ的网络小一个数量级,可见用ＦＫＣＮ优化ＲＢＦ神经网络可以较好地提高ＲＢＦ神经网络的性能。     

第三届全球华人智能控制与智能自动化大会征文通知

征文范围ＴｅｃｈｎｉｃａｌＡｒｅａｓｏｆＰａｐｅｒｓ·智能系统与专家系统ＩｎｔｅｌｌｉｇｅｎｃｅＳｙｓｔｅｍｓａｎｄＥｘｐｅｒｔＳｙｓｔｅｍｓ·智能控制ＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌ·神经网络及其应用ＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ·模糊系统与模糊控制ＦｕｚｚｙＳｙｓｔｅｍａｎｄＦｕｚｚｙＣｏｎｔｒｏｌ·机器人学与机器人控制ＲｏｂｏｔｉｃｓａｎｄＲｏｂｏｔＣｏｎｔｒｏｌ·大系统ＬａｒｇｅＳｃａｌｅＳｙｓｔｅｍｓ·调度、规划、管理与决策系统Ｓｃｈｅｄｕｌｅ,Ｐｌａｎ…     

Fuzzy层次神经网络

本文提出和归纳了Ｆｕｚｚｙ前馈神经网络模型，并提出了Ｆｕｚｚｙ前馈神经网络的反向传播学习算法，模拟结果表明利用ＦｕｚｚｙＢＰ学习算法训练的Ｆｕｚｚｙ前馈神经网络具有较好的非逻辑归纳能力和Ｆｕｚｚｙ规则表达能力。     

一类模糊系统模式的稳定性研究

本文将在Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型基础上，建立一类较实用的Ｆｕｚｚｙ Ｓｙｓｔｅｍ模式，讨论该模式连续型和离散型的稳定性，给出各自的渐近稳定充分条件，以及构造Ｌｙａｐｕｎｏｖ函数（正定矩阵）存在的条件。     

一种新型模糊神经元网络控制器的设计方法

本文根据模糊基函数展开的性质构造出一种简化形式的模糊神经元网络（ＦＮＮ）。这种网络可以对任一种非线性函数进行全局逼近，因此它可以用于非线性控制系统。因为这种ＦＮＮ具有自适应性，所以用它实现的器可以更好地达到理想的控制效果，通过在模型参控制中的应用证明了此种ＦＮＮ的有效怀。     

Chebyshev神经网络辨识器

基于逼近论，将一组Ｃｈｅｂｙｓｈｅｖ正交多项式取代ＢＰ网络中的Ｓ型函数，构成一种新的神经网络模型。理论分析和仿真实验表明，该网络可逼近任意非线性系统，且建模容易，收敛速度快，学习次数远远少于ＢＰ网络。     

NNSP—1神经网络计算机软件设计

本文结合神经网络计算系统ＮＮＳＰ－Ｉ的硬件结构特点，研究和开发了适用了该机的应用软件，它不仅是一个友好的人机界面和具有编辑、格式转化、数据加载等多种功能，而且支持并行计算，如多层ＢＰ神经网络及ＦＦＴ算法。     

基于神经网络的植物分类专家系统

本文介绍了植物分类专家系统（ＰＴＥＳ）的设计与实现。该系统采用神经网络知识表示方法表示知识，是一个基于神经网络（Ｎｅｕｒａｌ Ｎ ｅｔｗｏｒｋｓ－ＮＮ）的植物分类专家系统。     

A NEW FEATURE-BASED MANNEQUIN MODELING METHOD

ＡＮＥＷＦＥＡＴＵＲＥ－ＢＡＳＥＤＭＡＮＮＥＱＵＩＮＭＯＤＥＬＩＮＧＭＥＴＨＯＤＦａｎＪｉｎＷａｎｇＱｉｆｕＹｕａｎＭｉｎｇｈｕｉＺｈｏｕＪｉＡｂｓｔｒａｃｔＴｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｎｅｗｆｅａｔｕｒｅ－ｂａｓｅｄｍａｎｎｅｑｕｉｎｍｏｄ...     

模糊神经网络pH控制器的DSP实现

针对pH值控制过程具有较强非线性、纯滞后性的特点，传统PID控制往往达不到满意控制效果。介绍一种将模糊控制技术与神经网络技术相结合构成的模糊神经网络pH控制器，通过数字仿真显示了该控制算法的控制效果优于传统的PID控制和一般的模糊控制算法。并将提出的模糊神经网络控制算法在DSP上进行了实现．通过模拟实验验证了该控制器的可行性。     

一种基于模糊神经网络的机器人控制

采用高斯函数作为模糊隶属函数,将模糊控制与神经网络相结合。利用神经网络实现模糊推理,运用了一种模糊高斯基函数神经网络,并用于两关节机器人的轨迹跟踪控制。仿真结果表明,该网络对机器人轨迹跟踪控制具有很好的效果,是一种行之有效的控制方法。     

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。     

一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用

针对烧结过程这一复杂、多参数耦合的高度非线性系统,融合遗传算法、神经网络和模糊控制的优点,提出一种基于改进遗传算法的模糊神经网络控制方法,并应用于烧结过程终点控制．首先采用遗传算法对给定的模糊神经网络控制器结构参数进行离线优化,然后利用BP算法较强的局部搜索能力和对对象的适应能力,进一步进行参数的在线调整．同时,为解决传统遗传算法早熟和收敛速度慢的问题,从交叉和变异算子、适应度函数选取等方面对遗传算法进行改进．采用精英保留策略,提高了全局搜索性能和收敛速度．仿真结果表明,所提出的控制器优于常规的模糊神经网络控制器(Fuzzy Neural Network Controller, FNNC)．算法的实际应用效果良好,为解决烧结终点控制问题提供了一条新的途径．     

基于T—S模型的聚丙烯优化控制

针对模糊控制表达能力强,但学习能力、适应性差的特点,提出在聚合反应过程的温度控制系统中使用模糊控制与神经网络相结合的控制方案,控制方案给出了基于Takagi-Sugeno模型的神经模糊网络结构以及优化模糊规则和隶属函数的学习算法;仿真研究表明,神经模糊网络可以根据输入数据的分布情况,自动修改模糊规则的加权系数和隶属函数,克服了单纯的模糊控制其控制规则和隶属函数一经得到就固定不变的缺陷,具有较强的适应能力和学习能力,较单纯的模糊控制有更高的控制精度.     

基于模糊神经网络PID控制器的EEC数字化设计

为实现航空发动机模拟式电子控制器(EEC)的数字化设计,以其低压压气机导流叶片调节通道为主要研究对象,提出一种模糊神经网络PID控制器,将模糊控制、神经网络、PID控制相结合,利用模糊控制专家经验优势和神经网络的自学习、自适应能力,优化PID控制参数,实现控制性能提升。仿真结果显示,基于模糊神经网络的PID控制器控制性能有较大提高,具有比常规神经网络PID控制器更小的超调量和更好的抗干扰性;适用于定常系统和非定常系统,具有更好的自适应性与鲁棒性;可应用于航空发动机模拟式电子控制器(EEC)的数字化设计。     

Application of a neuro-fuzzy system to control a mobile vehicle

We describe a fuzzy control based on a neural network, which is obtained by merging the advantages of a neural network, a competitive algorithm, and fuzzy control. This adaptive fuzzy control system can deal with data sampled by a neural network. From such training data, it can produce more reasonable fuzzy rules by a competitive (clustering) algorithm, and finally control the object by the optimized fuzzy rules. This is not a simple combination of the three methods, but a merger into one control system. Some experiments and future considerations are also given.This work was presented in part at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24–26, 2003     

同步电动机励磁系统的模糊神经网络控制

由于在拖动周期性波动负载的工况下,电励磁同步电动机可以通过改变励磁电流来提高运行效率,提出了采用模糊神经网络控制方法对励磁系统加以调节,以使同步电动机的功率因数维持在近似为1的过励磁情况。模糊神经网络控制通过训练神经网络来记忆模糊控制规则,它不需要存储模糊控制表,节省内存空间,且具有较强的自学习能力与联想能力。采用Simulink子模块构建了整个系统。仿真结果表明：与PID控制方法相比,模糊神经网络控制有良好的快速跟踪性能和抗干扰性能。     

基于模糊RBF神经网络的非线性滤波

该文从基本的智能技术——神经网络(NN)和模糊系统(FS)技术出发,探讨了神经网络与模糊系统相结合的基本理论,提出了一种基于模糊RBF神经网络的非线性滤波的方法。该方法将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,对信号中有色噪声进行较高精度的逼近,来达到非线性滤波的目的。该滤波方法显示出很强的处理问题的能力,学习速度快,仿真结果表明了这种方法的有效性和可性行。     

基于模糊神经网络的六足机器人自主导航闭环控制系统设计

针对未知环境中六足机器人的自主导航问题,设计了一种基于模糊神经网络的自主导航闭环控制算法,并依据该算法设计了六足机器人的导航控制系统．算法融合了模糊控制的逻辑推理能力与神经网络的学习训练能力,并引入闭环控制方法对算法进行优化．所设计的控制系统由信息输入、模糊神经网络、指令执行以及信息反馈4个模块组成．环境及位置信息的感知由GPS（全球定位系统）传感器、电子罗盘传感器和超声波传感器共同完成．采用C语言重建模糊神经网络控制算法,并应用于该系统．通过仿真实验,从理论上论证了基于模糊神经网络的闭环控制算法性能优于开环控制算法,闭环控制算法能够减小六足机器人在遇到障碍物时所绕行的距离,行进速度提高了6.14%,行进时间缩短了8.74%．在此基础上,开展了实物试验．试验结果表明,该控制系统能够实现六足机器人自主导航避障控制功能,相对于开环控制系统,能有效地缩短行进路径,行进速度提高了5.66%,行进时间缩短了7.25%,验证了闭环控制系统的可行性和实用性．