一种新型的动态模糊神经网络算法

为了解决模糊系统中的知识抽取问题和避免初值选择的任意性,提出一种新型的动态模糊神经网络算法.运用规则产生准则时,考虑输出误差和可容纳边界的有效半径这2个重要因素;通过分级学习法,大大提高学习的有效性,加之参数的调整只限于线性参数,没有迭代学习,因而学习速度很快,这使算法应用于实时学习成为可能;非线性参数是由训练样本和启发式方法直接决定的.利用D-FNN来进行Mackey-Glass混沌时间序列预测实验.仿真结果表明D-FNN算法的有效性和实用性.     

一种基于混合梯度下降算法的模糊神经网络设计及应用

为了提高模糊神经网络(FNN)的收敛速度和泛化能力,提出一种基于混合梯度下降算法(HG)的模糊神经网络(HG-FNN).HG-FNN通过设计FNN参数调整过程的自适应学习率,利用链式法则获取FNN参数学习过程的梯度,在实现FNN参数自校正的同时,给出HG-FNN的收敛性证明,保证HG-FNN的收敛速度和泛化能力.最后,将所设计的HG-FNN应用于非线性系统建模与污水处理过程关键水质参数预测,实验比较结果显示,HG-FNN不仅具有较快的收敛速度,而且具有较好的泛化能力.     

基于分形和FNN的水轮机组振动故障在线诊断*

水轮发电机组的故障诊断具有模糊性和耦合性,提出一种基于模糊神经网络FNN的水轮发电机组振动故障在线诊断方法。首先,对反映转子振动状态的轴心轨迹用分形维数提取其结构特征,实现图形量化,以便FNN在线识别;接着,以6种典型振动故障为研究对象,在总结了包括轴心轨迹在内4类共14种故障征兆的基础上,分析各故障征兆的模糊属性,给出它们的模糊处理;然后,建立一种六层的前向FNN映射征兆到故障间的模糊推理,并给出学习算法修正网络参数;FNN通过自学习可保证良好的在线诊断精度。实例分析结果验证了其可行性。     

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。     

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。     

模糊神经网络在高强混凝土强度预测与配合比设计中的应用

针对模糊系统中规则结论为数值和线性函数的两种表示方式 ,找到了它们的共同点 ,将它们置于同一网络结构中 ,形成规则结论为数值和线性函数 (T -S模型 )的两种模糊神经网络 (FuzzyNeuralNetworks,简称FNN) ,导出了它们的网络模型及其学习算法。并首次将其应用于高强混凝土强度预测和配合比设计中。文章还介绍了一种简单有效地从样本数据中提取模糊规则及确定FNN参数初值的方法。运算结果表明 ,FNN不仅具有很高的预测精度 ,而且网络的结点和权值均具有明确的物理意义 ,可以借此深入分析高强混凝土综合性能与影响它们的因素之间的非线性关系     

DFNN及其在非线性动态系统中的应用

为了更好地辨识和控制非线性动态系统,在FNN基础上对其进行优化和改进,形成了动态模糊神经网络(DFNN)。给出了基于BP梯度算法的参数迭代学习算法,并应用于某非线性动态系统仿真试验中。仿真试验表明,该网络比单纯的FNN具有更强的辨识和控制能力,应用于非线性动态系统的控制中可以有效解决系统的非线性和不确定性,提高系统的跟踪性能,并且控制系统具有很强的鲁棒性。     

非线性系统模糊神经网络变结构自适应控制

在非线性系统的模糊动力学模型基础上,提出一种模糊神经网络变结构自适应控制器;网络的结构根据非线性系统特性动态构成,基于该网络提出非线性预测器,基于梯度法提出了一种网络参数学习算法,并分析了收敛性及其性质。将网络预测器与参数学习算法相结合,构成自适应控制算法,证明了算法的收敛性。仿真结果证实了算法的有效性。     

模糊神经网络在高强混凝土强度预测与配合比设计中的应用

针对模糊系统中规则结论为数值和线性函数的两种表示方式,找了它们的共同点,将它们置于同一网络结构中,形成规则结论为数值和线性函数（T－S模型）的两种模糊神经网络（Fuzzy Neural Networks,简称FNN）,导出了它们的网络模型及其学习算法。并首次将其应用于高强混凝土强度预测和配合比设计中。文章还介绍了一种简单有效地从样本数据中提取模糊规则及确定FNN参数初值的方法。运算结果表明,FNN不仅具有很高的预测精度,而且网络的结点和权值均具有明确的物理意义,可以借此深入分析高强混凝土综合性能与影响它们的因素之间的非线性关系。     

基于修剪技术分级学习的动态模糊神经网络算法研究*

在D-FNN中采用了修剪技术,可以检测到不活跃的模糊规则并加以剔除,从而获得更为紧凑的结构。在D-FNN中,前提参数是在学习过程中自适应地进行调整。由于分级学习策略的应用,大大提高了学习的有效性,加之参数调整只限于线性参数,没有迭代学习,因而学习速度很快,这使得本算法应用于实时学习和控制成为可能。最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性。     

基于过程输入输出变化关系的模糊建模方法

针对难以建立精确数学模型的复杂过程,提出一种基于过程输入输出数据变化关系的模糊建模方法。首先按过程输出随输入变量变化的程度对输入变量论域进行划分,在此基础上确定模糊模型的规则总数和前件参数;然后根据所建模糊模型可表示为一个前馈模糊神经网络,利用BP学习算法求得过程模糊模型的后件参数。仿真例子验证了模糊建模方法的有效性,同时表明所建模糊规则模型较好的泛化能力。     

应用模糊神经网络预测油田产量

为了研究受多变量、时变和不确定因素影响的油田产量预测问题,将模糊逻辑推理技术与人工神经网络相结合,构建具有模糊逻辑推理和学习功能的模糊神经网络(FNN)系统。该系统基于现有的油田开发历史数据,建立相应的规则集,使用神经网络的训练方法(如梯度下降学习算法),在训练过程中调整参数,并自适应增加规则,以使系统的输出最佳地逼近于目标样本。通过对某油田的实际开发历史数据的拟合与测试,结果表明该模糊神经网络能够较精确地预测未来的油产量,与常规的BP神经网络相比,其预测精度更高、训练速度更快。因此,基于模糊神经网络(FNN)的油田产量预测方法研究具有较好的实际应用价值。     

一种模糊神经网络的结构和参数的确定方法*

结合FGP(Fuzzy Grid Partition,模糊网格划分)和FNN(Fuzzy Neural Network,神经网络)提出一种有效确定模糊神经网络模型中结构及参数的方法.该方法首先从样本数据中采用模糊网格划分确定出最佳规则数,从而可确定神经网络的结构;然后采用BP算法对神经网络进行调节,从而确定出模糊神经网络的参数.采用这种方法构建我国经济增长的模糊模型.研究表明这种方法构建的模糊神经网络具有更高的精度.     

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.     

间歇过程的全局收敛性神经模糊模型

为了克服难以获得间歇过程的精确数学模型这一难题,本文采用一种具有非线性模糊规则后件的模糊 神经网络建立间歇过程的模型,在此基础上提出一种基于Lyapunov 方法的全局收敛性参数学习算法,并给出了严 格的数学证明．本文提出的算法具有较好的非线性逼近和参数自学习能力,为间歇生产过程的建模提供了一条新途 径．最后,将提出的神经模糊模型用于一个典型间歇过程的建模研究中,仿真结果表明了该算法的有效性,体现了 模型潜在的实用价值．     

基于模糊神经网络的机器人逆运动学问题

针对机器人逆运动学问题，本文指出了基于模糊神经网络（FNN，Fuzzy Neural Network）的解决方案，阐述了基本设计思想和具体算法过程，给出了二自由度刚性机器人的仿真结果，以表明该方案的有效性和可行性。     

模糊神经网络的DNA算法训练

提出了基于DNA计算和遗传算法的DNA遗传算法,给出了DNA遗传算法的结构，讨论了遗传操作算子,利用DNA遗传算法对FNN进行学习，比采用梯度型算法和遗传算法有更高的学习精度和更快的收敛速度,该算法有全局收敛性避免了采用梯度型学习算法训练FNN时固有的局部收敛问题，同样，该算法加速了FNN的训练，能够在线应用．     

一种新的结合SVM和FNN的多聚焦图像融合算法

针对基于分块的图像融合中分块裂痕和实际融合特征的不确定等问题,提出一种结合支持向量机(SVM)和模糊神经网络(FNN)的多聚焦图像融合新方法。首先,通过模糊C均值聚类(FCM)和SVM获得FNN的网络参数,利用构建的模糊神经网络,将分割的图像块分成清晰区域、模糊区域和过渡区域三类;然后用模糊神经网络的反模糊化输出作为权值因子对三类区域进行加权融合,输出融合的多聚焦图像。最后,通过均方根误差、平均绝对误差和峰值信噪比等指标对多种融合算法进行融合质量评价。实验结果表明,提出的融合算法鲁棒性和计算性能较好,基本满足实际图像融合的需求,且融合质量评价也表明本文方法优于现有的融合算法。     

模糊神经网络的结构自组织算法及应用

提出了一种新的模糊神经网络自组织算法,该算法能够基于输入输出数据自动进行结构辨识和参数辨识.首先采用一种自组织聚类方法建立起网络的结构和各参数的初值,然后采用监督学习来优化网络参数.通过对非线性函数逼近的分析,明了该自组织算法的有效性,并与其他算法作了比较.最后,以某污水处理厂的实际运行数据为对象,应用该模糊神经网络建立了活性污泥系统出水水质预测模型,仿真结果表明.该模型能够对污水处理系统出水水质进行较好的预测.