基于遗传算法的自学习模糊逻辑系统

利用遗传算法实现模糊逻辑系统的自学习,提出了遗传算法和模糊逻辑系统的结合方式,并针对模糊逻辑系统的特点,提出了初始种群的生成方法,较大地提高了遗传模糊逻辑系统的自学习性能。仿真结果表明,该系统对复杂的非线性系统具有较好的学习效果。     

自适应模糊逻辑系统的聚类学习算法研究

基于模糊逻辑系统一般数学模型，利用最近邻聚类学习算法对样本数据进行自适应分组，并对系统进行训练，从而使模糊逻辑系统具有自学习功能。     

基于改进粒子群游优化的模糊逻辑系统自学习算法

Eberhart在［1］中提出了粒子群游优化算法（ParticleSwarmOptimizationAlgorithm）。该文将改进后的粒子群游算法应用于模糊逻辑系统自学习。模糊辨识器的计算机模拟证明了改进算法的有效性。     

基于修剪策略的D-FNN直接逆控制算法研究

神经网络是模拟人脑结构,它具有大规模并行及分布式信息处理能力,但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解,但它很难实现自适应学习的功能.如果结合神经网络与模糊系统,可以取长补短.基于此,本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network,D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点,所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能,也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外,本文还开发了生物医学工程应用算法程序,针对药物注射系统的直接逆控制案例进行了仿真,结果表明:D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.     

模糊逻辑系统的快速构造与优化

提出一种直接利用均匀分布于待逼近系统输入空间的Ｉ／Ｏ数据,快速构造满足一定精度要求的模糊逻辑系统方法,并从理论上证明了该方法的可行笥。在此基础上采用一种新型的ＧＡ＋ＢＰ混合自治对模糊逻辑系统进行优化,以求用最少的规则数实现满意的精度。数字仿真结果表明这种快速构造和优化方法是可行和高效的。     

一种基于网点的自学习模糊逻辑系统

本文提出一种基于网点的构造自学习模糊逻辑系统的方法，并给出了易于实现的学习算法。     

具有前置滤波特性的非单点模糊逻辑系统

采用非单点模糊化对输入数据进行模糊处理，分析了解释了非单点模糊逻辑系统（NSFLS）的前置滤波特性，并用误差反向传播算法对相关参数进行优化，通过仿真验证以及与单点模糊逻辑系统（SFLS）的性能比较，说明非单点模糊逻辑系统具有较强的前置滤波能力，在实际工程中具有较高的应用价值。     

基于神经模糊逻辑的显著误差检测方法

将神经网络和模糊逻辑有机结合起来的神经网络模糊逻辑系统，具有自组织和监督学习样本、自动构造和发展模糊规则、发现和优化输入输出隶属函数等优点，从而使系统具有较快的收敛速度。将它应用于化工稳态过程中测量数据的显著误差检测，并与传统的显著误差检测方法相比，结果表明了此方法的有效性。     

基于聚类和SVD算法的模糊逻辑系统结构辨识

为了研究模糊逻辑系统新的结构辨识方法, 提出采用基于山峰函数的减法聚类算法构造模糊逻辑系统的初始结构, 并利用奇异值分解(SVD)算法分析了模糊规则与奇异值、累积贡献率以及索引向量的关系, 从而实现了模糊逻辑结构的优化. 最后, 对该算法的可行性和有效性进行了仿真验证和性能比较, 取得了较好的效果.     

基于遗传算法的模糊逻辑系统滚动学习方法

基于遗传算法的模糊逻辑系统滚动学习方法是一种局部优化策略，它针对参数空间内的局部区域，由区域内输入输出数据对提取模糊规则，并对规则参数进行调整，参数学习采用差分进行化算法，采用既包含区域内数据，又包含区域外数据的滚动数据窗技术，保证对局部模糊规则的参数调节不致影响系统在相邻区域的逼近性能，算法在保证精度的前提下大大减少了计算量，使遗传算法能应用于模糊逻辑系统的在线学习。