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.     

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.     

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.     

基于模糊神经网络的电液伺服系统建模

针对电液伺服系统具有典型的非线性系统,但要求控制精度高和响应速度快,建模困难.为解决上述问题,提出用减法聚类的模糊神经网络自学习算法,确定初始的模糊神经网络结构.在网络的学习过程中,对结论参数用最小二乘法进行辨识,并对前提参数用误差反传算法进行调整.获取输入输出数据对,可在AMESim软件平台上搭建系统的仿真模型,并通过软件接口把数据导人MATLAB中,最后使用提出的方法对电液伺服系统建模进行仿真,结果与其它模糊神经网络建模方法相比效果好,验证了方法的有效性.     

基于动态模糊神经网络的生物工程算法研究

目前,模糊神经网络控制在控制领域已成为一个研究热点。把神经网络应用于模糊系统,可以解决模糊系统中的知识抽取问题;把模糊系统应用于神经网络,神经网络就不再是黑箱了,人类的知识就很容易融合到神经网络中。本文提出了一种新型的动态模糊神经网络的结构及其学习算法,该动态模糊神经网络的结构基于扩展的径向基网络。其学习算法的最大特点是参数的调整和结构的辨识同时进行,且学习速度快,可用于实时建模与控制。开发了相关的算法程序,最后针对实际案例进行了仿真分析。仿真结果表明,动态模糊神经网络具有学习速度快、系统结构紧凑、泛化能力强等优点。     

基于模糊免疫算法的溶剂脱水塔软测量

在实数编码免疫算法的基础上引进了模糊控制技术,对免疫算法中的两个关键参数实现了模糊自适应调整,很好地解决了基本免疫算法中收敛精度低和寻优速度慢的缺点。模糊免疫算法被用于优化BP神经网络的结构和参数。结果表明,不但网络的结构得到控制,而且泛化性能有了较大的提高;同时,算法在优化神经网络上的有效性也在溶剂脱水塔醋酸浓度软测量建模中得到很好地证实。     

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—GIkiSS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.     

基于模糊调整的径向基函数网络图像恢复算法

为了解决传统图像恢复中存在的建模难的问题,提出了一种基于RBF神经网络的图像恢复算法,该算法利用RBF神经网络的非线性映射能力和适应性,通过记录退化过程的逆过程来恢复图像。首先改进RBF网络中心参数的确定过程,提出基于模糊调整的中心参数学习算法,然后用模糊调整后的网络进行图像恢复。仿真结果表明,改进的RBF网络可对典型退化图像进行令人满意的恢复。     

遗传模糊神经网络在航空发动机控制中的应用

模糊神经网络控制器是一种将模糊逻辑与神经网络相结合的智能控制器,其既不依赖于被控对象精确的数学模型,又能根据被控对象参数和环境的变化自适应地调节控制规则和隶属函数参数,但是存在着收敛速度慢,较多局部极小的情况下很容易陷入局部极小值等缺点。针对存在的问题,提出一种模糊神经网络控制器的优化方法。隶属度函数的参数具有全局性,用遗传算法来优化;神经网络的权值代表模糊系统的控制规则,它用神经网络的误差反传算法(BP)来调整。将算法用于航空发动机控制,实现对低压转子转速的无静差控制,与应用BP算法的模糊神经控制相比,控制性能改善较大,结果令人满意。     

基于模糊神经网络的抽油机故障诊断方法

将模糊逻辑与神经网络相结合,构造模糊神经网络,将神经网络输入层的确定性信息模糊化后变成模糊量,将故障征兆参数相对应的隶属度数值作为神经网络的输入,从而使神经网络更加适合设备故障描述,克服了神经网络对不精确信息表达的缺点。提出基于黄金分割法的变步长BP算法来训练神经网络,根据误差变化趋势动态调整学习速率,实现学习步长的自适应调整,提高网络收敛的速度,防止网络训练时陷入局部极小。将训练好的模糊神经网络应用于抽油机设备的故障诊断,取得良好效果。     

Adaptive Fuzzy Neural Networks as identifiers of discrete-time nonlinear dynamic systems

An adaptive supervised learning scheme is proposed in this paper for training Fuzzy Neural Networks (FNN) to identify discrete-time nonlinear dynamical systems. The FNN constructs are neural-network-based connectionist models consisting of several layers that are used to implement the functions of a fuzzy logic system. The fuzzy rule base considered here consists of Takagi-Sugeno IF-THEN rules, where the rule outputs are realized as linear polynomials of the input components. The FNN connectionist model is functionally partitioned into three separate parts, namely, the premise part, which provides the truth values of the rule preconditional statements, the consequent part providing the rule outputs, and the defuzzification part computing the final output of the FNN construct. The proposed learning scheme is a two-stage training algorithm that performs both structure and parameter learning, simultaneously. First, the structure learning task determines the proper fuzzy input partitions and the respective precondition matching, and is carried out by means of the rule base adaptation mechanism. The rule base adaptation mechanism is a self-organizing procedure which progressively generates the proper fuzzy rule base, during training, according to the operating conditions. Having completed the structure learning stage, the parameter learning is applied using the back-propagation algorithm, with the objective to adjust the premise/consequent parameters of the FNN so that the desired input/output representation is captured to an acceptable degree of accuracy. The structure/parameter training algorithm exhibits good learning and generalization capabilities as demonstrated via a series of simulation studies. Comparisons with conventional multilayer neural networks indicate the effectiveness of the proposed scheme.     

基于CAFSA-FNN的扭矩加载系统控制研究*

针对磁粉制动器扭矩加载系统的非线性和滞后性,提出了一种基于混沌人工鱼群-模糊神经网络(CAFSA-FNN)PID控制器。该控制器采用基于Mamdani模型的模糊神经网络来整定PID控制器的控制参数,并结合混沌人工鱼群算法离线粗调和BP算法在线细调来学习和调整模糊神经网络的参数。利用Matlab进行离线仿真优化,在此基础上使用PID控制器、模糊神经网络控制器、人工鱼群-模糊神经网络控制器以及本文设计的控制器进行磁粉制动器扭矩加载实验,实验结果证明了该控制器的稳定性、快速性和有效性,能够解决滞后性问题。     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

多层前馈神经网络改进算法及其应用

从前馈神经网络原理分析出发，提出一种速率适应因子方法用于对多层前馈神经网络中BP算法的改进，并将改进的算法用于XOR问题的学习及多重XOR分类器问题的学习。仿真结果表明，改进后BP的算法可显著加速网络的学习速度，并且学习过程具有良好的收敛性及较强的鲁棒性。     

Intelligent forecasting system based on integration of electromagnetism-like mechanism and fuzzy neural network

Fuzzy neural network (FNN) architectures, in which fuzzy logic and artificial neural networks are integrated, have been proposed by many researchers. In addition to developing the architecture for the FNN models, evolution of the learning algorithms for the connection weights is also a very important. Researchers have proposed gradient descent methods such as the back propagation algorithm and evolution methods such as genetic algorithms (GA) for training FNN connection weights. In this paper, we integrate a new meta-heuristic algorithm, the electromagnetism-like mechanism (EM), into the FNN training process. The EM algorithm utilizes an attraction–repulsion mechanism to move the sample points towards the optimum. However, due to the characteristics of the repulsion mechanism, the EM algorithm does not settle easily into the local optimum. We use EM to develop an EM-based FNN (the EM-initialized FNN) model with fuzzy connection weights. Further, the EM-initialized FNN model is used to train fuzzy if–then rules for learning expert knowledge. The results of comparisons done of the performance of our EM-initialized FNN model to conventional FNN models and GA-initialized FNN models proposed by other researchers indicate that the performance of our EM-initialized FNN model is better than that of the other FNN models. In addition, our use of a fuzzy ranking method to eliminate redundant fuzzy connection weights in our FNN architecture results in improved performance over other FNN models.     

一种模糊规则动态调整BP算法中参数的方法

文中首先对标准的ＢＰ算法进行了分析。然后在此基础上提出了通过模糊规则推理动态调整学习率和动量因子的改进的方法，并通过模糊推理系统实现了ＢＰ算法的模糊控制。最后通过实例将该算法与标准ＢＰ算法和Ｖｏｇｌ改进的算法进行了比较，实验结果表明通过模糊推理来改善神经网络的ＢＰ算法性能是一种很有前途的方法。     

基于模糊神经网络的飞机防滑刹车系统研究

以某型飞机刹车系统为研究对象,为了使该系统以最佳滑移率工作,防止陷入深度打滑和获得最大的刹车结合系数,提出了一种智能飞机防滑刹车系统的设计方案,制定出刹车控制规律并对整个刹车系统进行了仿真。改进了现有飞机刹车防滑系统的控制算法,应用神经网络BP算法实时获取最佳滑移率,利用模糊神经网络实现快速逼近给定滑移率,并采用基于数字信号处理器（DSP）的硬件电路实现了智能刹车控制。实验结果表明,飞机防滑刹车效率有了明显改进,鲁棒性增强。     

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。     

Recurrent type-2 fuzzy neural network using Haar wavelet energy and entropy features for speech detection in noisy environments

This paper proposes a new method to detect the boundary of speech in noisy environments. This detection method uses Haar wavelet energy and entropy (HWEE) as detection features. The Haar wavelet energy (HWE) is derived by using the robust band that shows the most significant difference between speech and nonspeech segments at different noise levels. Similarly, the wavelet energy entropy (WEE) is computed by selecting the two wavelet energy bands whose entropy shows the most significant speech/nonspeech difference. The HWEE features are fed as inputs to a recurrent self-evolving interval type-2 fuzzy neural network (RSEIT2FNN) for classification. The RSEIT2FNN is used because it uses type-2 fuzzy sets, which are more robust to noise than type-1 fuzzy sets. The recurrent structure in the RSEIT2FNN helps to remember the context information of a test frame. The RSEIT2FNN outputs are compared with a parameter threshold to determine whether it is a speech or nonspeech period. The HWEE-based RSEIT2FNN detection was applied to speech detection in different noisy environments with different noise levels. Comparisons with different detection methods verified the advantage of the proposed method of using HWEE.     

模糊神经网络建模方法的研究

近年来神经网络在建模中得到了广泛地应用,但其学习过程需要大量的训练样本以保证其结果的正确性,在工业过程建模中,神经网络因可采集与训练样本数少,且信息不全等困难,难以建立一定正确度的模。针对这一问题,本文以Ｇａｕｓｓ函数为隶属度函数形式改进模糊聚类的Ｃ－平均法,提出了模糊ＣＧ－平均法,对一同组数据的聚类结果证明了此方法的有效性,模糊神经网络在化工中的研究尚处于初级阶段,本文将模糊ＣＧ－平均法与神经网络结合,构造由模糊化层、隶属度生成层、推理层及反模糊化输出层构成的模糊神经网络,实例表明本文所构造的模糊神经网络在使用较少训练样本的条件下仍能取得理想的结果,有助于直接从生产中建立所需的模型。