减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。     

基于ANFIS的机器人系统建模的研究

针对机器人这种不确定性的复杂非线性系统很难建立其精确的数学模型这一问题,提出一种基于自适应神经模糊推理(ANFIS)的方法对机器人系统进行建模.此方法将模糊推理和神经网络的学习能力有机地结合起来,并利用神经网络的学习机制自动地从输入输出数据中提取规则.建模过程中为了给ANFIS赋予一个合适的初始状态,选用减法聚类对输入数据进行处理.ANFIS网络的所有参数采用混合算法进行调节,即前提参数采用误差反向传播法,结论参数采用最小二乘法.最后在Matlab中对二自由度机器人进行仿真研究,仿真结果表明该方法模型结构简单,建模速度快,辨识精度高,同时也验证了该方法的有效性,为进一步实现机器人鲁棒自适应控制打下基础.     

基于ANFIS的铁水脱硫系统的建模

在炼钢生产过程中,铁水脱硫过程是发生了一系列物理和化学变化的复杂工业过程.为建立各控制量与脱硫剂使用量间的模型,本文利用减法聚类法实现对ANFIS网络的结构识别,并在此基础上对ANFIS进行参数识别,完成铁水脱硫系统的建模任务.最后,通过将该方法与普通的BP算法建模进行比较,说明ANFIS在收敛速度及建模精度方面的优越性.     

基于改进模糊聚类与ANFIS的高速公路事件检测

为了准确并及时地发现高速公路上的交通事故隐患,减少事故引发的交通延迟,提高高速公路运行安全性,结合减法聚类与模糊C均值（FCM）聚类算法对输入样本数据进行聚类,建成初始模糊推理系统,然后通过神经网络的自学习机制,训练模糊系统参数,确定模糊推理规则,建立最终模糊模型。通过仿真实验结果对比,验证了基于改进模糊聚类与自适应神经模糊推理系统（ANFIS）建模方法的有效性。     

活性污泥法污水处理过程的建模与仿真技术的研究

综述了活性污泥法污水处理过程的建模及仿真技术的发展 .在分析活性污泥法污水处理过程现状的基础上 ,阐述了传统数学模型、智能模型以及混合模型的建模方法 ,并介绍了目前活性污泥系统仿真技术的发展现状 .     

基于减法聚类模糊推理系统的短期负荷预测

采用减法聚类辅助模糊推理系统进行电力系统短期负荷预测。首先用减法聚类建立T-S模糊模型,然后通过调整聚类半径优选模糊规则数,以取得具有良好泛化性能的模型,最后利用梯度下降混合最小二乘算法精调参数。利用某局网负荷数据对ANFIS网络模型进行训练和检测,然后用于负荷预测,所得结果表明该算法鲁棒性好,抗干扰能力强,并且预测时间较ANFIS大大减少。     

模糊结构辨识的人工免疫聚类算法研究

针对自适应神经模糊推理系统(ANFIS)在锌钡白干燥煅烧生产过程建模中出现的模糊结构辨识问题,采用了基于人工免疫系统(AIS)的聚类算法.该算法通过免疫网络对抗体及记忆数据集逐代克隆、变异及抑制操作,提取有用的模糊规则数目,避免ANFIS训练陷入局部极小点.本文详细探讨了AIS随机特性对聚类规模稳定性造成的影响以及AIS的聚类速度问题,对Castro算法做了必要修改.通过与减法聚类算法、模糊C-Means聚类算法(FCM)特性上的对比分析,得出AIS在复杂过程辨识中的实际应用价值.     

基于ANFIS和减法聚类的遥感红外目标分选

针对自适应神经模糊推理系（ANFIS）的结构特点，本文应用多个ANFIS组合的网络来解决多目标分选问题。为了给ANFIS赋予一个合适的初始状态，减法聚类被用于预处理输入特征数据，实现了网络结构和初始参数的优化。基于ANFIS的红外航母和大型舰船目标分选仿真实验证明，其学习速度快、目标分选准确。     

一种基于T-S模型的快速自适应建模方法

在分析Takagi-Sugeno模型的网格法（即ANFIS方法），聚类法和模糊树法的基础上，提出一种新的改进的建模方法，它划分的空间的个数与分布和采样数据的特征密切相关，具有自适应能力。应用国际标准例题进行仿真，说明了该方法的有效性。     

基于聚类和SVD算法的解释性模糊建模方法

提出了一种基于减法聚类算法构造解释性模糊模型的方法。首先指出模糊模型解释性的重要地位,分析影响解释性的主要因素;然后利用减法聚类算法辨识初始模糊模型,SVD算法和集合非冗余度约简初始模糊模型,从而提高其解释性;最后采用约束优化算法整体优化模型,提高其精度。PH值中和过程的模糊建模验证了该方法的有效性。