一种基于模糊分类的模糊神经网络辨识方法

针对非线性辨识问题,基于改进的T-S模型,提出一种自适应模糊神经网络模型(AFNN)。首先,基于模糊竞争学习算法确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。     

基于覆盖聚类的TS模糊神经网络热工对象建模

热工过程具有非常复杂的动态特性以及强耦合、大延迟和不确定等特征。控制过程需要较为精确的模型,但是常规的建模往往并不能满足要求,因此提出一种改进型的TS模糊神经网络建模方法。首先基于一种覆盖聚类算法对离线数据进行分类,初步得到模糊神经网络的前件和后件参数,再利用卡尔曼滤波算法调整后件参数和动态梯度算法调整隶属函数的宽度和中心,最后把得到的前件参数和后件参数进入在线网络,若进入网络的实时数据不属于所有的类,则应增加聚类中心和规则。     

模糊竞争神经网络在线辨识及在CSTR中的应用

基于改进的T-S模糊模型构造了一种自适应模糊竞争神经网络模型(FCNN),给出了网络的连接结构和学习算法。它依据模糊竞争学习算法确定系统的模糊空间和模糊规则数,得出每个样本对每条规则的适用程度,并利用卡尔曼滤波算法在线辨识FCNN的后件参数。将其应用于化工过程连续搅拌反应器(CSTR)的建模中,仿真结果表明,FCNN具有结构简洁、收敛速度快、辨识精度高等特点,可当作复杂系统建模的一种有效手段。     

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

基于T-S模糊模型的辨识算法

提出一种新的基于T－S模糊模型的辨识算法。该算法可分为2步,第1步是比较粗糙的辨识,按子空间的线性程度来划分输入空间,规则前件参数由于空间的中心和大小决定,规则后件线性参数由最小二乘法确定2步是模的精细调整,利用梯度下降法调节隶属函数和规则后件的线性参数,仿真实验说明了该算法的有效性。     

自组织区间二型模糊神经网络及其自适应学习算法

针对复杂不确定非线性系统的辨识问题,提出一种基于聚类的自组织区间二型模糊神经网络学习算法.首先采用具有两个不同加权参数的FCM算法对输入数据进行划分来获取规则前件的不确定均值,同时结合聚类有效性标准确定模糊规则数目,从而自动完成神经网络的结构辨识和规则前件参数辨识;随后给出了基于梯度下降法和Lyapunov函数稳定收敛定理的规则后件权向量学习速率的自适应学习算法.通过非线性系统辨识实例,验证了该算法与其他方法相比具有更快的收敛速度和更高的逼近精度;并且利用该算法建立了某市电力短期负荷预测模型,结果表明该模型具有较高的预测精度,泛化性能更佳.     

基于模糊划分和支持向量机的TSK模糊系统

为了提高模糊系统处理高维问题的推广能力与鲁棒性能,提出将模糊聚类和支持向量机算法结合起来构造TSK模糊系统的算法.首先运用模糊聚类算法对输入空间进行划分,确定模糊规则前件的隶属函数.然后用支持向量机算法确定模糊规则的后件参数.该支持向量机的核函数是由模糊规则前件的隶属函数构造的,并且是Mercer核.在3个数据集的实验结果表明,与TSK模糊系统的传统算法和支持向量机相比较,本文算法具有更好的推广能力和鲁棒性.     

基于模糊聚类和矩阵分解的模糊辨识方法

通过改进模糊聚类方法确定模糊模型的前件结构,然后对模糊推理关系矩阵进行QR分解,通过分析秩的亏损来确定聚类规则的有效性,然后采用基于矩阵UD分解最小二乘确定模糊模型的后件参数,实现模糊模型的结构和参数的优化.该方法成功地应用于Box-Jenkins煤气炉数据系统建模.     

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。     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

基于模糊规则优化的改进模糊遗传算法

该文针对遗传算法的特点,提出了一种基于模糊规则优化的改进模糊遗传算法及其算法结构,即用模糊控制的方法来调整遗传算法中的交叉概率和变异概率,同时寻找与控制对象相匹配的最佳模糊规则。在数学函数上的仿真结果表明,此种模糊遗传算法不仅加快了解的收敛速度,而且大大提高了解的质量。     

A genetic approach to the design of autonomous agents for futures trading

We propose a genetic algorithm-based method for designing an autonomous trader agent. The task of the proposed method is to find an optimal set of fuzzy if–then rules that best represents the behavior of a target trader agent. A highly profitable trader agent is used as the target in the proposed genetic algorithm. A trading history for the target agent is obtained from a series of futures trading. The antecedent part of fuzzy if–then rules considers time-series data of spot prices, while the consequent part indicates the order of trade (Buy, Sell, or No action) with its degree of certainty. The proposed method determines the antecedent part of fuzzy if–then rules. The consequent part of fuzzy if–then rules is automatically determined from the trading history of the target trader agent. The autonomous trader agent designed by the proposed genetic algorithm consists of a fixed number of fuzzy if–then rules. The decision of the autonomous trader agent is made by fuzzy inference from the time-series data of spot prices. This work was presented in part at the 11th International Symposium on Artificial Life and Robotics, Oita, Japan, January 23–25, 2006     

一种使用启发式搜索优化的模糊规则分类方法

文章提出了一种基于模糊规则的分类方法。该方法首先介绍了基于模糊C均值聚类的模糊规则提取,然后利用所建立的模糊规则库设计了一种分类算法,并且利用启发式搜索来精简分类规则。使用IRIS数据对该文的方法进行了性能测试,结果表明该方法在训练样本较少的情况下,能得到很好的分类效果,并且通过规则精简,所使用的规则数目大大下降,而分类性能更加优良。     

一种基于模糊聚类的模糊辨识方法

介绍一种基于模糊聚类的模糊辨识方法。首先利用含有聚类准则函数的模糊聚类方法来确定模糊规则数和模型前提参数,然后利用最小二乘法来辨识模型的结论参数,最后采用梯度下降法来调整模型的参数。该方法应用于Box-Jenkins数据仿真实例,仿真结果表明该方法简单有效。     

基于FCM和RVGA的FNN在非线性辨识中的应用

提出一种新的基于模糊C-均值聚类(FCM)和实值遗传算法(RVGA)的模糊神经网络(FNN)。在对模糊规则进行训练之前,利用模糊C-均值聚类从训练数据中提取出典型数据,以删除野值和协调数据内部冲突。然后利用一种新的实值遗传算法对此典型数据进行训练。此遗传算法的交叉和变异运算均直接对实值进行操作,而不是传统的位操作,因此,可以极大地减少训练时间并实现全局寻优。对非线性函数辨识的仿真实验证明了该方法的优越性。     

一种进化模糊逻辑控制器的新方法

结合进化学习分类器的密歇根和匹兹堡方法的优点,首次将对单条控制规则的评价引入了模糊逻辑控制器（ＦＬＣ）的进化过程中,解决了匹兹堡类型的学习分类器系统“强化信息的带宽窄”的问题,实现了ＦＬＣ在控制器级和规则级的同时进化,控制器的控制规则数目也可以自由变化,实验结果表明新方法有较高的效率,优化的模糊控制器的结构简单,性能良好。     

Design for Self-Organizing Fuzzy Neural Networks Based on Genetic Algorithms

A novel hybrid learning algorithm based on a genetic algorithm to design a growing fuzzy neural network, named self-organizing fuzzy neural network based on genetic algorithms (SOFNNGA), to implement Takagi-Sugeno (TS) type fuzzy models is proposed in this paper. A new adding method based on geometric growing criterion and the epsiv-completeness of fuzzy rules is first used to generate the initial structure. Then a hybrid algorithm based on genetic algorithms, backpropagation, and recursive least squares estimation is used to adjust all parameters including the number of fuzzy rules. This has two steps: First, the linear parameter matrix is adjusted, and second, the centers and widths of all membership functions are modified. The GA is introduced to identify the least important neurons, i.e., the least important fuzzy rules. Simulations are presented to illustrate the performance of the proposed algorithm     

基于遗传算法的模糊PI控制器

模糊PI控制器具有鲁棒性强、控制灵活等优点,但是将其应用于纯迟延系统时超调量较大、响应速度慢。针对此提出了一种基于遗传算法的模糊PI控制器,使用遗传算法对模糊逻辑系统参数进行训练。在以往的模糊逻辑系统建立过程中,主要依靠专家知识或工作人员经验来确定其主要参数（如模糊推理规则和隶属函数参数等）,而该文利用遗传算法对样本数据进行优化来获取系统参数。在遗传算法中,将推理规则和隶属函数参数的确定结合在一起,从而确定最优的模糊逻辑系统。仿真试验结果表明,由该方法得到的控制器用于纯迟延系统具有响应快,超调量小等优点。