基于模糊预处理的聚类神经网络模型设计

在传统的ART网络及BP网络基础上分别作了改进，有机地结合了两种网络的优越性，并对输入数据进行模糊预处理，从而构建了新的比较健壮的网络模型，并具体给出了网络的模型结构及工作原理．该网络的特点是：检测故障的类别数可以增加，能累计增加新的样本类节点，且能分阶段训练，对故障的分类效果好．     

应用聚类和模糊神经网络设计模糊系统

基于聚类技术和一类模糊神经网络提出一种设计模糊系统的混合方法,通过一个无监督的聚类算法自组织地确定模糊规则的数目及生成一个初始的模糊规则库,构建一类模糊神经网络,通过调整网络的权值,使规则库中的参数更加准确,并以函数逼近问题为例验证了该方法的有效性。     

基于聚类的一种改进模糊辨识算法

针对一类以往的聚类算法不能很好的优化输入空间的问题，从模型简化的思想出发，充分考虑了样本输出对系统的作用，将无导师的学习算法与基于梯度的信息寻优算法相结合，并根据数据分布的密度自适应的调整聚类点的分布情况，给出了基于该算法的T－S模糊神经网络实现，并以函数逼近为例说明新算法在自适应能力，建模精度及计算量等方面均优于原算法，从而达到优化系统结构的目的。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法．采用结构辨识和参数辨识相结合的方法，构造模糊系统完善的模糊规则库．用此设计方法对函数逼近问题进行仿真，结果表明该方法具有规则数目少、学习速度快、建模精度高等特点．     

神经网络模糊聚类方法在故障诊断中的应用

在旋转机械故障诊断研究中,对大量样本的有效分类至关重要。传统的贴近度法计算繁锁,分辨率低,且领带于大量实验测试和经验案例的总结。根据故障诊断中样本数据无须精确要求的特点,可以对样本数据作模糊化处理,进一步采用自组织竞争神经网络对样本进行自动聚类,速度快,准确性好,具有较高的智能特性。实际应用表明,这种模糊神经网络完全满足使用要求。     

基于BP特征筛选的模糊聚类手写体数字识别

运用BP神经网络对无约束手写体数字的识别过程中的数字样本进行筛选,将筛选的结果纳入聚类源,再通过构造模糊关系矩阵,进行模糊聚类。实验证明,该方法具有很高的抗干扰性能,克服了传统算法单因子识别的局限性,识别率和准确率都有很大提高。     

基于模糊聚类法的神经网络变压器故障诊断系统

在变压器故障诊断中,针对样本中可能存在的孤立样本以及样本分布的不均匀性,导致神经网络整体性能下降,训练和测试效率降低的情况,设计了利用模糊聚类法对样本进行预先处理,然后再应用神经网络进行训练和测试的诊断系统.从仿真结果可以看出,该诊断系统较样本未处理而直接应用于神经网络诊断系统的诊断性能有大幅度的提高.     

基于递归聚类与相似性的模糊神经网络结构设计

针对模糊神经网络结构设计问题,提出一种基于递归聚类与相似性的结构设计方法.首先,提出以输出变化强度为导向、以结构细分为手段的递归聚类方法对网络初始结构进行设计.其次,通过计算模糊规则的相似性,将高度相似的规则进行合并,在保持良好精度的前提下,对网络初始结构进行简化.最后,通过函数逼近、非线性系统辨识仿真实验验证了方法的可行性和有效性.     

用模糊聚类神经网络设计图象矢量量化码书

讨论了一种模糊聚类神经网络模型，给出了将该模型用于图象矢量量化码书设计的学习算法，实验结果表明，模糊聚类神经网络可以为图象矢量量化压缩编码提供一种新的码书设计方法。     

基于模糊气候聚类和改进BP神经网络的建筑气候数据清洗方法

针对建筑节能气候数据质量较差的问题,提出一种基于K-MEANS的模糊气候聚类和改进BP神经网络模型的建筑物气候数据清洗方法.首先利用K-MEANS算法根据数据相关性将其划分为不同子类,针对K-MEANS聚类个数和初始聚类中心的选取问题,将主分量分析(Principal Component Analysis,PCA)与K...     

模糊聚类网中多对一映射的实现

分析了模糊聚类网实现多对一映射的两种方式：有监督和无监督,给出了实现这两种方式的网络模型：自适应模糊信要成聚类网和二次模糊聚类网。     

道德接受的为我性与道德教育的实效性

从道德教育接受者的接受新视角解析道德接受的内涵,提出了“以我为主”是道德接受的基本规律、“我的需要”是受体接受道德教育的驱动力、“我的情感体验”是道德教育接受活动中正负效应的关键等新观点。     

模糊神经网络故障诊断专家系统

模糊诊断和神经网络有机结合能够提高设备故障诊断技术水平，文章阐述了单症兆诊断模型及多症兆诊断模糊模型与神经网络的有机结合；论述以模糊诊断原理为根据发展的扩展神经网络子网和子节点的可塑性学习方法和以模糊模式识别理论指导学习样本的组织方法。简述基于上述模糊神经网络的诊断系统及诊断系统的生产现场实例验证。     

基于模糊聚类和BP算法的混合模型

针对模糊聚类算法存在的问题,通过对聚类有效性函数的分析,对聚类数c和加权指数m进行改进,将改进后的模糊聚类算法引入BP算法中,建立基于模糊聚类与BP算法的混合模型,并进行实验分析,分析结果表明,混合模型在准备性上优于传统的BP算法,因为数据经过模糊聚类之后同类数据具有更多的相似特征。     

层次模块化模糊神经网络在铝电解故障诊断中的应用

目的针对铝电解故障发生机理及特点，提出采用层次模块化模糊神经网络实现对铝电解故障快速、有效检测的新方法．方法利用数据处理子模块，诊断子模块，决策子模块，从而对铝电解生产过程中的故障进行诊断．结果数据处理子网络实现了对数据的特征提取，优化了数据结构，将大结构的神经网络分解成多个小网络，并用决策神经网络对故障进行模式分类．结论该方法优化了大结构神经网络的学习性能，提高了故障检测的准确率，具有良好的实用价值．     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络（DFNN）的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯（CHP）分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型（CFNN）.     

K-均值聚类模糊逻辑数据融合改进算法研究

针对无线传感网(WSN)数据融合中基于模糊逻辑的加权融合算法融合结果误差偏大的问题,提出了一种基于K-均值聚类的改进的模糊逻辑加权融合算法.首先运用K-均值聚类的思想分析收集到的原始误差数据,去除算法认为不可靠的数据,用余下的有效数据对修正模糊逻辑算法求得加权因子,并与节点测量数据加权平均求值,得到最终融合值.实验证明:通过与其它同类的加权融合算法比较,该改进算法的融合精度更高,效果更好.     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。