一种自适应控制模糊器

对文（１）提出的模糊自适应控制算法提出改进方案,根据改进方案,控制算法可以去掉监督项,同时可加入一辅助控制项以提高动态特性。经证明,算法仍然满足全局稳定。为保证闭环渐近稳定性条件,文中提出一种模糊控制器结构自组织学习方法,仿真结果显示,与文（１）算法相比,本文算法更能保证闭环渐近稳定性,具有更好的动态性能。     

基于减法聚类和自适应神经模糊推理系统的递阶模糊系统的设计

提出了一种设计递阶模糊系统的简易而有效的方法.在得到一个单级模糊系统的基础上,用灵敏度分析法对每一个输入变量的重要性进行排序,从而确定每一级子系统的输入变量.利用减法聚类和自适应神经 模糊推理系统逐级对子系统进行训练.所得到的递阶模糊系统可进一步得到简化.仿真实例证实了设计方法的有效性.     

利用减法聚类的自适应模糊神经网络客观评定织物起皱等级

本文提出一种基于减法聚类的自适应模糊神经网络,用于织物起皱等级评定。首先利用减法聚类方法确定模糊神经网络的结构,再结合模糊推理系统进行模式识别,并详细介绍其基本原理和学习算法,最后引入四种起皱特征参数对真实织物进行验证,实验表明该方法是有效、可行的。     

自适应神经模糊推理系统用于症候诊断的研究

提出了基于T-S模型(Takagi-Sugeno型)的自适应神经网络模糊推理系统(AdaptiveNetwork-basedFuzzyInferenceSystem,ANFIS),介绍了高木—关野(Takagi-Sugeno型)模型结构和自适应神经网络模糊推理系统的结构和算法。该文采用减法聚类初始化模糊推理系统模型,把神经网络学习机制引入到逻辑推理中,使传统的逻辑推理不仅具有逻辑思维及语言表达能力而且具有自学习和联想能力,通过2型糖尿病症候数据库验证了ANFIS用于症候诊断的合理性和有效性。提示自适应神经网络模糊推理系统适合中医症候诊断的研究。     

一种基于模糊辨识的模糊自适应控制系统

采用模糊基函数表示的模糊逻辑系统作为未知非线性对象的辨识器，以此为模糊自适应控制器提供参数自调整必需的梯度信息。仿真结果表明，此种控制方案对未知的非线性系统的输入有很强的自适应跟踪能力。     

一种区间型数据的自适应模糊c均值聚类算法

针对区间型数据的聚类问题,提出一种自适应模糊c均值聚类算法。该算法一方面基于区间数的中点和半宽度,通过引入区间宽度的影响因子以控制区间大小对聚类结果的影响;另一方面通过引入一个自适应系数,以减少区间型数据的数据结构对聚类效果的影响。通过仿真数据和Fish真实数据验证了该算法的有效性,并对聚类结果进行比较和分析。     

自适应模糊神经网络研究

模糊神经网络提供了从人工神经网络中模糊规则的抽取。本文研究模糊神经网络的自适应学习，规则插入和抽取及神经－模糊推理的FuNN模型，把遗传算法作为系统模糊规则选择的自适应策略之一。     

自适应模糊辨识中关于模糊最近邻聚类学习算法的一种改进

分析了一种基于模糊最近邻聚类的自适应模糊辨识方法,从模型简化的思想出发提出一种改进方法,并通过实例仿真证实了改进方法的优越性。最后引入Ｂｅｚｄｅｋ的聚类评价指标对两种聚类结果的有效性进行评判,从理论上证明了改进方法的优点及可靠性。     

基于MATLAB神经模糊的自适应噪声消除

介绍了MATLAB语言及其模糊逻辑工具箱，分析了神经模糊系统建模的方法，并对自适应噪声消除进行了建模与仿真，对非线性、复杂对象的模糊控制具有一定的指导作用。     

神经模糊系统中模糊规则的优选

提出一种基于两级聚类算法的自组织神经模糊系统，该系统采用两级聚类算法（改进的最近邻域聚类算法和Gustafson-Kessel模糊聚类算法）对输入／输出数据进行模糊聚类，并由模糊聚类的划分熵确定最优划分，建立模糊模型，模型精度可由梯度下降法进一步提高。仿真结果表明，这种神经模糊系统具有结构简单、规则数少、学习速度快以及建模精度高等特点。     

基于聚类算法的RBF神经网络设计综述

简要分析了径向基函数（RBF）神经网络。在此基础上,介绍了K-均值聚类算法的神经网络、C-均值聚类算法的神经网络和PAM聚类算法的神经网络三种聚类算法的RBF神经网络。展望了基于聚类的RBF神经网络设计的发展趋势。     

一种基于模糊划分和模糊加权的集成深度信念网络

针对DBN算法训练时间复杂度高,容易过拟合等问题,受模糊理论启发,提出了一种基于模糊划分和模糊加权的集成深度信念网络,即FE-DBN（ensemble deep belief network with fuzzy partition and fuzzy weighting）,用于处理大样本数据的分类问题。通过模糊聚类算法FCM将训练数据划分为多个子集,在各个子集上并行训练不同结构的DBN,将每个分类器的结果进行模糊加权。在人工数据集、UCI数据集上的实验结果表明,提出的FE-DBN比DBN精度均有所提升,具有更快的运行时间。     

基于自适应模糊聚类的神经网络软测量建模方法

提出一种基于模糊聚类的神经网络软测量建模方法．该方法采用数据分组训练、自动确定模糊分类数、在线测量时分类中心自适应修正，降低了计算量，提高了建模精度．将该算法用于步进式加热炉钢坯温度预报的仿真结果表明，它能够解决钢坯温度难以在线测量的问题。     

基于模糊聚类神经网络的镜头突变检测算法

讨论了采用无监督的模糊竞争学习算法,并结合自组织竞争网络构成的一种新型模糊聚类神经网络模型,提出了一种基于该网络模型的镜头突变检测算法。该算法通过对线性特征空间进行由粗到细的两步模糊聚类实现镜头突变的检测。实验结果表明该算法是可行和有效的。     

一种自适应模糊聚类神经网络滤波器设计

为了获得滤除噪声和细节保留两方面更好的平衡,提出了一种自适应模糊聚类神经网络。采用模糊C—均值聚类算法对网络进行模糊化,利用改进的LMS算法对网络进行训练。仿真表明,与模糊BP神经网络及改进的BP神经网络相比,AFCN是一种性能较好的智能神经网络。     

基于模糊聚类的模糊神经网络控制

对于复杂的非线性离散系统,提出将模糊聚类算法同神经网络相结合,使用衡量聚类有效性的S函数确定模糊规则数目,进而确定模糊神经网络的结构;控制器的设计应用LMI方法。以典型的非线性系统二级倒立摆为例,在Matlab中进行仿真实验,结果表明,基于聚类算法的神经网络控制能够在较大范围的初始状态下使系统获得稳定。     

基于模糊神经网络的智能巨磁电阻传感器设计

在清华大学微纳器件和系统实验室制备了一种高性能的巨磁电阻(GMR)自旋阀.因为该GMR磁传感器的输出呈高度非线性,不利于后端客户的应用,所以设计了一种用于线性校正用途的模糊神经网络(FNN),并以此构建了智能GMR磁传感器系统,通过Matlab仿真试验验证了该方法的有效性.最后,讨论了单芯片系统(SOC)实现该智能GMR磁传感器的可行性,为进一步的系统集成提供了理论基础.     

基于模糊三角数模糊神经网络的软件质量评价方法

用户对软件质量的评价与其体验密切相关,但由于软件产品的抽象性、复杂性以及用户需求的模糊性,目前软件质量评价方法都缺乏对该方面内容的关注,忽略了用户需求在软件质量评价中的作用。针对于此,考虑用户需求对软件质量的影响,将用户需求作为一种特殊的软件特性,构建了基于模糊三角数的模糊神经网络来处理软件开发过程中用户需求同软件特性之间的非线性关系,符合软件产品复杂性的特点,使软件质量评价结果更客观、全面。结果表明,基于模糊三角数模糊神经网络能够更好地反映用户需求同软件特性之间的非线性关系,是一种研究软件综合质量评价的有效方法。     

基于云-神经网络的多属性模糊规则分类

针对模糊规则分类中数据边界硬性划分的局限性问题,建立了云-神经网络模型,并提出了基于云-神经网络的模糊规则分类算法.在不影响数据模糊性和随机性的基础上,将数据转化为规则,并利用神经网络的学习能力,进行多属性模糊规则分类,与传统方法相比,该方法在保证数据模糊性和随机性的基础上,提高了模型精度和分类准确率,应用实例表明了该方法的有效性和可行性.     

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.