基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题,提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法,利用该算法同时优化模糊加权神经网络的结构和参数,最后说明了从网络中提取模糊规则的方法,从而自动获得最优的模糊规则。分析和实验结果表明,本文方法在规则提取和分类准确性等方面比其他方法更好。     

一种基于模糊径向基神经网络的图像融合方法

传统的基于区域特征图像融合方法的一个难点是各源图像最佳权值的分配问题。该文利用径向基神经网络与T-S模糊推理模型具有函数等价性的特点,设计了一种模糊推理神经网络实现基于区域特征的图像融合,并用遗传算法优化网络参数。该网络能够自适应地动态获取优化的图像融合权值参数。仿真实验表明该算法有效可行,通过与传统的基于区域特征的图像融合算法相比,融合性能得到明显改善。     

基于神经网络与模糊算法图像边缘检测方法*

针对传统图像边缘检测方法中出现毛边、噪边、边缘定位不精确等缺点,提出一种神经网络与模糊算法相结合的检测方法。根据图像特征,将图像分为高频和低频部分分别处理,高频部分适宜用双层网络结构,可以很好地减弱噪声;对于图像低频部分,将模糊理论引入到边缘检测中,能够检测出弱边。最后对检测出的两个图像边缘进行融合,实验结果证明得出的检测效果较好,比传统边缘检测算子所获结果有很大改善。     

基于模糊神经网络的信息融合技术研究

针对信息融合技术中目标融合识别的问题,根据人工神经网络和模糊系统的各自特点,形成一种模糊神经网络模型。首先将模糊系统用神经网络的结构表示,并采用相应的学习算法训练模糊神经网络实现模糊推理功能。最后对模糊神经网络模型进行仿真实验和结果分析。     

A fast and accurate online self-organizing scheme for parsimonious fuzzy neural networks

In this paper, we present a fast and accurate online self-organizing scheme for parsimonious fuzzy neural networks (FAOS-PFNN), where a novel structure learning algorithm incorporating a pruning strategy into new growth criteria is developed. The proposed growing procedure without pruning not only speeds up the online learning process but also facilitates a more parsimonious fuzzy neural network while achieving comparable performance and accuracy by virtue of the growing and pruning strategy. The FAOS-PFNN starts with no hidden neurons and parsimoniously generates new hidden units according to the proposed growth criteria as learning proceeds. In the parameter learning phase, all the free parameters of hidden units, regardless of whether they are newly created or originally existing, are updated by the extended Kalman filter (EKF) method. The effectiveness and superiority of the FAOS-PFNN paradigm is compared with other popular approaches like resource allocation network (RAN), RAN via the extended Kalman filter (RANEKF), minimal resource allocation network (MRAN), adaptive-network-based fuzzy inference system (ANFIS), orthogonal least squares (OLS), RBF-AFS, dynamic fuzzy neural networks (DFNN), generalized DFNN (GDFNN), generalized GAP-RBF (GGAP-RBF), online sequential extreme learning machine (OS-ELM) and self-organizing fuzzy neural network (SOFNN) on various benchmark problems in the areas of function approximation, nonlinear dynamic system identification, chaotic time-series prediction and real-world regression problems. Simulation results demonstrate that the proposed FAOS-PFNN algorithm can achieve faster learning speed and more compact network structure with comparably high accuracy of approximation and generalization.     

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。     

基于混合神经网络的图像复原方法

针对传统图像复原方法对先验知识的依赖性问题,提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络（Convolutional Neural Network）与BP神经网络组成。首先,通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系,再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后,通过训练BP神经网络实现图像复原。实验表明,该方法具有较高可行性,在小尺度的模糊核上的复原效果优于现有方法。     

折线模糊神经网络对模糊函数的通用逼近

基于折线模糊数间的模糊算术以及一个新的扩展原理建立了一种新的模糊神经网络模型,证明了当输入为负模糊数时,相应的前向三层折线模糊网络可以作为连续模糊函数的通用逼近器,并给出了此时连续模糊函数所需满足的等价条件,最后给出了一个仿真实例。     

基于模糊熵的BP算法改进

由于BP网络简单的拓扑结构和优秀的逼近能力,它已经被广泛地应用于预测和非线性系统的建模中。但是由于算法自身的不足,在实际应用中会产生很多问题。因此,BP网络的优化已经成为了一个重要的课题。为了提高BP网络的泛化能力,将模糊熵加入到BP网络的性能函数中,提出了基于模糊熵的BP算法。在实验中,将两种算法进行了对比,结果表明改进算法可以有效地提高测试精度,避免了过度拟合。     

基于EKF的模糊神经网络快速自组织学习算法*

为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度、良好的逼近精度和泛化能力。     

基于神经网络的自适应模糊控制系统

针对啤酒发酵过程中罐内温度控制问题,研究神经网络对模糊控制规则的优化方法,利用径向基函数神经网络对模糊控制规则进行优化,提高其自适应能力。以啤酒生产过程中主发酵阶段的数据作为输入样本,通过径向基函数神经网络进行学习训练,校正模糊控制规则,优化模糊控制器。优化前与优化后响应特性曲线的比较结果表明, RB F神经网络学习能力强,收敛速度快;模糊控制规则的完备性和一致性明显改善,控制器的响应速度快、超调量小、稳定性强、控制效果好。     

基于模糊积分的多神经网络融合模型的研究

为了进一步提高网络入侵检测系统的检测性能,将模糊积分理论和神经网络技术应用到网络入侵检测中,提出了基于模糊积分的多神经网络融合模型MNNF。它的基本思想是按照TCP/IP属性集的类别不同将TCP/IP数据集分成三个不同属性集的子数据集,在不同属性集上训练形成不同的子神经网络,然后用模糊积分将多个子神经网络对TCP/IP数据的检测结果进行非线性融合形成最优判断。实验结果表明,MNNF模型应用在网络入侵检测中可以得到比单个神经网络更好的入侵检测性能。     

基于神经网络LMBP算法的正则模糊文法推导

用实时间回馈（RTRL）算法和实编码基因遗传（RCGA）算法训练二阶递归神经网络进行模糊文法推导,表现出了精度高的良好性能,但速度较慢。然而作为目前最快的递归神经网络算法Levenberg-Marquardt（LMBP）算法在模糊文法推导中的应用却很少引起学者们的关注。通过实验对 LMBP算法在正则模糊文法推导中的优势与缺陷等性能进行分析,实验显示了LMBP算法在模糊文法推导中的快速收敛能力。     

基于模糊神经网络的铁路车辆热轴等级判别模型

判别模型。该模型选定了温升、列温升差、辆温升差3个特征作为输入量,4种热轴等级作为输出量,并利用125条模糊推理规则和学习算法对模糊神经网络进行训练,得到的模糊神经网络可作为专家系统对热轴进行判别。实例仿真结果表明:模糊神经网络热轴判别模型使得判别参数减少,判别科学化,且判别的一致率达到95%。     

基于模糊神经网络的颜色识别方法

针对传统的CIE色度学颜色精确识别与人的颜色模糊感觉的矛盾,提出了一种基于模糊神经网络进行颜色识别的方法。该方法利用传统的色度学中的颜色三刺激的坐标值,结合模糊神经网络的聚类、无限逼近、泛化、学习等特性的优点,从而增加了适合于人的感觉的颜色识别的效果。     

基于模糊神经网络的信息安全风险评估模型

对信息系统进行有效的风险评估,选择有效的防范措施,主动防御信息威胁是解决信息系统安全问题的关键所在。将神经网络和模糊理论应用于信息安全的风险评估。首先针对信息安全风险评估的不确定性和复杂性,将神经网络理论应用到风险评估。其次,针对神经网络适合定量数据,对于定性指标的分析缺乏相应的处理能力,而风险因素的指标值具有很大的不易确定性等问题,采用模糊评价法对信息安全的风险因素的指标进行量化,对神经网络的输入进行模糊预处理,提出了基于模糊神经网络的风险评估方法。仿真结果表明：模糊神经网络经过训练,可以实时地估算风险因素的级别。     

模糊神经网络抓斗纠偏系统故障诊断

针对抓斗纠偏系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为抓斗纠偏系统故障诊断的方法。该方法利用故障树知识提取抓斗纠偏系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快、容错能力强,并通过实例分析验证了抓斗纠偏系统模糊神经网络故障诊断的有效性。     

基于模糊混沌神经网络的人脸识别算法

利用混沌对初值的极端敏感依赖性,可以对仅有微小差别的模式进行识别。提出一种基于模糊混沌神经网络的算法,并应用到人脸识别中。由于引入了混沌噪声,可使网络具有很强的抗干扰能力,能有效避免人脸图像光照、姿态等因素对人脸识别的影响,也避免了复杂的特征提取工作。利用ORL人脸图像数据库进行了仿真实验,结果表明,混沌神经网络算法精度高、迭代步骤少、收敛快,混沌神经网络应用于人脸识别是有效的,能提高识别率。     

基于云理论与神经网络集成的模糊系统

提出了一种基于云理论与神经网络混合集成的模糊系统。通过不确定性人工智能,解决了在实际模糊系统中输入变量隶属函数和知识规则确定的难题,利用神经网络实现了变量之间的非线性映射。该系统不但具有神经网络自适应的学习能力,且结合云理论处理知识的不确定性能力,使模糊系统在知识推理过程中更具有说服力,在整体上提高了算法的效率。     

基于粗糙集理论和神经网络的图像分割方法

提出一种基于粗糙集理论和神经网络的图像分割方法。首先利用粗糙集理论对图像属性进行约简,提取规则,抽取关键成份作为神经网络的输入;然后根据这些规则确定神经网络隐层的神经元个数并根据粗糙集理论中的属性重要性来修正神经网络的权值。实验结果表明,该方法抗噪能力强且有效地解决了仅用神经网络进行图像分割时出现的神经元“死点”、网络结构复杂、收敛速度过慢等问题,在大大缩短网络训练时间的同时改善了分割效果。