基于神经网络的符号知识获取方法

本文基于神经网络的知识获取研究进行了综述,介绍了几种有效的模型和方法,并通过比较分析,提出了进一步开展研究工作的意见和看法。     

基于TS模糊神经网络的Fuzzy规则自动获取研究

Fuzzy规则的获取一直是模糊智能系统的一个瓶颈。醉在深入研究TS模糊神经网络的物理意义的基础上,给出了使用遗传算法优化模糊规则集的算法并提出了从训练后的TS模糊神经网络中抽取Fuzzy规则的可操作方法。分析和实验证明,这种方法可以实现且是有效的,对于Fuzzy规则自动获取的研究具有积极的借鉴意义。     

基于模糊加权神经网络的模糊规则自动获取

如何实现模糊规则的自动获取一直是模糊系统中的一个难题，文中在充分研究了模糊加权神经网络和遗传算法的基础上，给出了一种能够自动获取模糊规则的剪枝算法，并以此建立了新的网络模型。模拟结果验证了该模型的有效性。     

数据库中的模糊规则获取方法

分析了规则化的模糊逻辑原理。介绍了模糊化的规则获取和推理方法,由分析可以看出,基于模糊逻辑的规则获取和推理方法能在数据库中找出其规则,并且在实际系统中有着一定的意义。     

从关系数据库中获取专家系统规则

获取知识是构造专家系统最重要的环节。论述了一种从关系数据库中获取专家系统规则的方法，它以集合论和概率论为基础，特别适用于决策和推量型专家系统。     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

Add-Mult型模糊神经网络

提出了一种Add-Mult型模糊神经网络模型(AMFNN)，给出了该模型的结构。根据梯度下降算法，给出了AMFNN模糊神经网络的误差反传学习算法。与6种极具代表性的模糊推理方法进行比较的结果表明，AMFNN模糊神经网络模型具有推理精度高、适用范围广、泛化能力强以及实现容易等特点，因而具有广阔的应用前景。     

神经网络规则抽取

神经网络是一种黑箱模型，其学习到的知识蕴涵在大量连接权中，不仅影响了用户对利用神经计算技术构建智能系统的信心，还阻碍了神经网络技术在数据挖掘领域的应用，由于对神经网络规则抽取进行研究有助于解决上述问题，因此该领域已成为机器学习和神经计算界的研究热点，介绍了神经网络规则抽取研究的历史，综述了国际研究现状，对关于这方面研究的不同看法进行了讨论，并指出该领域中一些值得进一步研究的内容。     

农业智能系统的知识获取技术研究

作者及其团队长期针对农业领域的知识获取技术进行了系列性研究.阐述了运用智能引导、机器学习、数据挖掘、智能计算等技术的人工和自动/半自动的知识获取方法.这些方法能够有效地获取领域知识,发现隐含模式,进行知识精化.研发了知识获取工具.这些方法和工具反映了知识获取技术对农业信息工程所起的重要作用.     

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。     

基于专家—神经网的递阶智能控制系统

本文介绍了专家系统与人工神经网络技术相结合的一些方法，提出了联合使用专家系统与人工神经网络的递阶智能控制系统结构，其组成为：监督控制专家系统，数据处理与故障诊断神经网络，常规分布式控制系统。其中的监督控制专家系统又由人工神经网络模拟实现。由于本系统吸取了专家系统技术及人工神经网络技术两者的长处，克服了各自的缺点，使得系统的性能大为提高。     

一个基于模糊神经网络的模式分类系统

目前,基于神经网络的分类系统在许多领域得到了越来越广泛的应用。但是,该系统大多采用的是离线自适应机制,即神经网络需学习新的分类知识时,要重新训练神经网络,从而大大增加神经网络的训练时间;对于重叠分类,一般是构成一个贝叶斯分类器。然而,贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识,而这些知识常常在模式分类前是难以获得的。为了解决这些问题,文中根据模糊集合理论,提出了一种基于模糊神经网络     

模糊神经网络技术综述

首先讨论了模糊神经网络协作体的产生和优越性，随后将模糊神经网络划分为狭义模糊神经网络、用模糊逻辑增强网络功能的神经网络和神经模糊系统，并分别介绍了各自的网络结构和学习算法，最后介绍了模糊神经网络的工业应用．     

基于模糊神经网络的专家系统及应用

专家系统前景广阔，但其进一步发展必须引入其他先进技术，神经网络和模糊系统是解决知识获和经验性知识的不确定性等传统专家系统的“瓶颈”问题的全新途径。     

一种基于NFCS形态的模糊神经网络的学习算法

神经网络与模糊逻辑协同系统（NFCS）是神经网络与模型系统深度融合的一种形态，传统的BP算法也可作为NFCS的学习算法，但收敛性能不佳，针对NFCS形态的模糊神经网络提出了BP算法的一种新的改进算法（NFCS－BP），即在误差传播时不仅改变网络的连接权值，同时也改变模糊逻辑神经元模型的补偿参数，首先介绍了NFCS的协同机制和典型结构，然后详细推导了改进算法的迭代公式，实践证明，与传统BP算法相比，该算法具有收敛性能好，函数逼近精度高的优点。     

神经网络的模糊规则提取

神经网络的“黑箱问题”为该技术的广泛应用带来了一定限制,由于神经网络在一定条件下可与模糊系统相互转换,从神经网络中提取模糊规则为“黑箱问题”的解决提供了有效手段。本文在阐述基本概念的同时,分析了把连续值网络转化为二值网络和从神经网络到模糊系统的转换进行模糊规则提取的两类方法,通过解决Iris问题的实验结果比较了两类方法的性能。     

应用模糊神经网络进行负荷预测的研究

应用模糊神经网络实现的预测系统通过对历史数据的自适应学习获得初始的模糊预测模型,借助等价结构的ANN基于实时数据的梯度信息对系统参数进行BP训练,具有较强的适应性和自学习能力.以电力短期负荷预测(STLF)为应用背景,进行了系统化的实验研究,结果表明这一智能化的预测系统的性能是令人满意的.     

一种基于神经网络在线逼近器的非线性鲁棒故障诊断方法

针对一类不确定非线性动态系统，提出了一种基于神经网络在线逼近结构的鲁棒故障 检测方法．该方法通过构造神经网络通过在线逼近结构学习非线性故障特性来监测动态系统 的反常行为,当故障发生时，在线估计器可逼近各种可能的未知故障，然后对其进行诊断和 适应．神经网络权重的在线学习律没有持续激励的要求，并采用Lyapunov稳定性理论保证了 闭环误差系统一致最终有界稳定．     

四足步行机器人模糊神经网络控制

本文以模糊控制与神经网络应用于四足步行机器人的力与位置混合控制系统为目的，针对ＪＴＵＷＭ－ＩＩ四足步行机器人，进行了有关神经网络、模糊控制的理论研究和实验     

一种选择性神经网络集成构造方法

提出了一种选择性神经网络集成构造方法,在训练出个体神经网络之后,使用遗传算法部分网络来组成神经网络集成。理论分析和实验结果表明,与传统的使用所有体网络的方法相比,该方法能够取得更好的效果。