基于扩展模糊Petri网的知识推理方法研究

为使模糊Petri网能够描述可变模糊隶属判据下的模糊知识,利用基准变换能较好地表达模糊隶属判据可变情况的特点,基于定性映射和定性基准变换对模糊Petri网进行了扩展,给出了扩展后网模型的形式定义和基本运行机制。通过利用定性映射描述模糊产生式规则,给出了一种新的知识表示模式和推理方法,新方法有利于构建模糊Petri网基于认知的学习机制。结果显示,该网模型具有较强的知识表达能力,适用于处理认知模糊不确定性知识,其推理过程能体现某些认知特性,尤其适用于构建以定性判断为特点的智能系统。     

一种模糊神经网络在决策支持中的应用

本文指出了对高层组织全局工作进行建模的困难，试尝采用一种模糊神经网络作为知识获取工具，以管理者对实际问题运行过程的直观经验作为“含噪声的运行数据”，在运行情形中收集样本，以描述与自学习相结合的方式对全局工作做定性建模与仿真。     

模糊神经网络技术的新近发展

本文从模糊系统与神经网络作为自适应模型无关估计器时智能特性的研究，模糊控制器的神经网络实现技术，改善神经网络学习性能的模糊控制技术，面向对象的模糊神经网络开发平台的研究等方面介绍了模糊神经网络技术的研究现状，并针对目前的模糊逻辑，神经网络，子波变换，遗传算法等的集成化技术进行了探讨，并融入了作者关于定性与定量知识有机集成的柔性核理论的基本思想。     

基于结构上下文的模糊神经网络自动目标检测方法

提出了一种基于结构上下文的模糊神经网络(SCFNN)自动目标检测方法。模糊神经网络方法既具有神经网络的自适应性、并行性、鲁棒性、容错性、优化等优点，又集成了模糊集理论运用知识、规则描述解决系统不确定性的优点，因此成为图像处理和模式识别的一种强有力工具。使用模糊测度作为神经网络的目标函数可以有效地描述像素类别的不确定性，从而通过使其最小实现图像分类优化。对网络神经元加权过程进行结构上下文信息约束可以充分减小图像信息尤其是目标边缘等特性包含丰富信息的损失，有效地保持目标的轮廓和形状等属性，改善目标检测的误检率。针对目标遥感图像的实验，验证了SCFNN方法具有很好的自动目标检测能力，而相对于传统神经网络方法，具有有效的不确定性解决能力和更好的目标形状保持能力。     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

基于定性模糊网络的分层Option 算法

在强化学习的研究中，常用的知识传递方法通过抽取系统最优策略的特征获得知识．由于所获得知识 通常与系统参数有关，因此这些方法难以应用于状态转移概率随系统参数变化的一类任务中．本文提出一种基于定 性模糊网络的分层Option 算法，该算法用定性动作描述系统的次优策略，并用定性模糊网络抽取次优策略的共同特 征获得与参数无关的知识，完成知识传递．倒立摆系统的控制实验结果表明：定性模糊网络能有效地表示各种参数 值不同的倒立摆系统所具有的控制规律，获取与系统参数无关的知识，将常用的知识传递方法从参数无关任务扩展 到参数相关任务中．     

基于定性定量模型的动态过程故障诊断新方法

给出了一种能够综合运用先验知识和启发性知识的基于定性定量模型的动态过程故障诊断新方法.首先描述了核心的模糊定性建模和仿真技术,接着设计一种新的知识观测器,其中正常和已知故障状态的知识用模糊定性模型表示,将观测的行为与模糊定性仿真预测行为比较,将匹配的结果诊断输出,若找不到匹配结果,进行故障假设和生成相应模型,并将其预测行为和观测行为比较直到正确诊断.     

水轮机综合调节特性模糊神经网络建模仿真

为获得能反映水轮机调节特性的准确流量和力矩数据,实现对特性曲线的快速准确数值化处理,引入模糊神经网络对过渡过程进行模拟仿真。结果表明:模糊BP神经网络智能生成的流量和力矩数据,能够真实反映水轮机调节特性,为水轮机综合特性曲线的数值化处理研究提供了一种新视角。     

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。     

人工神经网络与催化剂优化设计

在进行催化剂的配方设计时，由于其机理非常复杂，系统特性高度非线性化，各因素的交互作用比较明显，且催化理论中包含大量的非数值知识，难以进行定性或定量的描述，用传统的计算方法难以进行催化剂优化设计。 人工神经网络是由大量的简单单元——形式神经元高度错综复杂连接而成的网络系统。神经网络能实现任意的非线性映射，因此有可能对非线性系统进行建模；神经网络具有高度的并行结构，易于直接并行处理，因此可以获得非常快的总体处理能力；神经网络具有学习和适应能力，可以根据要研究的过去的数据记录来训练神经网络，还可以在线…     

神经网络在注塑制品材料选择中的应用

该文分析了注塑成型制品的功能要求与树脂材料性质之间的作用关系，采用模糊手段表示了对材料的选定度，提出了一种基于神经网络的注塑制品的材料选择方法。     

财务困境预警的二阶段模型构建与应用

模糊神经网络汇集神经网络和模糊逻辑的优点,能有效避免神经网络的“黑箱”操作,但存在“维数爆炸”现象。将粗糙集和模糊神经网络有机集成,构建财务困境预警的二阶段模型：第一阶段利用粗糙集知识约简对数据集降维消冗,提取最优指标集;第二阶段以最优指标集设计基于模糊神经网络的财务困境预警模型。该模型融合粗糙集和模糊神经网络的特点,能提高网络结构的精练性、启发性和透明性。应用实例的结果表明该模型能有效克服“维数灾难”,避免数据噪声引起的模型过度适应,提高模型预测准确性。     

Using B-spline neural network to extract fuzzy rules for a centrifugal pump monitoring

In mechanical equipment monitoring tasks, fuzzy logic theory has been applied to situations where accurate mathematical models are unavailable or too complex to be established, but there may exist some obscure, subjective and empirical knowledge about the problem under investigation. Such kind of knowledge is usually formalized as a set of fuzzy relationships (rules) on which the entire fuzzy system is based upon. Sometimes, the fuzzy rules provided by human experts are only partial and rarely complete, while a set of system input/output data are available. Under such situations, it is desirable to extract fuzzy relationships from system data and combine human knowledge and experience to form a complete and relevant set of fuzzy rules. This paper describes application of B-spline neural network to monitor centrifugal pumps. A neuro-fuzzy approach has been established for extracting a set of fuzzy relationships from observation data, where B-spline neural network is employed to learn the internal mapping relations from a set of features/conditions of the pump. A general procedure has been setup using the basic structure and learning mechanism of the network and finally, the network performance and results have been discussed.     

Extracting rules from a (fuzzy/crisp) recurrent neural network using a self‐organizing map

Although the extraction of symbolic knowledge from trained feedforward neural networks has been widely studied, research in recurrent neural networks (RNN) has been more neglected, even though it performs better in areas such as control, speech recognition, time series prediction, etc. Nowadays, a subject of particular interest is (crisp/fuzzy) grammatical inference, in which the application of these neural networks has proven to be suitable. In this paper, we present a method using a self‐organizing map (SOM) for extracting knowledge from a recurrent neural network able to infer a (crisp/fuzzy) regular language. Identification of this language is done only from a (crisp/fuzzy) example set of the language. © 2000 John Wiley & Sons, Inc.     

Integration of fuzzy neural network and artificial immune system-based back-propagation neural network for sales forecasting using qualitative and quantitative data

Sales forecasting plays a very important role in business operation. Many researches generally employ statistical methods, such as regression or auto-regressive integrated moving average model, to forecast the product sales. However, they only can consider the quantitative data. Some exogenous qualitative variables have more influence on forecasting result. Thus, this study attempts to propose a integrated forecasting system which is able to consider both quantitative and qualitative factors to achieve a more comprehensive result. Basically, fuzzy neural network is first employed to capture the expert knowledge regarding some qualitative factors. Then, it is combined with the time series data using an artificial immune system based back-propagation neural network. A laptop sales data set provided by a distributor in Taiwan is applied to verify the proposed approach. The computational result indicates that the proposed approach is superior to other forecasting methods. It can be used to decrease the inventory costs and enhance the customer satisfaction.     

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     

一款可编程语音处理器的设计与应用

提出了一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补了神经网络结构复杂、网络训练时间长、结果表示不易理解等不足.经过模糊神经网络的建立和训练达到精度要求,实现了运用模糊神经网络方法从数据库中提取知识的目标.     

一种基于模糊神经网络的数据挖掘算法

提出了一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补了神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。经过模糊神经网络的建立和训练达到精度要求,实现了运用模糊神经网络方法从数据库中提取知识的目标。     

基于模糊神经网络的粗糙集在股市预测中的应用

提出在模糊神经网络中使用粗糙集理论进行网络的设计.在模糊神经网络中引入粗糙集理论,不仅可以去除模糊神经网络中输入层的冗余神经元而且可以确定隐含层神经元的数目,从而使模糊神经网络具有更准确的逼近收敛能力和较高的精度.最后应用于股票市场,在股票买卖时机预测中取得了良好的效果.     

基于粗糙集的高速公路交通流神经网络模型

利用粗糙集能够处理模糊、不确定知识和神经网络对非线性函数具有任意逼近能力的优点,提出一种粗糙集和RBF网络集成的动态系统建模算法。并利用这种方法建立具有复杂动态特性和不确定性的高速公路宏观交通流动态模型,仿真结果表明了该方法的有效性。