一种鲁棒性较强的新神经元模型及其在模糊推理中的应用

提出一种具有较强鲁棒性的神经元模型,能实现与、或和混合－并模糊逻辑运算。利用该神经元模型,构造了一个神经网络,基于该网络的模糊推理方法远比Zadeh的CRI方法更易于满足模糊推理的一致性要求,可望在面向医学和人文社会科学等领域的模糊专家系统及模糊决策支持系统中获得应用。     

上海观光隧道网络监控系统的设计

上海观光隧道运营公司为吸引游客,提高市场竞争力,经研究决定在隧道中间增设两道全“自动景观门”,配合特定的声光,以增强隧道的声光幻觉效果;网络监控系统实际采用研华工控机及“Protool V6．0”组态软件构建人机界面,工作站选用西门子公司的S7系列PLC控制器、变频器、变频电机等组建控制网络;自2003年调试安装使用以来,已经运行上百万次,至今仍然运行良好;实践证明此网络监控系统的设计非常成功,是一个PLC、现场总线、组态应用成功的实例。     

基于模糊集贴近度的模糊推理系统摄动研究

目前对模糊推理系统规则摄动度量都是基于蕴涵关系进行研究的,而蕴涵算子选取不当必然会导致规则摄动出现误差。多数模糊推理算法也是基于蕴涵关系,这些算法因涉及模糊关系矩阵运算而使算法的计算过程比较复杂,有时推理结果和实际相差甚远。采用一种度量模糊推理系统规则摄动的新方法分析模糊推理系统的摄动,该方法不再使用蕴涵算子,而是基于规则摄动前后模糊集合的贴近度来度量,与以往的方法有着本质的不同,推理结果更贴合实际情况。     

基于单体模糊神经网络的多重模糊推理方法研究

文章基于单体模糊神经网络(MFNN)对多重模糊推理的Mamdani方法进行了推广,得到的广义方法(简称G-Mamdani法)克服了原有方法的若干不足。文章采用了求解模糊关系方程的方法来确定网络的权值,依此新方法,实现了一个模糊推理机,其推理效果较好。这一方法为模糊专家系统和模糊控制系统等提供了一种新的有力的推理工具。     

广义动态模糊神经网络及在轴承故障诊断中的应用

提出一种结合小波包分解和广义动态模糊神经网络的故障诊断方法,该方法首先采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此向量作为输入,再利用广义动态模糊神经网络建立轴承故障诊断模型,该模型不仅能对模糊规则而且能对输入变量的重要性做出评价,使每个输入变量和模糊规则都可根据误差减少率进行修正。实验结果表明:该方法对识别和预测轴承的状态具有较高的精度和效率。     

机械臂关节空间Bezier曲线轨迹规划

为使机械臂轨迹便于分段处理,形成速度快,用于实时控制,在关节空间中使用Ｂｅｚｉｅｒ曲线对机械臂进行轨迹规划。从轨迹的一阶导数,二阶导数连续出发,推导出２段Ｂｅｚｉｅｒ轨迹拼接时其对应特征矢量应满足的关系,推导出Ｂｅｚｉｅｒ轨迹规划的边界条件,并通过不同型值点的３个算例与分段３次样条轨迹进行比较,应用Ｂｅｚｉｅｒ方法进行轨迹规划的优点为它的分段处理性,计算快速性以及计算机内存的较少占用。     

一种连续增量学习模糊神经网络

为获得快速、准确而精简的模糊神经网络,提出一种连续增量学习模糊神经网络(ISL-FNN).将修剪策略引入到神经元的产生过程,用错误下降率定义输入数据对系统输出的影响并应用于神经元的增长过程.在参数的学习阶段,所有隐含层神经元(无论是新增还是已有)的参数使用扩展的卡尔曼算法更新.通过仿真实验,该算法在达到与其它算法性能相当甚至更好的情况下,能获得更精简的结构.     

一种基于密度峰值的高效分布式聚类算法

基于密度峰值的聚类算法（DPC）是最近提出的一种高效密度聚类算法。该算法可以对非球形分布的数据聚类,有待调节参数少、聚类速度快等优点,但在计算每个数据对象的密度值和高密度最邻近距离时,需要进行距离度量,其时间复杂度为 。在大数据时代,尤其是处理海量高维数据时,该算法的效率会受到很大的影响。为了提高该算法的效率和扩展性,利用 Spark 在内存计算以及迭代计算上的优势,提出一种高效的基于E2LSH分区的聚类算法ELSDPC（an efficient distributed density peak clustering algorithm based on E2LSH partition with spark）。算法利用DPC算法的局部特性,引入局部敏感哈希算法LSH实现将邻近点集划分到一个区域。通过实验分析表明：该算法可在满足较高准确率的同时有效提高聚类算法的扩展性和时间效率。     

一种带修剪的增量极速学习模糊神经网络

由Huang提出的extreme learning machine(ELM)批量学习算法在获得与其他算法相当的性能的同时显示出了极快的学习速度。为了实现在线增量学习,扩展了ELM方法,提出了一种带修剪的极速学习模糊神经网络。首先随机产生模糊神经网络前件参数和规则数量,然后使用SVD将规则按照重要性能排序,再使用留一法leave-one-out(LOO)选出最佳的模糊规则数,最后分析计算模糊规则的后件参数。在学习过程中无须保存过去的数据,真正实现了增量学习。当新的数据到来时,无须重新训练网络。通过仿真实验对该方法与其他算法进行了验证和比较,结果表明,在获得与其他算法类似的性能的情况下,该算法能够获得更加简洁的结构。     

基于RSS典型性判定的室内定位算法研究

在基于RSS指纹集的定位算法中,相似样本集的质量,是影响定位精度的一个关键性因素;而待定位点的RSS向量,则是影响相似样本点质量的一个重要元素。通过对D-RSS分布规律分析,提出了RSS典型性的概念,并且提出了基于RSS典型性判定的室内定位算法。该算法根据RSS的典型性特征与有效的相似样本点之间的关系,提出了RSS典型性的辨别方法以及与典型性相关的动态K值。通过实验证明,该算法不仅能完整地找出有效的相似样本点,排除非实质性相似点的干扰,而且在不同的定位场景中具有较强的适应性,同时具有较高的定位精度。