基于AIS聚类的模糊神经网络在热轧优化建模中的应用

针对现有的钢坯热轧过程智能建模方法——模糊神经网络建模存在的收敛速度慢、建模精度不高、易陷入局部极小值、系统输入输出向量维数和空间划分增加使网络结构趋于复杂等问题,提出了一种基于人工免疫系统（AIS）聚类的自适应神经模糊推理系统的建模方法。该方法采用人工免疫聚类学习算法来确定模糊集合的划分,并确定模糊神经网络的结构和初始参数,能以较少的模糊规则达到理想的建模精度,仿真结果表明了该方法的有效性。     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。     

FNN上的竞争学习及混合学习方法

本文根据（１）所提出的ＦＮＮ结构,首先讨论它的学习方法,字除了可以应用到ＦＮＮ上的输入均值和输出权重的调整外,还可以用于实现网络连线的裁剪。然后对混合学习竞争学习与反向传播学习结合使用）算法的实现问题加以探讨。     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

一种改进型快速BP训练算法

本文以自适应步长调整代替ＤＦＰ优化方法中的一维搜索，并将它应用于前馈神经网络训练中。同时对步长的衰减因子和增长因子进行动态自适应调整，提高了ＢＰ训练算法的收敛速度和摆脱局部极小的能力，实验结果证明了该算法的有效性。     

基于模糊神经网络的周期性结垢预测方法研究

针对间歇换热设备的周期性结垢现象,以及由此引起的对象特性时变并造成常规控制器动态性能下降等问题,提出了一种基于模糊神经网络(FNN)的周期性结垢预测方法.把间歇换热设备的周期性结垢分解为可逆垢和不可逆垢,通过两个多入单出四层模糊神经网络分别学习结垢的短周期可逆垢增长趋势和长周期不可逆垢增长趋势,并由两者的组合得到更为精确的污垢热阻预测值.实验结果表明,使用该方法对于一类间歇式麦汁蒸发器污垢热阻的预测精度较经验估计式明显提高,利用该预测方法所构造的时变增益补偿因子在麦汁蒸发器蒸发强度控制系统中亦获得了成功应用.     

基于监督保局子空间虚假近邻准则的原始特征选择

提出一种基于监督保局投影(SLPP)与虚假最近邻(FNN)准则的原始特征选择方法。该方法首先将非线性原始数据映射到监督保局子空间,消除样本数据输入变量之间的相关性;然后,利用虚假近邻点方法计算剔除每个原始特征前后输入样本在监督保局子空间里的相似性测度,获得每个原始特征对类别变量不同程度的解释力;最后,从全特征开始逐步剔除解释能力弱的特征进而获得多组特征子集,并建立最近邻分类器,识别率最高且含特征数最少的特征子集即为最优特征子集。采用合成数据对该方法进行了仿真验证,结果表明,该方法可获得与数据集本质分类特征吻合的最佳特征子集。将该方法应用于选择真实的低阻油气层特征,获得的最佳特征子集比全特征集合的特征数量减少了50%以上,分类识别率高出8%。结果显示该方法具有优秀的原始特征选择能力,是一种有效的非线性特征选择方法。     

水下机器人传感器及推进器状态监测系统

为了保障水下机器人作业安全,提高其智能程度,提出了基于RBF(径向基函数)网络和FNN(模糊神经网络)的水下机器人传感器及推进器状态监测系统。根据对预处理后的传感器信号进行分析,传感器监测模型检测传感器的故障,并对出现故障的传感器信号进行恢复,将其作为水下机器人的实际运行状态参数提供给推进器监测模型;推进器监测模型输出与传感器实际输出共同作用,通过评价模型即得到了相关推进器的状态信息,并实现了故障定位。某型水下机器人的真实试验数据的计算机仿真结果验证了提出的监测系统的有效性和可靠性。     

基于模糊神经网络的船用柴油机智能故障诊断

船用柴油机是整个船舶的动力装置,如果发生故障就会对船舶的安全性造成很大的威胁,因此,如何迅速判断故障发生的原因,进而有效排除故障,对保证船舶的正常航行具有特别重要的意义.针对船用柴油机故障多,且具有复杂性和模糊性的特点,以及模糊神经网络在解决非线性复杂问题方面具有的独特优势,提出了一种基于模糊神经网络的船用发动机智能故障诊断专家系统.该系统结合了模糊逻辑理论、人工神经网络以及专家系统的优点,推理速度快,容错能力强,且具有简单实用的人机界面.仿真结果表明,该系统不仅操作使用方便,而且故障诊断结果准确,具有广泛的应用价值.     

Intelligent Video Traffic Smooth Mechanism for Multimedia Communication

A principal challenge in supporting real-time video services over ATM is the need to provide synchronous play-out in the face of stochastic end-to-end network delays. In this paper, an intelligent traffic smooth mechanism ( ITSM ) is proposed to meet the continuity requirement which is composed of a back-propagation neural network ( BPNN ) traffic predictor, a play-out buffer, and a fuzzy neural network ( FNN ) based play-out rate determinator. The BPNN traffic predictor online predicts the mean packet rate of the traffic in the future interval ( FI ) and the FNN is designed to adaptively determinate the play-out time according to the number of packets in the buffer and the traffic character predicted. Simulation results show that compared to the window mechanism, ITSM achieves high continuity with accepted delay. Furthermore, ITSM can be adaptively modified to meet the QoS of different kinds of services by FNN parameter training.