基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.     

板球系统的模糊神经网络控制算法研究

针对具有非线性特性的控制系统,提出了一种逐级模糊神经网络控制算法。该系统控制采用了补偿模糊神经网络算法和逐级模糊控制规则。在matlab仿真环境下对简化的模型进行了仿真实验。通过仿真结果可以看出,该控制算法比传统的模糊控制具有更好的控制表面,更能适应复杂多变的非线性准确控制;补偿模糊神经网络算法在训练时,具有学习速率快、准确度高和扩展性好等优点。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

补偿递归模糊神经网络及在热工建模中的应用

在传统的模糊神经网络中引入递归环节和补偿环节,构成了一种新型补偿递归模糊神经网络(CRFNN),改善了网络的动态响应特性和学习能力.在此基础上,采用一种新型序贯监督策略对网络进行结构辨识,能够有效地确定模糊规则的条数以及相关参数的初始值.针对CRFNN的结构特点,提出了改进的BP算法,能够对网络的结构参数进行进一步的学习.对典型的热工对象以及复杂的ALSTOM气化炉进行的建模计算结果表明,提出的CRFNN具有优良的动态响应特性和很强的学习能力,值得在热工建模与控制领域中推广应用.     

基于补偿模糊神经网络的BLDCM伺服控制

为了实现无刷直流电机(BLDCM)位置伺服系统的高精度位置跟踪控制,针对系统多变量、非线性、强耦合、时变的特点,提出了一种基于补偿模糊神经网络控制器(CFNNC)的设计方法.该控制器将补偿模糊逻辑和神经网络相结合,引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.仿真和在DSP控制系统上的实验结果表明,采用补偿模糊神经网络控制器,系统响应快、精度高、鲁棒性强,动态特性明显优于传统PID控制.     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

基于改进遗传神经网络的微硅加速度传感器动态补偿研究

比较遗传算法与神经网络的特点, 并对将遗传算法用于函数连接型神经网络(FLNN)的优点进行了研究.对遗传算法的编码方法、交换和变异操作做了改进,提出了一种融合改进遗传算法的FLNN用于微硅加速度传感器动态性能补偿的新方法.该方法不依赖于传感器的动态模型, 可根据传感器的动态响应数据, 建立补偿模型,采用改进遗传神经网络搜索和优化补偿模型参数,既保留了遗传算法的全局搜索能力,又具有神经网络的鲁棒性和自学习能力.介绍补偿原理及算法, 给出动态补偿网络的数学模型.结果表明, 该补偿方法能克服FLNN收敛速度慢、容易陷入局部极小的缺陷,具有网络训练速度快、实时性好、良好的全局搜索能力、精度高、鲁棒性好及动态补偿器实现简单等优点.     

基于模糊神经网络的车牌图像识别方法

提出了一种基于模糊神经网络的方法对汽车车牌字符进行识别.该方法首先基于Rough Sets.思想获取初始规则和训练集,基于图像识别目标确定网络结构,通过神经网络的学习算法对网络进行优化.然后根据图像识别的模糊特性,利用模糊神经网络对汽车车牌进行精确的识别.实验结果证明该算法比常规识别算法识别率更高.     

基于粒子群优化的网络安全态势要素获取

针对网络安全态势感知中态势要素获取困难问题,给出一种基于粒子群优化的网络安全态势要素获取模型.在获取模型中,引入模糊技术对输入的历史态势要素集进行模糊化预处理后,转化为模糊逻辑规则,映射到神经网络层与层之间,以提高神经网络的学习能力.利用粒子群优化算法优化神经网络的连接权以提高神经网络的学习精度和速度.仿真实验结果表明,该模型是一种有效可行的态势要素提取技术,并具有较好的泛化能力.     

基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。     

融合阴阳补偿理论的软计算故障诊断方法

应用软件计算方法,融合模糊理论,神经网络和遗传算法的优点,结合阴阳补偿理论设计一种用于柴油机振动故障诊断的新方法,该方法补了单独使用模糊方法或人工神经网络方法存在的规则数多和收敛速度慢等不足,其中推理系统采用的是模糊神经网络知识发现系统FNNKD（fuzzy neural network with knowledge discovery),应用该系统虽然花费的训练时间较长,但通过训练得到的系统参数可以达到全局最优,应用时,识别精度高而计算复杂度较低,通过CA10B汽车变速箱齿轮和轴承故障振动试验验证了该方法的可行性。     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用     

类似CMAC的模糊神经网络及其在控制中的应用

提出的一种模糊神经元网络是模糊逻辑的一种网络结构的实现。该网络由特征网络 和功能网络两部分组成。特征网络用来产生模糊规则的前件，相应于每条规则的适用度。功能 网络用来实现模糊规则的后件。最后的输出则为各模糊规则后件的加权和。该网络具有小脑模 型关节控制器（ＣＭＡＣ）的一些性质，具有神经元网络和模糊逻辑两者的优点。它既可以容易地 表示模糊和定性的知识，又具有较好的学习能力。文章同时给出了网络在控制中应用的两种实 现结构以及用作非线性映射的一个算例。     

基于自适应神经模糊推理的精馏分离序列综合

模糊推理能够反映自然语言要素信息传递特性,自适应神经技术能够实现优化建模,通过抽象有效重组判据参数提炼模糊if-then规则,通过构造样本数据进行自适应神经学习训练,根据模型优化参数创建Sugeno模糊推理模型,系统化提出基于自适应神经模糊推理的精馏分离序列优化综合方法。     

基于规则的T-S模糊神经网络

该文提出了一种基于规则的Ｔ－ Ｓ模糊神经网络的结构和相应的算法。首先用自组织算法对学习数据进行聚类生成一组初始的模糊规则,然后用误差反传法细调网络参数,通过仿真验证,该模糊神经网络具有结构简单,拟合精度高等优点。