一种基于改进BFO和RLS的模糊建模方法

为了提高非线性系统的模糊建模精度,提出了一种基于改进的菌群优化算法(IBFO)和递推最小二乘(RLS)算法的模糊建模混合学习算法。该方法采用T-S模糊系统进行函数逼近,首先用改进的菌群优化算法优化模糊模型的前提参数,然后用递推最小二乘算法优化模糊模型的后件参数,实现对模糊模型全局参数的优化。对非线性系统、煤气炉数据和气动加载系统的建模表明,该方法在逼近精度方面优于其他方法。     

自学习的诊断决策信息融合系统

研究了应用模糊测度理论融合诊断信息的方法 ,给出了一种基于模糊积分学习的模糊测度构造算法 ,并以其为核心实现了一种自学习的诊断决策信息融合系统 .     

自学习的诊断决策信息融合系统

研究了应用模糊测度理论融合诊断信息的方法,给出了一种基于模糊积分学习的模糊测度构造算法,并以其为核心实现了一种自学习的诊断决策信息融合系统。     

模糊神经网络及其在系统建模与控制中的应用

模糊神经网络是模糊系统和神经网络的有机结合,它吸取了两者的优点.给出了两个具体的模糊神经网络结构以及相应的学习算法;介绍了利用模糊神经网络建立T-S模糊模型的方法;讨论了基于T-S模糊模型的控制系统分析和设计.     

FMS—AGV传输系统自学习调度方法

针对ＦＭＳ－ＡＧＶ传输系统调度的不确定性因素,对ＡＧＶ在线运行状态参数实时记录并学习,运用动态规划算法和模糊数学的方法,提出了模糊动态规划（ＦＤＰ）算法．给出了适于计算的迭代算式,结合人工智能（ＡＩ）编制了ＡＧＶ传输系统调度软件包．本算法利用在线记录的ＡＧＶ运行数据进行模糊处理和学习,有效地调节用于描述ＦＤＰ算法的模糊模型参数．这种自学习ＦＤＰ算法在ＡＧＶ的路径规划中有较好的适应性．对于一个新的ＦＭＳ－ＡＧＶ系统,经几次规划自学习之后,该算法就能很好地用于系统的实时调度中．     

基于模糊聚类的二型模糊神经网络系统辨识

二型模糊神经网络结合了二型模糊系统描述实际情况不确定性和神经网络的学习能力,在非线性系统的辨识中得到了广泛应用。二型模糊神经网络参数学习使用最多的是反向传播算法算法,该算法原理简单,易于实现。但是该算法对初值敏感,不合适的初始会导致算法收敛于非最优解或者发散。针对反向传播算法的这一缺点,提出了一种基于模糊C均值聚类的区间二型模糊神经网络辨识算法。该算法选择高斯型隶属度函数,将模糊C均值算法得到的聚类中心初始化高斯函数的中心,而高斯函数的宽度利用模糊C均值聚类算法的隶属度和中心求取。通过2个非线性系统的辨识效果表明,提出的辨识算法具有较高的辨识精度,收敛速度较快。     

一种粗模糊神经分类器

介绍一种新的粗集编码模糊神经分类器。基于粗集理论的概念，讨论了知识编码、属性简化、分类系统简化的方法；并利用模糊隶属度函数将输入精确信息映射为模糊变量信息，解决分类中病态定义的数据问题和提高系统非线性映射的分类能力；提出了结合系统参数的重要性因子的网络的模糊推理方法和粗模糊神经分类器的网络结构以及有导师的最小平方误差学习训练算法。实现的粗集编码模糊神经分类器具有网络结构空间维数低、学习算法简单、网络训练时间短、非线性特性丰富等优点。     

多输入多输出复杂过程的模糊建模

针对 MIMO复杂过程提出一种通过实验数据获取模糊系统模型的方法 ,即将每一维输入变量的论域进行等间隔分割后确定出模糊规则的前件参数和规则总数 ,再由一种调整算法通过对实验数据的学习得到模糊规则的后件参数。理论分析说明这种模糊规则后件参数学习算法是收敛的、所建模糊模型能够以要求的精度逼近已知的实验数据。仿真举例验证了所述模糊建模方法的有效性并说明了所建模糊规则模型有较好的泛化能力     

基于最小二乘支持向量机的TSK模糊模型

为了提高模糊系统处理高维问题的推广能力, 本文提出用最小二乘支持向量回归机(LSSVR)的思想设计TSK模糊模型.TSK模糊模型的传统算法普遍存在过学习问题, 为此我们在目标函数中考虑了结构风险从而避免了过学习现象.并且,我们将模糊系统的参数寻优问题转化为一个二次规划问题进行求解.由于该规划问题的求解与输入数据维数无关,适用于处理高维数据.算法分为两步：首先用Gustafsonk-Kessel (GK)算法确定模糊规则的前件;然后用最小二乘支持向量算法确定模糊规则的后件,这里的核函数是由模糊聚类确定的, 经证明它是Mercer核.三个著名数据的实验结果表明,与TSK模糊系统的传统算法相比,本文所提的算法提高了TSK模糊系统处理高维问题的推广能力;与LSSVR相比,,本文所提的算法具有良好的鲁棒性.     

基于模糊竞争学习的模糊模型一体化辨识

提出了一种利用MGS(modified Gram-Schmidt)算法建立非线性系统模型的建模方法,并给出了基于MGS算法的模型结构和参数辨识的一体化方法,即利用MGS正交变换对通过模糊竞争学习的聚类结果进行变换,确定对模型贡献大的规则,删除对模型贡献小的规则,同时对模型中的参数进行估计,实现模糊模型结构和参数的优化.仿真结果表明,提出的方法能够对非线性系统进行模糊建模.     

Self-learning Fuzzy Controllers Based On a Real-time Reinforcement Genetic Algorithm

ＩｎｔｒｏｄｕｃｔｉｏｎＳｉｎｃｅｔｈｅｐｉｏｎｅｅｒｉｎｇｒｅｓｅａｒｃｈｏｆＭａｍｄａｎｉａｎｄｈｉｓｃｏｌｌｅａｇｕｅｓｏｎｆｕｚｚｙｃｏｎｔｒｏｌ[1] ,ａｓａｐｏｗｅｒｆｕｌａｐｐｒｏａｃｈｔｏｃｏｎｔｒｏｌｓｙｓｔｅｍｓｗｉｔｈｅｘｐｅｒｉｅｎｃｅｋｎｏｗｌｅｄｇｅ,ｉｔｈａｓｂｅｅｎｗｉｄｅｌｙａｎｄｅｆｆｅｃｔｉｖｅｌｙａｐ ｐｌｉｅｄｔｏｔｈｅｃｏｎｔｒｏｌｏｒｍａｎｙｓｙｓｔｅｍｓ,ｉｎｃｌｕｄｉｎｇａｎｕｍｂｅｒｏｆｒｅａｌｗｏｒｌｄｐｈｙｓｉｃａｌｐｒｏｂｌｅｍｓ Ｔｈｅｓｅｓ…     

具动态性能指标的医学系统自组织模糊控制

提出一个具有动态性能指标的完全脱离模型的自组织模糊逻辑控制系统.系统的性能指标由一个随机结构开始,评价规则通过一个基于自增强机制进行在线优化的微遗传算法来产生.算法对非线性麻醉过程中肌肉松弛状态的控制效果进行了验证.通过和标准自组织系统的控制效果比较,该算法的优势体现在因为自学习能力导致的控制鲁棒性上,它能够很好地处理变参数动态系统和大时滞系统的控制问题.在每轮控制中,所提出的算法都以少量模糊控制规则(最多18条)实现了控制要求.     

模糊神经网络在横向经济效益评价中的应用

从多目标决策角度研究了模糊神经网络在横向经济效益评价中的应用,并采用ＢＰ算法训练网络仅值及模糊子集的划分。对于同行业十个大中型企业的经济效益指标数据的建模与评价结果表明,该方法具有很强的学习与泛化能力,在处理诸如企业经济效益指标体系这种具有一定程度不确定性系统的建模与评价方面有一定的应用价值。     

用于机器手控制的在线的自组织模糊神经网络

基于动态自适应方法,本文提出了一种能动态生成自组织模糊神经网络(SOFNN)的新算法,并应用该算法能有效地估计机器手的非线性。本算法能自动划分输入输出空间,自学习调整高斯函数,模糊规则的构造及空间的划分数目是并行调整的。这个SOFNN算法的独特之处是:自组织动态结构、快速的学习能力,良好的鲁棒性。一个两自由度的工业机械手验证了其有效性。     

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GD-FNN的药物注射系统辨识

针对手动控制调节药物注射量缺乏正确性和低效的特点,将广义动态模糊神经网络（GD-FNN）应于药物注射系统辨识。学习算法在动态模糊神经网络算法基础上进行改进,以模糊完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性。同时,该算法能对模糊规则而且能对输入变量的重要性做出评价,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整。通过对药物注射系统的辨识和控制仿真实验表明改进后的广义动态模糊神经网络与动态模糊神经网络相比,可取得更好学习效率和辨识精度。     

基于有限带宽的NCS模糊动态反馈调度算法研究

带宽受限是影响网络控制系统正常运行的一个重要因素。将模糊控制理论引入反馈控制实时调度框架体系。提出了基于有限带宽分配的模糊动态反馈调度算法。该算法综合考虑了系统中各控制回路的控制偏差和偏差变化率。通过动态调节各控制回路的优先级,在满足系统的实时性要求的同时,能使网络具有较好的服务质量。仿真结果证明了所设计的算法要优于EDF算法,能够更有效的提高网络控制系统的控制质量。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于特殊二进制编码的自学习模糊遗传算法

为了提高自适应遗传算法(AGA:Adaptive Genetic Algorithm)的鲁棒性,并使之更有效地求解属于NP难类型的组合优化问题,提出了一种自学习模糊自适应遗传算法.该混合算法利用一个特殊二进编码标准GA在线学习AGA运行特性;通过强化学习方式自动设计和调整模糊知识系统,基于GA的自学习模糊技术可以获取AGA所需的优化模糊系统.仿真试验演示了采用所提出自动化方式设计的动态参数AGA系统及其自学习结果.试验结果表明,该算法可以用于解决类似于旅行商问题的组合优化问题.