基于非线性动态系统辨识的D-FNN算法研究

D-FNN的基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看作是基于归一化的高斯RBF神经网络。D-FNN算法中,不仅参数可以在学习过程中调整,同时,也可以自动确定模糊神经网络的结构。非线性参数是由训练样本和高斯宽度直接决定的,只需一步训练就可以达到目标。由于修剪策略的应用,网络的结构不会持续增长,因而确保了系统的泛化能力。使用D-FNN对非线性动态系统辨识进行了仿真,并与相关算法作比较,从而发现了D-FNN算法的有效性和高效性。     

滑动窗与修剪技术的动态模糊神经网络方法研究

 提出了一种新型的动态模糊神经网络算法,该动态模糊神经网络的结构基于扩展的径向基网络。其算法的最主要特点是：使用滑动窗技术保持固定长度的数据来调整参数,避免了数据饱和;使用了修剪技术,使得网络结构不会持续增长,避免了过拟合及过训练现象,因而确保了系统的泛化能力。最后通过对血压的控制来验证动态模糊神经网络的逼近能力及所提控制方案的有效性。由仿真结果表明使用滑动窗与修剪技术的D-FNN控制器具有良好的性能。     

基于规则产生准则与修剪策略的D-FNN算法研究

提出了一种D-FNN结构及其学习算法,该D-FNN的结构基于径向基神经网络。模糊规则的产生由输出误差或可容纳边界的有效半径决定。修剪技术的应用,使得网络结构能够保持紧凑,学习速度快,确保系统的泛化能力。对所提算法作了详细探讨,并与相关算法作比较,从而发现了D-FNN的独特思想。编写了D-FNN的仿真程序,对具体案例进行了仿真。结果表明,D-FNN具有紧凑的结构和优秀的性能。     

基于高斯函数与分级学习的D-FNN算法研究

D-FNN基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看做是基于归一化的高斯RBF神经网络。该文提出的算法,学习前,模糊神经网络不需要预先确定,在学习的过程中,参数估计与结构辨识同时进行,并根据系统精度要求及模糊规则的重要性,自动地产生或者删除一条模糊规则。在学习速度、系统结构和泛化能力方面进行了仿真实验,仿真结果表明D-FNN具有更简洁的结构和优良的性能。     

一种改进的基于扩展的RBF模糊神经网络

针对Wu Shiqian等提出的动态模糊神经网络（D-FNN）,在参数估计时,对中心的调整直接采用输入数据会导致网络收敛速度慢、乏化能力不好的情况,提出一种改进的基于RBF的动态模糊神经网络（RBDFNN）.该网络采用连续学习的方法和分级学习的思想,在进行前提参数的估计时,高斯隶属函数的中心动态调整充分考虑了宽度调整对中心的影响,算法能自动地确定模糊规则.仿真实验表明,算法在收敛速度和乏化能力方面优于原来的算法.     

列主元SVD-QR方法修剪策略参数调整的D-FNN算法研究

针对动态模糊神经网络,提出了列主元SVD-QR方法修剪策略与参数调整的新算法。其中采用列主元SVD-QR方法修剪策略从给定的规则库中提取最重要模糊规则,使得网络结构不会持续增长,避免了过拟合及过训练现象;采用扩展的卡尔曼滤波方法把全局算法划分成线性和非线性部分,线性和非线性参数可以分别被更新,从而可以达到快速的学习速度。通过对血压的控制来验证所提出算法的有效性,结果证明了列主元SVD-QR方法修剪策略参数调整的D-FNN算法具有良好的性能。     

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。     

基于EKF与TLS动态模糊神经网络算法

提出了一种动态模糊神经网络(D-FNN)算法。在实际应用中,可以用卡尔曼滤波(KF)方法来调节D-FNN结果参数,同时,EKF (扩展卡尔曼滤波)方法用于更新前提参数的中心和宽度,从而使得所有参数都被修正。该算法可用于平滑、滤波或者预测非线性动态系统的状态,同其他基于梯度的在线算法相比,EKF可以加快D-FNN收敛速度。采用总体最小二乘(TLS)方法作为修剪技术来选择D-FNN重要的模糊规则。如果在学习进行时,检测到不活跃的模糊规则并加以剔除,则可获得更为紧凑的D-FNN结构,TLS方法是用来补偿线性参数估计问题中数据误差的一种技术。最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性。     

基于F-范数的变换域通信系统同步参数估计算法

在异步条件下应用特征值分解算法估计变换域通信系统基函数时,分段得到的特征向量存在模糊现象,此时将造成系统接收性能的下降。为了解决此问题,提出了基函数周期序列的同步算法。详细分析估计基函数的特征值分解算法,推导接收数据的采样延时与其自协方差矩阵特征值的关系式,得到同步参数的最大似然估计方法,依据范数的等价性原理,进一步将最大似然估计中的最大特征值求解问题转化为F-范数的求解以降低算法复杂度。仿真结果表明:相比最大特征值算法,采用F-范数的估计算法性能一致,但计算时间明显减少,算法的估计精度与接收信噪比成正比。异步条件下当估计的基函数存在模糊时,系统接收性能在同步之后能得到较好的改善。     

基于F-范数的变换域通信系统同步参数估计算法

在异步条件下应用特征值分解算法估计变换域通信系统基函数时,分段得到的特征向量存在模糊现象,此时将造成系统接收性能的下降。为了解决此问题,提出了基函数周期序列的同步算法。详细分析估计基函数的特征值分解算法,推导接收数据的采样延时与其自协方差矩阵特征值的关系式,得到同步参数的最大似然估计方法,依据范数的等价性原理,进一步将最大似然估计中的最大特征值求解问题转化为F-范数的求解以降低算法复杂度。仿真结果表明:相比最大特征值算法,采用F-范数的估计算法性能一致,但计算时间明显减少,算法的估计精度与接收信噪比成正比。异步条件下当估计的基函数存在模糊时,系统接收性能在同步之后能得到较好的改善。     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

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.     

模糊聚类的侧扫声纳图像分割算法

针对侧扫声纳图像的特点,利用二维经验模态分解（BEMD）将图像分解成若干固有模态函数（IMF）和1个余量.分析了侧扫声纳图像背景区的图像频率特征,通过增强目标和阴影的特征信息降低噪声的影响.提取图像的高斯马尔可夫纹理（GMRF）,用来表达图像像素点间的空间关系,以减少图像的误分割.利用BEMD和GMRF改进模糊C均值聚类算法,提出了新的聚类准则和距离函数,形成一种新的模糊聚类算法.利用该算法对不同的侧扫声纳图像进行分割,并将分割结果与其他典型的聚类算法的分割结果进行比较,验证了该算法的抗噪性和准确性.     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

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.