基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)

利用神经网络的自适应、自学习等特点和模糊系统的人脑性等特点来弥补相互的缺点，使它们结合产生一种基于神经网络的模糊系统，并用该系统提取我国经济增长的模糊规则。     

基于模糊神经网络提取我国经济增长的模糊规则(Ⅱ)

利用神经网络的自适应、自学习等特点和模糊系统人脑性等特点来弥补相互的缺点，二者结合产生一种基于神经网络的模糊系统，采用BP算法对系统参数进行调整，最后用该系统提取我国经济增长的模糊规则。     

基于化工过程预报的模糊聚类神经网络系统

为了解决化工预报过程中的复杂问题，利用神经网络、模糊系统和演化算法等智能控制理论，提出了模糊聚类神经网络系统模型（FCNNS）。该模型的特点是利用模糊聚类算法提取典型数据，然后将典型数据送入神经网络系统进行学习产生模糊规则。该模型缩短了规则生成的时间，有效地防止了规则数爆炸，并在化工过程预报的应用中获得理想效果。     

基于模糊神经网络的电液比例系统同步控制方法

以某厂钢坯翻转系统为例,建立电液比例阀动态方程及其控制框图,提出基于模糊神经网络的电液比例系统同步控制策略,构建基于模糊神经网络的同步控制器,详细叙述了模糊神经网络的基本结构和运算法则.结果表明,该控制方法具有控制精度高、动态跟踪性能好以及鲁棒性强等特点,能很好地满足实际工作要求.     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法.采用结构辨识和参数辨识相结合的方法,构造模糊系统完善的模糊规则库.用此设计方法对函数逼近问题进行仿真,结果表明该方法具有规则数目少、学习速度快、建模精度高等特点.     

模糊神经网络理论及其应用

本书是《机器感知与人工智能》丛书的第59卷。模糊神经网络和神经模糊系统具有较长的发展历史，最初是1975年由Ed Lee发表的关于模糊神经的论文提出的。神经模型系统可以被看作为神经计算与模糊逻辑的协同合作。它从神经计算继承了与学习及近似相关的概念和技术。从模糊逻辑继承了成粒作用、语言变量、模糊蕴含规则、推理规则及约束传播。本书系统地综述近年来模糊神经网络领域中的研究成果，全面介绍了理论及其对系统建模和图像恢复方面的应用，提出了模糊神经网络的发展方向，强调了模糊神经网络的基本概念与总体结构的分析。本书的特殊之处在于研究了各种各样的模糊神经网络和它们的学习算法与通用近似，并且采用了精心设计的模拟实例来帮助读者掌握基础的理论。     

模糊神经控制器在全自动洗衣机中的应用

模糊逻辑和神经网络都是处理不确定性 (受控对象缺乏精确的数学描述或具有时滞非线性等复杂性 )问题的有效手段。但模糊逻辑具有模拟人脑抽象思维的特点 ,适合于直接表示知识。而神经网络具有模拟人脑形象思维的特点 ,具有学习 ,记忆 ,容错等能力 ,二者存在一定的互补性。将神经网络引入模糊逻辑控制器可以更好地提高控制系统的智能性。     

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。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

一种递归模糊神经网络的广义预测控制方法

提出了一种递归模糊神经网络(RFNN),通过加入向量调节层,提高了网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制规律。仿真结果表明该方法具有较高的控制精度以及一定的抗干扰能力。     

基于模糊神经网络自适应控制研究

为了改善模糊神经网络控制系统的收敛速度,提出一种模糊神经网络自适应控制方案,在传统控制结构的基础上增加系统输出反馈网络,一方面使得控制量包含更多的系统动态信息,另一方面,也不至于增加模糊神经网络控制器的复杂度。仿真结果显示此种结构能够加快控制系统的收敛速度。     

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。     

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。     

基于模糊神经网络的机械手自适应控制

单纯的神经网络和单纯的模糊系统具有各自的优点和缺点,模糊神经网络是两者的结合,它可吸取两者的优点而达到更优良的性能。这里提出了一种基于模糊神经网络的自适应控制方法。在利用常规控制器提取初始模糊规则的基础上,利用专家经验对初始规则进行补充,最后再利用误差的反向传播算法对参数进行在线的自适应调整。该方法用于机械手的跟随控制,两个模糊神经网络分别用于主回路控制和对象的逆模型,最后得到了优于样本控制器的跟踪控制效果。     

基于模糊神经网络的压边力优化控制专家系统

说明了压边力优化控制模糊神经网络专家系统的总体结构框架及系统各模块的功能,对模糊神经元的选取、模糊神经网络的构造和模型神经推理机制进行了深入的阐述,针对板料拉深过程中的变量选取了模糊神经网络的输入输入参数。在板料拉深过程中,应用压边力优化控制模糊神经网络专家系统实现了冲压成形过程的智能化控制。     

利用神经模糊系统从数据中挖掘模糊逻辑

提出一种利用神经模糊系统从实验记录的曲线或者数据中挖掘模糊逻辑规则的方法。首先根据生产控制系统的实验记录的曲线或者数据,初步确定一个“if…then”模糊逻辑规则模型;然后利用具有非线性特性的神经网络和模糊推理中的模糊逻辑运算,构造了一个神经模糊系统;通过有导师的误差反向传输学习,将训练后的神经模糊系统的网络联接权的变化结合为模糊逻辑规则的变化和修改,从而实现了从实验记录的曲线或者数据中推理、归纳的模糊逻辑控制规则。     

提高估算软件成本精度的方法研究

指出已有的软件成本估算方法中的问题,提卅采用模糊神经网络方法构建软件成本的快速估算模型来提高估算精度。将60个软件项目的相关数据作为样本,分别对神经网络和模糊神经网络两种系统进行训练。将两种模型的训练和估算结果进行比较．结果显示模糊神经网络模型在软件成本估算上比神经网络模型具有更高的学习效率和估算精度。