模糊缺省推理的理论和方法研究

在一种含有补余律的模糊抽象代数系统（即ＦｕｚｚｙＢｏｏｌｅ代数）上，利用模糊逻辑公式与布尔函数的相互转换性，构造了具有模糊非单调推理能力的推理机制；从可应用性出发对模糊缺省规则进行了深入的讨论。该推理机制不仅增加了在量的描述方面的知识表达能力，而且在一定程度上解决了扩张存在性问题，提高了推理的效率。     

0模糊联想存储器及自适应学习算法在地震预报中的应用

介绍了模糊联想存储器ＦＡＭ（ＦｕｚｚｙＡｓｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ）的基本结构、ＦＡＭ的自适应学习算法以及ＦＡＭ推理机的原理，并成功地将其用于地震预报专家系统中．其成果表现为：在知识获取方面，用积空间聚类的方法，自适应地产生地震预报规则；在推理方面，用ＦＡＭ推理机实现了对结构性语言经验的综合推理．     

煤矿供水Fuzzy—PID控制系统

分析了目前煤矿供水系统存在的问题,提出了一种新的复合的控制方法,即Ｆｕｚｚｙ－ＰＩＤ控制,介绍了Ｆｕｚｚｙ－ＰＩＤ控制原理,系统组成及Ｆｕｚｚｙ－ＰＩＤ控制的实现过程。     

模糊—线性最优HGPSS原理

基于调速器控制的解耦性,提出在水轮机上通过调速器控制（ＨＧＰＳＳ）实现抑制低频振荡,并针对实现所面临的问题采用一种实现的Ｆｕｚｚｙ控制方法,为从根本上解决ＰＳＳ参数选择和多机协调存在的问题提供了一种思路。为真实反映水力系统的动态过程,在设计中引用弹性水击模型来描述水力系统的动态过程。仿真结果表明：Ｆｕｚｚｙ ＨＧＰＳＳ理论上是正确的,有很好的应用前景。     

二级倒置系统稳定性初探

本文主要对模糊控制二级倒置系统的稳定性进行了初步分析，绘制了不同控制方法及不同输出参量下的位相图，并据此对系统之控制状态（初始状态、采样周期等）进行了稳定性分析。提出了Ｆｕｚｚｙ控制多变量系统的一种分析方法，并应用该方法设计了参变量Ｆｕｚｚｙ控制器，且用之对二级倒置系统进行实时控制，取得了较好的效果。     

联想记忆系统的学习算法设计(I)

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法，用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比，具有学习精度高和记忆空间小的特点；且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明，这种ＮＦＩ－ＡＭＳ在信号处理，模式识别，及高精度的实时智能控制等领域具有很大的应用潜力。     

二级倒置系统稳定性初探

本文主要对模糊控制二级倒置的稳定性进行了初步分析，绘制了不同控制方法及不同输出参量下的位相图，并据此对系统控制状态（初始状态、采样周期等）进行了稳定性分析。提出了Ｆｕｚｚｙ控制多变量系统的一种分析方法，并应用该方法设计了参变量Ｆｕｚｚｙ控制器，且用之对二级倒置系统进行实时控制，取得了较好的效果。     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈（ＢＰ）网络只要其隐层节点数足够多就能解决任何形式的分类问题．应用标准（ＢＰ）网络识别多模式类分类问题时存在以下缺陷：（１）对不同模式类均使用相同数目的隐层元；（２）增加新模式类后，网络要重新学习；（３）网络识别的机理研究困难．笔者提出了一种局域连接前馈神经网络（ＬＣＮＮ）结构，其隐层神经元与输出神经元之间为局域连接，学习算法与ＢＰ算法类似．ＬＣＮＮ具有以下特点：（１）便于自构网络结构，提高网络的推广能力；（２）便于提取各模式类的不变特性；（３）具有较强的记忆能力，便于实现追加学习．以五种海底沉积层介质类型的分类识别为例，分别利用标准前馈（ＢＰ）网络与ＬＣＮＮ网络进行分类识别，结果表明：ＬＣＮＮ便于自构网络结构，具有追加学习的能力．     

基于Fuzzy语言场的Fuzzy集成算法及其实现

首先以生产装置危险等级评定为背景，提出Ｆｕｚｚｙ语言场与Ｆｕｚｚｙ语言值结构的新概念与相关性质；并将危险度语言场定为基准语言场，而将影响危险度的因素语言场统一归结到基准语言场中加以讨论，从而实现了易燃程度等状态到危险度描述的转化。其次，给出Ｆｕｚｚｙ综合集成算法，形成了Ｆｕｚｚｙ集合论、Ｆｕｚｚｙ综合评判、Ｆｕｚｚｙ聚类分析、Ｆｕｚｚｙ逻辑、Ｆｕｚｚｙ语言学、Ｆｕｚｚｙ统计学等方法的有机集成体。再     

（∈,∈ˇq）—Fuzzy线性空间

提出了（∈，∈ˇｑ）－Ｆｕｚｚｙ域及（∈，∈ˇｑ）－Ｆｕｚｚｙ域上（∈，∈ˇｑ）－Ｆｕｚｚｙ线性空间的概念，给出了一个Ｆｕｚｚｙ集是（∈，∈ｑ）－Ｆｕｚｚｙ线性空间的充分必要条件，讨论了（∈，∈ˇｑ）－Ｆｕｚｚｙ线性空间在线变换下的象及逆象。     

模糊 RBF 网络简化模型研究

在一定的前提条件下,提出一种简化的模糊ＲＢＦ网络模型．该网络由输入层、模糊化层、模糊联结层、合成联结层和输出层组成．同时,还给出网络的构造方法和自学习方法．仿真结果表明此网络对非线性、多变量函数具有良好的逼近能力．     

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。     

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。     

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.     

模糊神经网络在陶瓷配料系统控制中的应用

将模糊控制和神经网络技术相结合 ,借助神经网络的学习能力和信息存储能力来实现模糊推理过程 ,并记忆和调整模糊规则 ,从而自动生成模糊控制规则 ,建立模糊神经网络。系统对模糊神经网络进行离线学习 ,将训练好的模糊神经网络用于在线控制 ,仿真结果表明 ,本文方法用于对陶瓷配料系统的控制 ,取得了无超调、无静差等令人满意的效果     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

基于模糊神经网络的PI自适应控制器

利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力 ,将其与自适应控制方案结合 ,并取带有控制增量约束的广义目标函数作为优化指标 ,从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上采用带有动量项的BP算法。仿真结果表明了该方法的有效性。     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。