利用Matlab的模糊逻辑入门

模糊逻辑意味着近似推理,信息选粒,用词计算。无论在学者中间还是在各种类型的编程员中间,模糊逻辑现在已成为热门的话题。在任何一个现实过程中,模糊总是存在的。这种模糊可能是由数据输入的判读产生的,或者是从用于描述信息属性的规则中产生的。模糊逻辑提供了一种推理结构,它使人类的推理能力能应用于基于人工知识的系统。     

基于化工过程预报的最优化模糊系统

本文主要以化工过程预报为研究目标,提出了最优模糊聚类神经网络系统模型（FCNNS）.该模型有下列突出优点：数据首先利用模糊聚类算法对原始数据进行提取优化,然后将优化数据送入模糊系统进行学习产生模糊规则;优化规则数和优化隶属函数的参数,最终达到模糊聚类神经网络系统模型的最优化.该模型不但可以缩短规则生成的时间,有效的防止了规则数爆炸,而且在化工过程预报的应用中获得理想的结果.     

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。     

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。     

无刷直流电动机自适应神经元模糊控制系统

针对电动汽车用无刷直流电动机负载波动较大的特点,采用自适应神经元模糊控制策略设计自适应神经元模糊速度控制器,以此提高系统抗负载变化的能力.模糊逻辑控制能够有效地利用语言信息,其控制规则容易表达,可用单神经元的在线学习能力实时调节模糊逻辑变量的权系数,利用离线学习能力补偿传统模糊逻辑控制所产生的系统偏差.理论和仿真研究表明,据此设计的控制系统具有较强的带负载能力和很好的抗负载变化能力,达到了预期控制效果.     

机器故障诊断模糊分类规则的归纳学习

机器状态的有效监控是机器安全运行,提高系统生产效率的重要途径,由于环境的复杂性与不确定性,现有机器故障诊断系统的可靠性还不能满足应用要求,为此近来年发展了模糊诊断技术,对于模糊系统而言,其关键问题在于如何获得解决具体问题的模糊知识或规则,为此提出了一种被称为模糊归纳学习的学习方法,并利用模糊信息熵概念建立了从不确定信息数据中归纳模糊规则的学习准则,实验结果表明,利用所提出的模糊归纳学习方法所获得的模糊规则能不确定怀数据进行有效分类,从而能有效地提高机器故障诊断系统的与可靠性。     

基于本体的模糊关联规则算法

模糊关联产生的大量候选数据项集使得在大型数据库中数据处理效率很低;提出基于本体的模糊关联规则挖掘系统;通过利用领域本体提高模糊关联规则挖掘效果,改变了挖掘算法,提出新规则．实验表明得到的新规则更有意义．     

基于模糊概念相似性与模糊熵度量的模糊分类算法

在AFS(axiomatic fuzzy set)理论框架下,提出了一种基于模糊概念相似性与模糊熵度量的分类算法.模糊分类规则的前件通过概念聚合得到,一种基于模糊概念相似性与模糊熵度量的概念选择函数指导聚合过程;然后,利用剪枝算法对得到的模糊规则集进行剪枝,得到最终的分类规则集.用8组来自UCI数据库的数据集作为实验数据对算法进行验证,并与7种经典分类方法进行比较.实验结果表明该算法能得到较高的分类精度,分类结果明显优于参照的分类方法.     

基于模糊逻辑的产生式规则拓展

在CAPP系统中,工艺知识通常采用产生式规则来表达.由于工艺知识具有模糊性和不确定性,而传统的产生式规则又难以表示和处理这类带有模糊性和不确定性的工艺知识,所以必须使用一些模糊的语言来描述这些知识并以此来进行推理.针对这一问题,提出了一个基于模糊逻辑的产生式规则模型,给出了模糊规则的产生式规则表达式以及模糊规则中各命题之间的逻辑关系,同时也指出了模糊规则的模糊匹配方式.     

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     

中国南部交通流量预测模型研究

交通流量预测是智能交通系统技术应用的重要组成部分.为提高预测水平,引进基于区间二型模糊神经网络的交通流量时间序列预测模型,给出了基于二型模糊神经网络的仿真算法.并结合广州市某高速公路为例对交通流量进行预测,对比计算了该方法与一型模糊神经网络预测方法的预测结果,仿真表明该系统具有精确性和高可信度,预测准确性明显高于传统的一型模糊神经系统.     

模糊目标信息系统上的逻辑及决策规则

基于模糊目标信息系统模型，并结合粗糙集相关的逻辑理论，提出了模糊粗糙决策语言FRDL，给出了FRDL中公式的定义、语义、可满足性有效性的形式化描述以及相关的性质。在此语言的基础上，给出了模糊目标信息系统上的决策规则、逆决策规则形式化描述和构造方法。FRDL所描述的逻辑表达方法以及规则推理公式为建立在模糊目标信息系统之上的决策支持系统、推理机提供了形式化的表示和推理方法。最后，在眼科近视诊断上进行的数据实验表明，这种形式化描述和推理方法比较合理。     

模糊神经网络控制系统

介绍了将神经网络和模糊控制相结合,即用人工神经网络算法产生模糊推进规则和隶属函数,再基于这些模糊推理规则和隶属函数产生模糊逻辑控制的一种新颖控制策略-模糊神经网络系统的组织结构及其神经网络的设计。     

船舶避碰的自适应模糊专家系统研究

采用自适应模糊系统和神经网络方法,研究了基于模糊联想规则的避碰操纵知识表示,知识获取和自适应学习;建立了基于二值输入输出模糊联想系统的并行模糊推理机制,由此而建立的船舶避碰撞模糊专家系统具有自适应学习能力,能实现实时避碰导航。     

基于模糊神经网络的数据挖掘算法

提出一种基于模糊神经网络进行数据挖掘的新方法。构成模糊神经网络的模糊化层采用高斯函数计算5个模糊隶属度,高斯函数需要的均值、方差以及隶属度的中心值都可通过预先计算采集到的数据得到。模糊推理层采用取小取大运算代替常用的积和运算,加快了网络的推理速度。在模糊神经网络训练阶段,首先利用重心法对模糊化层输出进行反模糊化,再采用BP思想,利用梯度法求误差值并进行反传调整隶属度函数的参数值。为提高网络推理精度和速度,通过设立相应的规则对网络进行裁剪,剪掉多余的节点和权值,最后依据一定的思想对产生的模糊规则进行简化和提取。以工业锻造中的智能温度控制系统的控制数据为例进行仿真,结果表明,该网络具有较高的精度和较好的鲁棒性。     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经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。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

Dynamic Reconstruction-Based Fuzzy Neural Network Method for Fault Detection in Chaotic System

This paper presents a method for detecting weak fault signals in chaotic systems based on the chaotic dynamics reconstruction technique and the fuzzy neural system （FNS）. The Grassberger-Procaccia algorithm and least squares regression were used to calculate the correlation dimension for the model order estimate. Based on the model order, an appropriately structured FNS model was designed to predict system faults. Through reasonable analysis of predicted errors, the disturbed signal can be extracted efficiently and correctly from the chaotic background. Satisfactory results were obtained by using several kinds of simulative faults which were extracted from the practical chaotic fault systems. Experimental results demonstrate that the proposed approach has good prediction accuracy and can deal with data having a -40 dB signal to noise ratio （SNR）. The low SNR requirement makes the approach a powerful tool for early fault detection.     

STATCOM的变结构神经网络模糊控制研究

提出了STATCOM用于维持接入点母线电压稳定的控制策略,根据控制策略设计了STATCOM的变结构神经网络模糊控制器.在设计控制器时,通过专家经验法和模糊规则自生成法对模糊规则知识库进行了初始化;通过变结构神经网络对模糊规则进行在线调整,增强了控制器的自学习、自适应能力;采用了基于语言变量优化匹配的原则对模糊逻辑推理进行优化,减少模糊推理的计算量,提高运算速度.数字仿真结果验证了该控制方法的有效性和正确性.     

一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把HCMA（Hyperball Cerebellar Model Articulation Conroller)与模糊逻辑理论有机结合起来，形成FHCMAC（Fuzzy HCMAC)，它便于从输入输出数据中提取模糊规则，直接用作控制器。可以将FHCMAC看作用基函数网络实现的模糊逻辑系统，兼有HCMAC神经网络和模糊逻辑两者的优点，即可以较容易表达定性或模糊的经验知识，又具有很好的学习性能，应用仿真实例验证了其有效性，该方法可应用于难以获取模糊规则的吻合。     

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。