一类非线性系统的模糊建模方法

针对一类非线性系统的建模问题,以扇区非线性化为基础,提出了一种T-S模糊建模方法。首先在论域上确定出系统中非线性项的最大值和最小值;然后给出非线性项的隶属度函数;最后建立了非线性系统的T-S模糊线性模型。本算法计算简单,容易实现,同时,仿真结果也表明算法能够有效实现对原系统的逼近。     

一种用于非线性逼近的新型模糊神经网络

针对一般非线性映射的逼近问题，提出用分域逼近的通用算法来实现全局逼近，并据此构造了实现该算法的新型模糊模糊神经网络。通过仿真，将新型模糊神经网络和常用的BP和RBF两种神经网络进行比较。结果表明，该新型模糊神经网络的非线性逼近能力明显优于后两者，且权值具有明显的几何意义，设计难度相对较小，可用于解决复杂非线性函数的逼近问题。     

子波基神经网络及其建模

将神经网络与子波理论结合,构成新型的神经网络结构-子波基神经网络,不同于一般前向神经网络的是该网络的隐层单元的激活函数为不同尺度下的子波函数.该网络具有良好的逼近非线性的能力.本文将其应用于非线性系统建模.     

滑模控制中建模不确定性的自学习模糊预测

针对一类特定的非线性建模不确定系统,根据控制系统运行的历史信息,用模糊逻辑系统预测估计了当前时刻的建模不确定性,模糊规则后件参数在线自调整以使模糊系统输出能有效地跟踪实际不确定性,模糊系统优良的逼近能力使不含切换项的滑模控制保留了鲁棒性。     

模糊神经网络的非线性辨识理论及应用

论述了模糊系统和神经网络相结合的非线性系统辨识理论．通过分析模糊系统规则之间的隐含关系，给出具有非线性模糊关系的模糊神经网络非线性系统辨识方法，并用仿真方法进行了验证．最后讨论了网络的稳定性和收敛性．     

连续混沌系统的模糊建模

混沌系统是非线性科学的新研究领域。由于其复杂性和无规律性，混沌系统的数学模型一直难于建立，利用模糊逻辑系统的插值机理将关于被控对象的模糊推理规则库转换为一类变系数非线性微分方程，从而得到连续混沌系统的数学模型，提出了控制系统中混沌被控对象的建模问题的一种方案。对Rossler系统和Iorenz系统的仿真试验表明这一建模方法有较高的逼近度。     

基于矩形函数系的模糊神经网络及其应用

提出了一种基于矩形函数系的模糊神经网络，其特点是输入空间被划分为许多大小一致且互不相交的超立方体，而每一个超立方体中的模糊神经网络都具有常值输出，只有当一个超立方体内落入样本时，相应的样栈才被编码后作为“规则”记忆下来。因此，这种网络可以自动生成模糊规则，关于静态误差的定理表明，将这种网络用于一类非线笥系统的在线控制中，当输入空间的划分足够小时，可使非线性系统的静态误差任意小，仿真实全怨表明，将这     

改进的模糊Min-Max神经网络与模糊系统建模

应用改进的广义模糊Min—Max神经网络进行样本分类，并以此分类结果确定模糊系统所需的模糊规则数，再运用TSK模糊系统实现函数建模，该方法的优势在于，改进的广义模糊Min—Max神经网络具有较好的自适应分类能力，可用来初步确定模糊规则数和规则空间的划分。有效避免了模糊建模时常见的规则数选取之随意性，实验结果证明，该方法实用有效。     

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。     

一类非线性系统的模糊神经网络内模控制

针对一类开环稳定的非线性系统,提出了一种基于模糊神经网络的非线性内模控制方案.通过理论分析指出模糊神经网络模型可视为一类特殊的线性时变系统,其模型的解析逆可以直接获得,从而简化了非线性内模控制的设计.为了研究建模误差对闭环系统稳定性的影响,将建模误差转换为结构性不确定,采用μ方法分析了闭环系统的鲁棒稳定性.仿真结果验证了该方法的有效性.     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

基于混合学习算法的模糊神经网络控制系统

针对复杂非线性系统在控制过程中的不确定性及参数的时变性,设计了一种模糊神经自适应预测控制系统,通过误差补偿以提高预测控制的精度;对模糊神经网络（FNN）的学习算法进行了研究,利用遗传算法的全局搜索能力对FNN控制器参数进行离线优化,并对遗传操作进行了改进,使其最终搜索到全局最优或近似全局最优的附近,再利用BP算法的局部搜索能力和对对象的适应能力,进一步对参数进行在线调整。从而使系统具有更高的学习精度和更快的收敛速度,所得的FNN具有良好的泛化性能。仿真结果证明了本方法的有效性。     

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。     

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。     

类似CMAC的模糊神经网络及其在控制中的应用

提出的一种模糊神经元网络是模糊逻辑的一种网络结构的实现。该网络由特征网络 和功能网络两部分组成。特征网络用来产生模糊规则的前件，相应于每条规则的适用度。功能 网络用来实现模糊规则的后件。最后的输出则为各模糊规则后件的加权和。该网络具有小脑模 型关节控制器（ＣＭＡＣ）的一些性质，具有神经元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。文章同时给出了网络在控制中应用的两种实 现结构以及用作非线性映射的一个算例。     

模糊神经网络分析方法用于心肌缺血诊断的研究

介绍一种神经网络－模糊推理协作系统。神经网络有很好的学习能力和准确拟合任意非线性函数的能力。模糊模型将专家知识转换到神经网络中，然后把它应用于诊断系统，从而使得心血管疾病（心肌缺血）的诊断准确率大大提高。     

基于模糊数学和神经网络的上海市中小企业商务成本综合评价模型研究

尝试运用模糊数学方法对指标数据运用隶属度函数处理,在确立了中小企业商务成本综合评价指标体系的基础上,建立了模型。以一级模糊综合评价向量作为神经网络评价模型的输入,该网络具有四个因子输入,一个衡量中小企业商务成本的输出,总共六层结构,模糊规则层最大的优势在于根据具体问题情况进行调节的能力,所以利用神经网络模型对中小企业商务成本进行评价,由于神经网络的非线性处理能力使评价更具体和科学。利用Matlab7.0对178组样本数据进行实证分析,训练结果表明网络预测误差小。     

一种新的不下机器人运动控制方法

对神经网络和模糊理论在水下机器人运动控制中的应用进行了探讨,提出了神经网络多步预测模型的非线性广义模糊预测控制算法,用神经网络方法实现了对水下机器人这一非线性系统的在线计算、滚动优化和在线控制,采用强化学习方法来构筑模糊控制系统中的神经网络,给出了神经网络多步预测模型及相应的控制算法和操作过程,计算机仿真结果验证了本文所提方法的有效性。     

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．     

模糊神经网络在压边力智能控制中的应用

应用模糊神经网络专家系统实现了冲压成形过程中压边力的智能化控制，对系统模糊神经网络的构造和模糊神经推理机制进行了详尽的说明，介绍了压边力模糊神经网络和优化控制的设备及实现，并利用其对带凸缘的圆筒件拉深控制规律进行了研究。