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。     

基于模糊优化的多目标投资组合选择模型研究

将模糊集合的概念引入投资组合模型中，并将多目标投资组合模型中的收益、方差和偏度三个目标模糊化，用逻辑隶属函数作为新的目标函数．针对该模糊多目标投资组合模型，提出了一个动态遗传算法，算例给出了该模型的一个实例的最优解，并进一步解释了模糊尺度随决定逻辑隶属函数形状的参数的变化而反向变化的规律．     

新结构重心法去模糊单元电路设计

为解决模糊控制器电路设计中的去模糊运算问题,提出了一种数模混合电路实现的模糊控制器去模糊运算单元电路设计。通过对折叠型G ilbert乘法器电路作适当的扩展,提出了多路乘法器的设计,实现了多个输入电压与一个共同的乘数电压的乘法运算,并应用该多路乘法器和运算放大器设计了归一化激活度计算电路。应用归一化激活度计算电路和加权求和电路组成了该新结构的去模糊单元电路。采用无锡上华0.6μm混合信号工艺参数设计完成。H sp ice模拟结果表明该单元电路可以完成去模糊运算工作,并作为子单元电路应用于模糊控制器的VLS I实现。     

模糊多目标可靠性优化设计的遗传算法

给出模糊多目标可靠性优化设计的一个遗传算法.该方法利用模糊集隶属函数的特性将各子目标函数模糊化处理为能够反映各子目标相对重要程度,具有加权指数的协调满意度函数形式;通过加权函数将各子目标的协调满意度函数综合成统一的单目标优化模型,用遗传算法求解模型.通过实例验证该方法的有效性.     

基于T-S型模糊系统的复杂系统镇定控制器

针对局部可用非线性系统描述的复杂系统问题,基于T-S(Takageno-Sugeno)模糊模型,给出了一种设计非线性镇定控制器的方法.该方法所依赖的稳定性假定只涉及其中一个特定的模糊子系统和隶属函数的选取,而模糊规则库中的隶属函数可以依照一个明确的方向选择,所得到的非线性控制器依赖于隶属函数的选取,保证了全局模糊逻辑系统渐近稳定.通过仿真验证了该非线性控制器的有效性.     

基于加权BP神经网络的场地连续化分类

本文以四类标准场地模糊分类二维隶属函数为基础，以BP神经网络为手段，建立了一种新的标准场地模糊化方法，训练了现行抗震设计规范中4类标准场地的模糊化神经网络，克服了二维隶属函数在转折边界处不平缓和有突变的不足；并以所建立的4个标准场地模糊化神经网络为基础，建立了基于加权综合的场地连续化分类方法，给出了该方法分类结果的空间分布图，实现了场地分类的连续化，使场地分类结果更符合工程实际；工程应用实例表明，基于BP神经网络的场地连续化分类方法，能更合理、更客观地对工程场地进行分类，为更科学地确定地震作用和进行恰当的结构抗震设计提供了可能。     

低功耗模糊控制器的CMOS模拟电路实现

为了解决软件实现的模糊控制器速度低的问题,研制了模拟电路实现的模糊控制器.设计了以下单元电路: 结构精简的新型Z型、 Gauss型和S型隶属度函数电路、电流模求小电路和一种不需要除法器的重心法去模糊电路.以此构造的两输入一输出9条规则的零阶TS模糊控制器已在无锡上华0.6 μm CMOS工艺下制造.测试结果表明: 在±2.5 V的工作电压下精度为±3.5%, 功耗仅为3.5 mW, 模糊推理的速度是0.67×106 s-1.该控制器在功耗、精度和面积上有优势,可用于实时控制.     

基于模糊数学和神经网络的数学形态学方法

文中应用模糊数学的原理，采用构造隶属函数的方法，在实现二值图像数学形态学基本算法的基础上，结合人工神经网络的方法实现了一种更为灵活的数学形态学运算．该方法不仅能实现传统的数学形态学的基本运算，而且通过选取适当的权值和阈值还可以实现除噪、滤波、边缘检测等更复杂的运算．     

不同输出推理时模糊控制器的解析结构

以解析的方法推导得出了二维的、等腰三角形隶属度函数的模糊控制器在不同模糊合成运算和输出推理时的结构,并分析比较了各控制器的特性。     

基于三角形隶属函数输入的Mamdani模糊系统的混沌遗传算法

基于单值模糊化、乘积推理机、中心平均解模糊化和三角形隶属函数,获得了Mamdani模糊系统的解析表示.通过混沌映射产生混沌随机序列或伪随机序列的方法给出了模糊系统的适应值函数与误差函数,并通过对系统参数进行迭代、更新个体和逐步优化设计出单输入单输出Mamdani模糊系统的混沌遗传算法.     

一种模糊神经网络的硬件电路优化设计方式

为提高模拟电路实现模糊神经网络的精度,通过对模糊神经网络中的高斯函数电路、求小电路以及去模糊电路分别进行性能优化,从整体上达到模拟电路实现模糊神经网络中高精度、高速的特性要求.所设计的模糊神经网络整体电路采用电压模式实现,并通过逼近一个非线性函数来验证.所设计的模拟单元电路均采用TSMC 0.18 μm工艺参数设计完成.通过Cadence软件仿真,结果表明:在1.8 V的工作电压下,所提出的改进型单元电路具有精度高、结构简单、便于调节和扩展的特性,并且能够完整地实现模糊神经网络的控制.     

流体管网最不利环路的模糊分析

为了解决在流体管网的计算和分析中遇到的问题，借助模糊数学理论，引入模糊相对阻抗的概念，探讨了模糊最不利环路的算法及其决策方法。为解决含有不确定性输入参数的管网最不利环路分析提供了一条简捷而有效的途径。最后通过实例分析，给出了模糊最不利环路的隶属函数和总压降的决策方法。     

基于集对分析和隶属函数的轨道电路故障诊断

针对ZPW-2000A轨道电路状态评估、诊断过程中故障类型与征兆间存在多种不确定性等问题，将集对分析及隶属函数引入轨道电路状态评估及故障诊断中. 首先，对收集到的数据处理并分析故障类型与故障征兆的联系，建立故障类型集合；然后，利用集对分析建立故障类型与轨道电路运行状态的联系度，并利用熵权法结合集对分析确定征兆间的权重精确值；最后，利用隶属函数，描述运行状态与状态等级间的对应关系，建立故障类型同异反评价矩阵模型. 算例验证结果表明，结合集对分析与隶属函数的轨道电路评估方法有效反映轨道电路运行状态及故障类型.     

提高模糊控制器稳态精度的一种可实现方法

为了提高模糊控制器的稳态精度 ,首先研究了模糊推理算子 ,发现利用概率算子所推得的模糊控制表控制精度高 ;其次在 Mathematic环境下实现了模糊推理的程序化 .为模糊控制的研究提供了方便的条件 ,并给出增加模糊量化论域的典型模糊控制器的控制表 ( 2 1× 2 1 ) ;最后研究了隶属函数的分布对控制表的影响 ,发现非均匀分布的隶民各函数所产生的控制表数据有波动 .仿真结果表明 ,增加模糊量化论域的稳态控制精度明显提高 .     

一种基于解释性的遗传模糊分类系统设计方法

讨论了基于词语计算的模糊规则生成方法在遗传模糊分类系统中的应用,提出了一种新的遗传模糊分类系统的设计方法,在算法的变异过程中基于词语计算引入4个变异算子,对模糊隶属函数的形状进行调整,扩大算法的搜索空间,实验结果表明算法在保证了系统解释性的同时达到了较好的分类准确率.     

基于模糊高斯基函数神经网络控制的机器人视觉伺服系统

针对机器人视觉伺服控制系统中存在的不确定性问题,将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种把高斯基函数作为隶属函数的模糊神经网络视觉伺服控制器,该控制器不仅具有定性知识的表达能力,而且具有很强的在线学习能力。将所提方法用于三关节机器人"手-眼"视觉伺服系统的控制中,取得了很好的控制效果。     

电子电路故障诊断的神经网络数据融合算法

针对模拟电路故障元件诊断的不确定性问题,将BP网络引入数据融合之中,结合模糊集合论,构造－模糊神经网络故障分类器,并将其应用于电子电路故障诊断之中。通过测试电子电路中被诊断元件的工作温度和工作电压这2个物理量,求出两传感器对各待诊断元件的故障隶属度,利用模糊BP网络故障分类器进行数据融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性。     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

用遗传算法划分模糊量的语言变量覆盖范围

在模糊控制器设计中．模糊规则的确定以及模糊变量隶届函数的选取都是非常重要的，隶属函数的形状、模糊划分的覆盖范围对模糊推理有很大影响。本主要介绍在模糊规则确定时用遗传算法划分模糊量的语言变量覆盖范围，利用调整已给定形状下隶属函数参数的方法改变各语言变量的语言值所覆盖范围，以模糊控制器的推理结果与专家经验控制结果的方差最小作为遗传算法进行优化的目标函数。     

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.