基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

基于模糊聚类的二型模糊神经网络系统辨识

二型模糊神经网络结合了二型模糊系统描述实际情况不确定性和神经网络的学习能力,在非线性系统的辨识中得到了广泛应用。二型模糊神经网络参数学习使用最多的是反向传播算法算法,该算法原理简单,易于实现。但是该算法对初值敏感,不合适的初始会导致算法收敛于非最优解或者发散。针对反向传播算法的这一缺点,提出了一种基于模糊C均值聚类的区间二型模糊神经网络辨识算法。该算法选择高斯型隶属度函数,将模糊C均值算法得到的聚类中心初始化高斯函数的中心,而高斯函数的宽度利用模糊C均值聚类算法的隶属度和中心求取。通过2个非线性系统的辨识效果表明,提出的辨识算法具有较高的辨识精度,收敛速度较快。     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法,神经网络采用RBF网络结点结构,聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中,仿真结果表明具有并行实时性、聚类能力强的特点。     

基于Pareto多目标遗传算法的模糊系统设计

提出一种基于Pareto多目标遗传算法生成一组精确性和解释性较好折衷模糊系统的方法.该方法采用模糊聚类算法辨识初始的模糊模型,利用匹茨堡型实数编码的遗传算法对初始模糊模型的结构和参数进行优化,基于NSGA-Ⅱ算法的目标函数同时考虑模型的精确性和解释性;最后,在算法中利用基于相似性的模型简化方法约简模糊系统.利用该方法对两个Benchmark系统进行建模,仿真结果验证了该方法的有效性.     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法,采用模糊C均值聚类(FCM)算法划分输入输出数据空间,最后将该算法应用于丙烯腈收率的预报,仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。     

基于模糊神经网络的球团密度在线测量

提出了一种在线测量球团密度的新方法．该方法以模糊神经网络技术为基础,综合考虑制团过程各因素对球团密度的影响,建立起球团密度的软测量模型．在软测量模型中,采用模糊神经网络模型描述球团密度变化的非线性过程,并提出了一种改进的模型辨识算法,利用减法聚类法确定合适的聚类组数目,并用实数编码的遗传算法优化全局参数,从而获得了结构简单、具有较高精度的模糊神经网络软测量模型．根据此方法,设计了测量装置,并进行了现场试验,试验结果表明软测量模型输出与实验室测量值基本一致,平均误差较低且最大误差未超过0．05g／cm^3．     

自组织模糊神经网络的结构辨识算法

针对自组织模糊神经网络,提出了一种新的结构辨识算法.通过建立输入和输出相似性准则,提出一个用于提取模糊规则的新型聚类算法.所提方法的显著优点是克服了传统神经网络的维度灾难问题.     

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

在模糊C-均值聚类问题目标函数中使用正则化泛函,将聚类中心解的误差指标引入到模糊聚类的目标函数中,构造出新的模糊C-均值聚类算法RBFCM(Regularization based Fuzzy C-means)算法.算法RBFCM不仅具有较高的聚类精度,且计算结果具有更好的稳定性.进一步,将此RBFCM算法应用于基于T-S模糊模型的系统辨识问题.由于RBFCM算法优化了模糊系统的输入空间划分,提高了隶属度函数的精度,使得后继得到的T-S模糊系统辨识精度也有所提高,且系统辨识过程的收敛速度也有所改善.最后,通过对经典IRIS数据集、带有噪声的IRIS数据集的聚类算例和对Box-Jenkins煤气炉数据集进行辨识算例,验证了RBFCM算法的有效性和优越性.     

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。     

SELF-LEARNING FUZZY CONTROL RULES USING GENETIC ALGORITHMS

This papcr presents a new genetic algorithms(GAs)-based method for self-learniag fuzzy control rules. An improved GA is used to learn to optimally select the fuzzy membership functions of the linguistic labels in the condition portion of each rule, and to automatically generate fuzzy control actions under each condition. The dynamics of the controlled system is unknown to the GA. The only information for evaluating performance is a failure signal indicating that the controlled system is out of control. We compare its performance with that of other learning methods for the same problem. We also examine the ability of the algorithm to adapt to changing conditions. Simulation results show that such an approach for self-learning fuzzy control rules is both effective and robust.     

采用神经网络和遗传算法组合的自学习模糊控制器

本文提出一种新型的、采用神经网络和遗传算法组合自学习构造模糊控制器的方法。该方法将神经网络的实时增强学习能力融合于遗传算法的全局搜索中,提高了系统的收敛速度、实时学习能力和控制性能,而不需要提供系统动力学知识和先验控制经验。作者以倒立摆系统和家用空调器作为控制对象,通过仿真计算检验了该方法的有效性。     

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。     

基于神经网络的模糊控制

从最优化角度出发，用神经网络解决模糊控制系统的规则提取问题，给出了可靠的基于ＢＰ算法的神经网络学习过程。讨论了模糊子集个数的选取与系统复杂性、精确性之间的关系。     

基于模糊遗传优化支持向量机的系统辨识研究

在实际应用中支持向量机的参数选取问题一直没有得到很好地解决,限制了其应用。为了能够自动获取最优的支持向量机参数,提出了基于模糊遗传算法的SVM参数选择方法,用模糊逻辑在线调整遗传算法的交叉概率pc和变异概率pm,并采用基于模糊遗传优化的支持向量机回归和BP神经网络对非线性系统辨识问题进行了研究。仿真结果表明,在小样本情况下,支持向量机比神经网络具有更高的系统辨识精度和更好的泛化能力。     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

采用遗传网络算法实现非线性系统的神经网络控制

提出一种对于非线性系统遗传算法的神经网络控制模型 ,并给出了新的神经网络训练模型 .该模型的主要优点是 ,优化网络连接权重 ,优化网络拓扑结构     

模糊控制与模糊神经网络研究的现状及展望

回顾了模糊控制理论的发展历程，介绍了模糊产品和模糊硬件的开发概况，阐述了将模糊逻辑与神经网络相结合的模糊神经网络技术的研究动态，并对模糊控制学科的发展进行了展望。     

AGC控制技术的发展过程及趋势

综述板带轧钢厚度控制技术的发展和产生厚差的原因（主要有：温度、轧制力等）。在带钢厚度自动控制（AGC）中常用的智能算法有神经网络、模糊控制、遗传算法和模糊神经网络，总结其各自的特点及其在AGC中的应用，其中模糊神经网络取模糊控制和神经网络之长而去其所短，有独特的优势，并指出控制理论和智能算法的结合是AGC控制技术发展的大趋势。     

自适应模糊神经网络的优化辨识及仿真

利用优化理论对自适应模糊神经网络的辨识问题进行了研究，提出了基于共轭梯度法的网络辨识算法，通过与ＢＰ算法进行的比较仿真表明本方法切实可行。