基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

模糊神经网络在股价预测中的应用

讨论模糊神经网络在股价预测中的应用，模糊神经网络克服模糊规则产生对专家的依赖性及模糊集的非自适应性，隶属函数的自适应和模糊规则的自组织通过神经网络的自学习和竞争获得。通过一个股价预测实例验证了该方法的有效性。     

利用改进的中值滤波消除QuickBird影像中的脉冲噪声

QuickBird高空间分辨率遥感影像已在各个领域得到了广泛的应用,然而其在获取和传输的过程中通常会受到噪声,特别是脉冲噪声的污染,从而影响了其后续应用。为此,提出了一种基于改进中值滤波的遥感影像中脉冲噪声的检测和滤除算法。首先利用一维拉普拉斯卷积核和扩张函数检测图像中的噪声像素;然后利用向量中值滤波（Vector Median Filter,VMF）对检测到的噪声像素进行恢复。实验结果表明,相对于其它几种噪声滤除算法,所提出的算法取得了较好的噪声滤除效果。     

基于Chebyshev基函数模糊神经网络的快速辨识方法

神经网络的非线性逼近能力的研究是神经网络成为辨识模型的理论基础。首先研究了基于正交多项式函数的神经网络逼近理论和方法,并在此基础上证明了新型Chebyshev神经网络具有良好的非线性并研究了它的全局最优逼近性质。然后提出了一种用于复杂非线性系统辨识的基于Chebyshev基函数的模糊神经网络模型和学习算法。该模型以Chebyshev基函数为隶属函数,规则后件采用输入变量的线性函数,无需调整隶属函数的参数,只是采用BP学习算法学习后件参数,因而大大减少了模型算法的计算量,学习算法简单,加快了学习收敛速度,而且不使网络结构复杂,设计简单。仿真结果表明所提模型和方法的有效性。     

图像混合噪声的模糊加权均值滤波算法仿真

针对图像混合噪声提出了一种新型的模糊加权均值滤波算法。该算法以象素的灰度差为基础,通过构建T-S模糊模型来自适应地计算反映各象素噪声污染程度的加权系数,然后通过加权平均算法得出最终结果,因此,该算法能够有效地抑制噪声象素对其邻域象素的影响,极大地改善了滤波效果。基于Matlab的多组仿真实验结果表明,该算法具有很好的普遍性和自适应性,能够比较有效地保护细节信息,对混合噪声有很好的抑制能力。     

一类基于神经网络非线性随机系统自适应滤波

给出非线性MIMO随机系统可观性定义和条件，将非线性SISO确定性系统局部可观性理论拓展到非线性MIMO随机系统，基于这一理论在系统模型和噪声统计未知情况下，提出一类基于神经网络的非线性离散随机系统自适应滤波器的设计方法，考虑过程方程的动态特性和输出方程的静态特性，设计了动态神经网络作为系统的滤波器，前馈神经网络作为系统的输出预报器，充分利用已知观测信息训练两个神经网络，从而提高了状态估计的精度，该方法克服了扩展Kalman滤波要求模型和统计特性精确已知的不足，仿真例子验证了所提出的估计方法的有效性。     

一种模糊小脑模型神经网络

为了简化网络、提高网络的学习能力、便于对一些系统的建模,本文提出了一种小脑模型神经网络,将模糊逻辑的推理过程用小脑模型神经网络表示出来,其输入层采用模糊化的感受野,能有效地减少输入层的容量,提高逼迫能力。由于采用系统的模糊信息,可以按实际问题的性质初始化网络的结构与参数,有利于提高学习的收敛速度。学习结果能更真实地描述问题的实质。     

基于模糊神经网络的气动参数拟合

鉴于模糊神经网络可以充当万能逼近器,以任意精度逼近任何非线性函数,本文用模糊神经网络对气动参数进行高精度拟合。在飞行器轨迹计算中用拟合得到的计算公式计算气动参数,可大大节省计算机时和存贮单元,提高计算精度,仿真实验亦表明了这一方法的有效性和可行性,这在飞行器的轨迹计算中是值得采用和推广的方法。     

针对图像脉冲噪声的参数自调整滤波算法

提出了一种针对脉冲噪声的参数自调整图像滤波算法,该算法将基于相关性双阈值噪声检测的非线性滤波算法和基于最小相邻图像均方差的参数自调整算法有机地结合在一起,不需要了解原图像和噪声污染的信息,可以直接通过参数自调整算法对非线性滤波算法中的参数自动地进行优化选择。基于Matlab的仿真试验表明,该算法对脉冲噪声有非常好的抑制能力,并且能够很好地保护图像的细节信息,对各类不同密度的脉冲噪声图像进行滤波均能得到令人满意的结果。     

基于神经网络再建模的模糊PID控制器精简化研究

针对模糊控制算法的计算复杂性和实时性能差的问题,以模糊PID控制器为研究对象,利用神经网络的万能函数逼近能力,通过神经网络二次建模,精确的逼近已知的模糊PID控制器,从而减少运算量,实现实时控制.然后,给定不同的输入信号,分别用模糊控制器和等效神经网络模型控制同一个被控对象.结果表明,控制效果非常相似.因此,用精简的神经网络模型来代替模糊控制器,可减少计算的复杂性,避免维度灾难,提高实时性能.     

基于模糊RBF网络的伺服转台鲁棒控制

针对神经网络控制和复合控制各自的特点，采用一种模糊RBF神经网络复合控制的方法控制伺服转台，用模糊RBF网络进行伺服系统辨识，在线修改复合控制的参数，用来提高复合控制的鲁棒性。实际控制结果表明，所采用的方法具有很好的辨识能力和控制品质，并具有较高的鲁棒性。     

基于改进的灰色预测的模糊神经网络控制

采用等维新信息和提高原始数据列光滑度的方法对灰色预测模型进行改进,具有预测更准确的效果,结合采用模糊神经网络控制的精确稳定性特点,提出一种改进的灰色预测的孵化模糊神经网络控制算法,将其应用在具有大滞后、强干扰的孵化过程中。仿真和实际结果表明,提出的控制策略能够有效克服时滞过程的超调问题,具有较强的鲁棒性和自适应性。

Abstract：

Grey Predictive model was improved by using ＂moving window＂ and increasing the smoothness of original data,which can predict accurately,by combining grey predictive model with fuzzy neural network control algorithm which is accurate and stable.A fuzzy neural network control algorithm based on improved grey predictive model was proposed to be applied in incubation process which is lag largely and strongly disturbed.Simulation and running results show that the proposed control strategy can effectively overcome the overshoot caused by delay and has better flexibility and robustness.     

基于非线性自适应神经网络的柴油机振动信噪分离

根据柴油机振动信号非平稳性的特性 ,应用非线性自适应神经网络的方法对柴油机振动信号进行信噪分离 .应用结果表明 :该方法的效果好于用神经网络方法进行信噪分离的效果.     

基于模糊聚类RBF神经网络的生产指标预报模型

本文提出一种同图论中可达矩阵和区域划分思想相结合的模糊聚类方法,以此来确定RBF网络的隐含层节点数。并根据某选矿厂经济指标和生产指标之间的关系,建立了生产指标预报模型,并应用于选矿厂MES系统中,应用结果表明所建模型收敛快、预报精度高,使企业能够及时了解生产过程成本动态,优化生产运行管理。     

BF及模糊神经网络在旋转机械故障诊断中的应用

本文对模糊神经网络用于故障诊断较传统BP(Back-Propagation)网络的优越性进行了分析,并提出了一种利用模糊神经网络进行旋转机械故障诊断的新方法。在这种方法中利用RBF(Radial Basis Function)神经网络获得隶属度函数,并简化了模糊神经网络的训练,使得新的故障诊断专家知识更易于扩充到现有的故障诊断网络中。仿真结果表明,本文方法所构建的故障诊断网络易于扩展且有良好的诊断效果。     

基于混沌神经网络模型的预测控制器的设计及应用

根据具有混沌特性非线性、大时滞系统的时间序列重构相空间，计算相空间饱和嵌入维数、并以此为指导，建立混沌神经网络，即便在网络输入不完整或发生变异的情况下，该模型仍能对系统作高精度的短期预测；在此基础上，又设计了模糊神经网络预测控制器，实现了对非线性、大时滞系统高精度的自适应控制。将该控制器应用到单元机组负荷控制系统中，仿真表明了该控制有效性、快速性和鲁棒性。     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

基于模糊小波神经网络的BDI模型

为克服原有BDI模型可计算性差以及不能处理模糊问题的弱点,提出一种基于模糊小波神经网络(FWNN)的BDI模型,FwNN用神经网络来实现模糊化、模糊承诺和去模糊化的过程,并利用小波基函数作为模糊隶属函数,网络权值和隶属函数的形状均是可学习调整的.以一对一追逃问题为背景的仿真实验验证了模型及算法的可行性.     

基于改进递阶遗传算法的RBF神经网络分类器

针对通信信号调制类型识别,应用递阶遗传算法动态确定径向基神经网络分类器结构。建立了新的适应度函数,该函数简单直观,待定参数少;同时结合相关联赛选择方法对选择算子进行了改进,增加了种群进化的多样性,避免了早熟收敛。仿真结果表明改进算法能更好地确定分类器结构,分类准确率更高。