基于时间序列的模糊聚类与规则提取信用评价模型

提出基于多维时间序列模糊聚类与模糊规则提取技术相结合的模糊分类系统,将其应用于信用评价研究.该方法利用投影寻踪技术对多维时间序列数据进行降维处理并进行模糊分类;根据分类结果和最佳投影值提取模糊规则,采用梯形分布法生成三个模糊隶属函数;最后根据计算模糊贴近度确定样本的信用级别.实例证明该方法具有良好的评价效果和实用价值.     

多粒度时间序列中模糊规则的提取

介绍了一种从多粒度时间序列中提取模糊规则的数据挖掘方法,该方法在时间序列中引入多重时间粒度,以模糊规则的形式给出数据挖掘的结果,建立多粒度时间序列的数学模型,并对提取模糊规则中所涉及的一些基本概念作出定义,在此基础上,给出数据挖掘的具体算法,通过实验证明了该挖掘算法的有效性。     

基于最小规则自组织映射的入侵检测算法

为了解决入侵检测模型中海量数据处理问题,降低计算复杂度,提高检测精度,提出基于最小规则自组织映射的入侵检测算法;通过在真实的入侵检测数据集上进行仿真实验,将该算法与普通椭圆补丁算法、简单矩形补丁算法以及决策树算法进行对比.结果表明,该算法在检测精度、稳定性和计算时间方面优于对比算法,验证了该算法的有效性.     

带模糊语义的神经网络规则提取

针对传统的规则提取方法在处理连续值输入属性时带有很大的盲目性,且其描述也不符合人类的认知习惯的弊端,在对比原有方法的基础上,引入模糊语义,提出了新的处理连续值函数的方法,从神经网络中提取出带模糊语义的符号规则,提高了规则的可理解性。因此,使用者可以很方便地验证它的正确性。通过把连续值神经网络转化成二值网络,利用二值网络布尔规则提取方法来提取带模糊语义的规则,更符合人们的思维习惯。     

自组织映射网络的应用与探讨

自组织映射可用于学习识别数据的类型，对同类样本聚类，文章探讨自组织映射网络的训练方法，并通过训练自组织映射网络实例来分析训练的可视化结果。     

基于自组织特征映射网络的综合评价模型

首先根据人脑思维的模糊性特点 ,以模糊集合论为基础 ,构造一种用于指导自组织特征映射网络学习过程的模糊熵准则 ,可以在较大范围内有效地解决自组织特征映射网络 (SOFM )的学习问题 .然后提出一种基于模糊自组织特征映射网络的综合评价模型 .该模型通过确定标准对象 ,数据的标准化处理 ,网络自适应学习和评价结果输出等环节 ,可以有效地解决一类综合评价问题 .最后通过一个实例进一步说明其灵活性与实用性 .参 6 .     

具有模糊联想神经网络的自组织模糊控制器

在分析了几种用神经网络实现的模糊控制器不足的基础上,提出一种用模糊联想记忆神经网络实现的自组织模糊控制器;该控制器由２个模糊联想记忆神经网络分别记忆校正规则表和修正控制规则表,并通过网络权值矩阵的在线修正完成控制规则的实时修正。模糊推理则由网络的自联想功能完成。     

散热器试验台送风系统规则自提取模糊控制试验

提出了环境试验室送风系统规则自提取模糊控制方法,试验研究了基于送风加热器调节的送风温度与测试室温度的模糊控制和比例积分(PI)控制效果.试验结果表明,对于无滞后环节的送风加热器-送风温度控制回路,传统PI控制方法具有较好的控制性能,收敛速度快;基本模糊控制方法收敛较慢,存在稳态误差;规则自提取模糊控制方法超调大,但收敛速度加快,稳态误差减小.对于具有滞后环节的送风加热器-测试室温度控制回路,规则自提取模糊控制方法超调小、稳态误差小、控制效果最好.可见,对于无滞后环节的被控过程,采用PI控制方法即可满足要求;而规则自提取模糊控制方法非常适用于具有大滞后环节的过程控制.     

转移双边序列空间移位自映射强混沌的充要条件

将单边序列空间移位口映射强混沌的充要条件推广到双边序列空间,给出其存在双向混沌集的充要条件和一系列等价条件。     

自组织特征映射（SOM）神经网络对模糊规则的优化

模糊系统规则库中的规则数目多,有时规则之间会发生重复、矛盾或冗余,为了避免这些情况的发生,本文利用自组织特征映射（SOM）神经网络对模糊规则进行优化,可以剔除对系统无用的规则,从而简化规则库,避免系统的多余计算,提高模糊推理系统的性能。     

基于规则的模糊信息的排序方法

以模糊数空间上的度量以及一族可以序化的模糊集(称之为规则库)为基础,引入了模糊数关于规则库的位值概念,建立了一种模糊数的排序方法,并通过模糊数关于规则库的符合度来进一步描述模糊数关于规则库的位值,给出了模糊信息的复合量化策略,讨论了位值和符合度的基本性质,为有效地解决某种意识下的不确定型优化问题奠定了基础.     

规则递归T-S模糊模型及其辨识方法

针对传统T-S模糊模型不能较好描述系统时变特性的问题,提出了一种基于递归策略的动态T-S模糊模型及其辨识方法.规则递归T-S模糊模型在传统T-S模糊模型基础上,增加了具有一定权重的反馈环节,该环节对当前激励强度与前一时刻激励强度进行加权和得到当前时刻新的规则激励强度,从而实现动态递归变化,有效描述了系统的动态过程.为使规则递归T-S模糊模型具有较少的规则数量和较好的泛化能力,前件参数采用一种基于规则激励强度的模糊聚类算法获得,而后件和递归环节参数则采用一种由支持向量机和粒子群优化算法组成的联合辨识方法获得.Box-Jenkins煤气炉的仿真结果表明,规则递归T-S模糊模型及其辨识方法具有较好的动态描述能力,与混合聚类方法相比,均方差降低了1.2％.     

基于模糊竞争学习和UD分解的模糊建模

为解决复杂系统模糊建模问题,研究了利用模糊竞争学习实现非线性系统的模糊建模方法.首先,利用模糊竞争学习方法划分输入变量的模糊输入空间,确定模糊模型的规则数、规则,实现模糊模型的结构优化.另外,为了克服递推最小二乘出现的误差积累、传递现象,采用基于矩阵UD分解的递推最小二乘方法确定模糊模型的结论参数,从而实现模糊模型的结构和参数优化.采用该方法对M ackey-G lass混沌时间序列进行建模研究,结果表明可以在线或者离线对M ackey-G lass混沌时间序列进行准确预测,效果较好.     

基于遗传算法的模糊规则自动获取

在遗传算法的基础上,给出了一种能够自动获取模糊规则的剪枝算法,并以此建立了新的网络模型．模拟结果验证了该模型的有效性。     

基于多因子高阶模糊变动的飞机操纵面故障趋势预测

针对飞机操纵面故障趋势预测问题,结合系统可测状态参量能间接表现操纵面故障情况的特点,提出一种基于多因子高阶模糊变动的方法。将传统的模糊时间序列预测方法进行扩展,利用多元时间序列的变动值构建多辅助因子模糊逻辑关系。采用自组织映射（SOM）方法将整个论域划分为不等长度的多个论域区间,并重新设定所属论域区间的隶属度。根据时间序列的周期性特点,建立多因子高阶模糊变动预测模型。为了验证算法的有效性,针对飞机转弯时左副翼损伤故障趋势进行预测和分析,并与传统模糊时间序列预测方法进行对比,用两种方法得到的预测结果通过建立好的故障映射模型进行故障类型和故障程度的判别,仿真结果充分表明了多因子高阶模糊变动预测模型具有更好的故障趋势预测能力。     

模糊逻辑系统的区域分割学习方法

模糊逻辑系统的区域分割学习方法采用规则前件为不对称高斯型隶属度函数的模糊逻辑系统。新规则生成的判据是模糊逻辑系统对新样本数据的逼近性能达不到期望逼近精度。方法定义了规则有效范围的概念，并假定模糊逻辑系统中各规则的有效范围不能互相冲突，在输入空间的一个点只能位于唯一一条规则的有效范围之内，并据此来确定新规则的有效范围，新规则的有效范围是由原所在规则的有效范围分割而来。方法的应用前提条件很少，只需要事先确定期望逼近精度和有效范围系数。     

神经模糊逻辑控制系统隶属函数和推理规则的确定

针对当前开发模糊控制系统的一个难点——发现最优的隶属函数和模糊规则，研究了利用神经元网络的学习能力，从历史数据中发现隶属函数和模糊规则，在一定程度上减轻了系统开发工作量，克服了由于缺乏经验而可能造成的偏差．文中采用了三个学习算法：Ｋｏｈｏ－ｎｅｎ自组织算法、有监督的竞争算法以及ＢＰ算法，设计了一个二输入一输出的程序，并提供了运行结果     

根据参考轨迹学习模糊控制规则

给出了在线调整模糊控制规则即控制查询表的简便方法．在建立了期望输出轨迹的基础上，通过与该期望输出轨迹的比较，对当前控制效果进行评价，并根据评价结果实时地修正直接导致当前状态输出的控制作用，使过程输出性能逐步改善．通过动态调整期望输出轨迹，可以使模糊控制器迅速适应过程环境的变化，保持良好的控制质量