模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

模糊推理神经网络的函数逼近能力

研究了模糊推理神经网络计算模型及其连续函数逼近能力。同时给出了模糊推理神经网络与传统BP神经网络的连续函数逼近等价定理 ,即任何一个传统的BP网络都存在某个模糊推理神经网络以给定的精度逼近它 ;任何一个模糊推理神经网络都有一个传统的BP网络以任意精度逼近 ,并且这两种网络都可以逼近定义在某一紧支集上的连续函数     

一种模糊神经系统的修正学习算法

本文在深入分析模糊神经系统的基本结构和学习算法的基础上,指出基于梯度下降的学习算法的不足,并提出一种模糊神经系统的修正学习算法。分析表明,该算法具有能够确保模糊语义和模糊空间一致划分的优点。     

模糊神经网络在决策专家系统中的研究与应用

解决知识“瓶颈”问题是拓宽专家系统应用领域的关键技术。在运用模糊集合理论的基础上 ,给出模糊决策规则定义 ,根据模糊神经网络理论 ,提出一种实现规则决策的层次型模糊神经网络 (FRDNN) ,设计 4类不同属性的神经元 ,结合开发的实用GSM网络优化专家系统的知识的特点 ,从“决策域”观点仿真分析并通过实例验证FRDNN的可行性 ,为解决实用专家系统的知识获取提供了新思路     

一种规则简化的模糊神经网络控制器

构造了一种实时模糊神经网络控制器，为解决模糊规则组合爆炸问题提供一个新方案。控制器基于T-S模糊模型，由前后件分离的网络结构实现。前件参数通过移动小论域法创建，每个变量仅在工作小论域上生成两个模糊子集，有效减少模糊规则，增强实时性；后件参数通过有ki,kp,kd修正因子的BP改进算法在线更改，控制意义明确，确保系统动态性能。仿真结果证实该控制器实时性好，控制性能优，鲁棒性强。     

模糊BP神经网络及其在故障诊断中的应用

概括总结了传统故障诊断系统的缺陷,介绍了模糊神经网络技术的优点及其在故障诊断中的优势,简述了采用模糊BP神经网络解决故障诊断     

模糊神经网络在炉温控制中的应用

本文提出一种模糊神经网络自学习控制方法，并应用于窑炉温度控制系统中。经实验仿真和应用结果表明，该控制方案可改善具有时变及大纯滞后的炉温控制系统，其性能优于一般Ｆｕｚｙ控制。     

无师训练Fuzzy Min-Max人工神经网络

提出了一种无师训练的ｆｕｚｚｙ ｍ ｉｎｍ ａｘ 人工神经网络,它兼有一般ｆｕｚｚｙ ｍ ｉｎｍ ａｘ 网与ＡＲＴ２网的优点,既弥补了ｆｕｚｚｙ ｍ ｉｎｍ ａｘ 网不能自适应在线学习新类的缺陷,又消除了ＡＲＴ２网警戒门限过高的弊病。经模式识别仿真对比,对同样的输入数据,我们提出的网络用较低的警戒门限值即可达到ＡＲＴ２用很高的警戒门限值才能达到的分类效果,且计算量大大减少。对模式识别而言,所提出的网络比ｆｕｚｚｙ ｍ ｉｎｍ ａｘ 网和ＡＲＴ２网更具有实用价值。     

A Fuzzy Reasoning System and Its Heuristic Inference Algorithm

ＡＦｕｚｚｙＲｅａｓｏｎｉｎｇＳｙｓｔｅｍａｎｄＩｔｓＨｅｕｒｉｓｔｉｃＩｎｆｅｒｅｎｃｅＡｌｇｏｒｉｔｈｍＺｕｏＸｉａｏｄｅ＆ＬｉａｎｇＹｕｎＤｅｐｔ．ｏｆＢｕｓｉｎｅｓＡｄｍｉｎｉｓｔｒａｔｉｏｎ，ＪｉｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏ...     

用于前向网络的自适应模糊训练算法

在对前向网络的学习机制和寻优机制进行研究的基础上,提出了一种自适应模糊加速训练算法,可在网络学习过程中,通过模糊推理,对网络拓扑结构、学习因子、惯性因子及激励函数进行自适应调整,实例验证表明该算法具有收敛速度快、不易陷入局部极小、网络综合性能好等特点.     

基于F数和插值原理的模糊神经控制器

本文给出了一种基于Ｆ数和插值原理设计的模糊神经控制器。它利用Ｆ数和插值原理增加了系统的信息量，解决了量化时量化等级选择的矛盾。利用神经网络的学习功能，通过学习，调整隶属函数、Ｆ数模型等来改善系统的输出响应。     

多层前馈二阶神经网络模型

本文首先建立多层前馈二阶神经网络模型，继而给出该模型的二阶Ｂ－Ｐ学习算法，在此基础上构造了二阶快速Ｂ－Ｐ（即ＦＢ－Ｐ）和改进的二阶ＦＢ－Ｐ（即ＭＦＢ－Ｐ）学习算法，在计算机上以两类飞机图像目标识别为例，对本文提出的多层前馈二阶神经网络模型及其三种二阶学习算法的性能进行仿真实验，并与传统的多层前馈一阶神经网络及其相应学习算法的性能作比较，从而获得若干有意义的结果。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。     

多层前馈神经网络的快速学习算法及其仿真研究

本文主要研究多层前馈神经网络的快速学习问题。文中首先概述了多层前馈神经网络的B—P学习算法,并分析了这种算法的主要缺陷,在此基础上提出了若干克服和缓解这些缺陷的技术方法,由此构造了一种新的多层前馈神经网络的快速B—P学习算法即FB—P算法。通过对FB—P算法学习过程进行较详细的分析,本文还建立了一种改进的FB—P学习算法即MFB—P算法。最后本文以三层前馈神经网络识别五类地面目标图像为例,对文中提出的FB—P和MFB—P学习算法的性能(即学习速度与推广特性)进行了计算机仿真实验,同时与B—P学习算法的性能作比较,理论分析与仿真实验表明:MFB—P与FB—P学习算法比B—P学习算法具有更快的收敛速度,且MFB—P算法收敛最快;MFB—P算法比FB—P和B—P学习算法具有更好的推广特性,而后两者的推广特性则大致相同。     

一种小波神经网络结构及其学习算法研究

基于仿射小波神经网络的逼近原理和结构设计问题 ,本文提出了一种新型小波神经网络结构 ,研究了其结构化设计方法和相应的学习算法 ,优化组合小波基元激励函数 ,实现了小波神经网络权系数的二次学习 ,避免了“维数灾”问题 ,改善了网络学习特性。计算机仿真结果表明 ,研究的小波神经网络结构及其学习算法简单有效 ,函数逼近更精确     

模糊推理和神经网络的集成在故障诊断中的研究

以故障诊断的理论和方法为基础 ,综合运用人工智能、模糊理论和神经网络理论 ,对复杂电子装备的故障诊断问题进行了研究。提出了模糊推理和神经网络的集成方法 ,介绍了集成的综合系统的基本结构和工作原理 ,描述了模糊故障诊断模型和改进的神经网络BP算法     

基于模糊集的神经网络景象匹配算法

将神经网络思想引入到景象匹配,提出了基于模糊集的神经网络景象匹配算法。该算法将图像模糊集作为特征空间,尝试了在模糊域中采用神经网络学习算法进行精确寻优。实验结果表明,设计的算法不但较好的满足了景象匹配系统对算法的性能要求,而且比传统算法具有更高的抗干扰能力。     

基于遗传算法的模糊神经网络智能控制器及其应用

提出了一种基于遗传算法的模糊网络控制系统,该系统采用模糊神经网络结构实现,它用遗传算法优化具有全局性的隶属函数参数,而用ＢＰ算法调节和优化具有局部性的网络权值参数。仿真结果表明该控制器可大大提高模糊神经推理控制系统的自学习性和鲁棒性。     

一种模糊神经网络自适应预测控制方案的研究

针对现有模糊推理方法的缺点,结合神经网络的学习能力和插值能力,提出了一种新型的模糊神经网络结构。在此基础上设计了一种模糊神经网络自适应预测控制方案,并导出了相应的学习算法。同时引入了预测误差的智能补偿,以提高预测及控制精度。仿真实验表明,该算法能实现模糊控制和神经网络控制的优势互补,在非线性复杂系统的控制方面具备较高的性能。