多输入模糊神经网络结构优化的快速算法

采用规则前件提取,以获得较少的高效规则,对模糊神经网络(Fuzzy Neural Network)进行结构优化,解决了在多输入模糊系统中因规则数多导致的结构庞大问题,使之适用于多输入模糊系统．结构学习中采用竞争算法优化隶属函数,保证规则前件提取的高效;参数学习中采用梯度下降法调整网络参数。     

模糊神经网络控制及其学习方法的研究

对模糊神经网络的学习方法进行了研究.该方法中,在分层训练的基础上通过改变隐层节点数目、训练样本数目和BP算法参数来对网络进行训练.仿真结果表明该方法精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时控制系统提供了可能的条件.     

基于粒子群优化的网络安全态势要素获取

针对网络安全态势感知中态势要素获取困难问题,给出一种基于粒子群优化的网络安全态势要素获取模型.在获取模型中,引入模糊技术对输入的历史态势要素集进行模糊化预处理后,转化为模糊逻辑规则,映射到神经网络层与层之间,以提高神经网络的学习能力.利用粒子群优化算法优化神经网络的连接权以提高神经网络的学习精度和速度.仿真实验结果表明,该模型是一种有效可行的态势要素提取技术,并具有较好的泛化能力.     

混沌动态模糊神经网络及变压器故障诊断的应用

提出一种结合动态模糊神经网络和混沌优化算法的故障诊断方法,将混沌变量引入模糊神经网络结构和参数的优化搜索.利用混沌优化的动态模糊神经网络建立变压器故障诊断模型,此模型不仅能对模糊规则而且能对输入变量的重要性做出评价,从而使得每个输入变量和模糊规则都可根据误差减少率进行修正.仿真结果表明,混沌动态模糊神经网络算法精度高、迭代步骤少、收敛快,对识别和预测变压器状态具有较高的精度和效率,并可方便有效地应用到其他领域.     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

最优模糊神经网络参数的设计--混沌模拟退火学习法

提出了一种新型优化算法———混沌模拟退火学习法,将混沌算法和模拟退火算法相结合学习模糊神经网络的结构和参数。首先将混沌变量引入模糊神经网络参数的优化搜索中,利用混沌变量的遍历性寻优,根据性能指标寻找较优的模糊神经网络控制器,然后在混沌优化确定的网络基础上,把经混沌搜索后得到的全局次优解作为模拟退火学习算法的初始值,再用模拟退火方法进一步学习网络的隶属函数和权值参数,找到一个全局最优的网络。仿真结果表明:混沌模拟退火学习法优于传统优化方法,其控制结果具有精度高、超调小和响应快的优点,为解决模糊神经网络控制器参数全局最优设计提供了一种切实有效的方法。     

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。     

从数据库中提取规则的神经网络方法

评述了利用神经网络从数据库中进行规则发现的几种方法,采用权值组合算法提取规则;利用模糊推理神经网络,采用CamDelta算法提取模糊规则;基于从数据中提取模糊控制规则利用生长自组织映射神经网络,采用分级聚类SOM算法发现规则利用CFNet网络,基于可信度因子,提取不确定性规则;利用模糊颗粒神经网络,采用启发式学习算法,从数值-语言数据中发现规则.提出了数据库中提取规则所面临的几个问题,以及解决这些问题的某些思路.具体提出了一种分布式环境下基于多Agent技术的规则提取方法.图6,参17.     

基于模糊神经网络进行数据挖掘的一种算法

通过对模糊神经网络和训练样本的构造,训练模糊神经网络使其达到一定的精度要求后,对网络进行裁剪.在网络隐层的激活和聚类后,提取规则的步骤,从而实现在数据库中获取有效知识的目的,并在应用中进行了仿真,验证了算法的有效性.     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

基于聚类和模糊神经网络的故障诊断

模糊神经网络能够发挥模糊逻辑和神经网络的特性,在武器装备的故障诊断中应用越来越广泛。文中提出了一种基于聚类和模糊神经网络的故障诊断模型,该模型首先通过基于关系度的聚类方法得到模糊神经网络的初始结构,并用梯度下降法对网络的参数进行修改,以得到泛化能力好的诊断网络。仿真结果表明该模型是有效的。     

用模糊神经网络建立GNP与产业结构的关系模型

给出了一种ＧＮＰ值与产业结构的关系模型的算法,利用一个多输入单输出的模糊神经网络（ＭＩＳＯ－ＦＮＮ）,提取关于人均ＧＮＰ值与工业比例,农业比例及人口关系的模糊的规则。利用模糊神经网络进行学习,调整隶属函数的形状及结论部分的参数;同时,还提出了一种在学习过程中动脉筛选模型规则的方法,仿真结果验证了算法的有效性。     

遗传算法模糊神经网络在列车驾驶中的应用

大城市交通问题迫切需要高效率的交通系统,这就要求在交通系统的控制中引入智能控制技术。本文介绍了模糊神经网络与遗传算法的特点, 分析了他们之间相互结合的可能性,并提出了基于遗传算法的模糊神经网络控制算法。该算法使模糊神经网络和遗传算法的优点很好地结合起来。本文还介绍了列车自动驾驶系统的概况,并将新算法用于此系统中。     

适用于励磁系统建模的模糊神经网络方法

基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.     

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     

用 BP 算法实现模糊控制规则的自校正

利用ＢＰ算法对模糊神经网络（ＦＮＮ）所能执行的控制规则进行自校正,使应用到工业过程的模糊控制器的性能得到改进．仿真结果表明,用改进后的方法设计的模糊控制器能够显著地减小系统的稳态误差,具有比较快的响应速度和较强的鲁棒性．     

Data Mining Based on Computational Intelligence

This paper combines computational intelligence tools: neural network, fuzzy logic, and genetic algorithm to develop a data mining architecture (NFGDM). which discovers patterns and represents them in understandable forms. In the NFGDM. input data are preprocessed by fuzzification, the preprocessed data of input variables are then used to train a radial Basis probabilistic neural network to classify the dataset according to the classes considered. A rule extraction technique is then applied in order to extract explicit knowledge from the trained neural networks and represent it in the form of fuzzy if-then rules. In the final stage, genetic algorithm is used as a rule-pruning module to eliminate those weak rules that are still in the rule bases. Comparison with some known neural network classifier, the architecture has fast learning speed, and it is characterized hy the incorporation of the possibillty information into the consequents of classification rules in human understandable forms. The experiments show that the NFGDM is more efficient and more robust than traditional decision tree method.