基于模糊Petri网络的分布式知识表示方法

从模糊产生式系统出发，引入模糊Ｐｅｔｒｉ网络（ＦＰＮ）的定义，进而给出了模糊产生式规则的各类型的ＦＰＮ表示模型．在此基础上提出了一种基于ＦＰＮ的交互式推理方法．该方法为模糊知识的表示提供了一种有效方法．     

一种新的软测量方法及其工业应用

软测量是一门新兴的工业技术，它通过数学模型计算得到工程上难以检测的变量值．本文提出了一种基于模糊神经网络的软测量新方法，运用模糊集合论的知识对非线性对象进行局部模型的划分，并采用趋化性网络进行建模和模型校正．经在某炼油厂精密精馏塔的推断控制系统中的应用，表明该方法能够比较精确地建立过程模型，有效地进行模型的在线校正，而且具有灵活、简明的特点．     

复杂工序关系的模糊网络计划分析与建模

剖析模糊网络计划在进行时间参数计算时的矛盾，即工序间因网络拓扑结构存在内在的相关性而计算中要求工序时间参数是相互独立的这一矛盾，为此将概率统计方法引进模糊网络计算中，先把模糊数量化并给出模糊数大小比较的原则，进而提出了模糊数运算的新定义．在建立模糊网络计划模型时，同时考虑了工序间的逻辑组织关系和搭接及特殊时间限定两类关系．在工序最早时间参数计算的基础上，直接计算工序的时差，避开了通过求取网络最迟时间参数再求取时差时可能出现时间参数为负值的矛盾局面．借助Visual C^＋＋语言编制的程序，实现了模型的时间参数计算、关键性分析和工期风险分析等功能．最后通过一个包含10项工序的模糊网络算例，阐明了模型的应用过程，并将计算结果与另一模型的计算结果进行了对比分析，验证了本模型的有效性．     

面向网络交互设计的扩展CSG模型构造

针对网络虚拟设计中三维模型数据流量大，实时交互难的关键问题，提出了一种扩展CSG模型以减少数据传输流量．首先建立了模型的形体表征及操作结构，并对传统CSG树进行语法扩充以构造操作历程树，从而将产品模型分离为表现模型和表示模型等几部分．表现模型完成网络前端的交互设计，表示模型作为加工制造工程的模型重构基础，两者通过核心模型联系并集成，从而提出了一种基于扩展CSG模型的全新网络设计模式．然后基于ACIS几何引擎，开发了相应软件系统，并结合具体产品设计的应用验证表明，该模式提供了一种开展网络设计的可行途径．     

基于神经网络的自校正模糊控制器

本文针对常规模糊控制器的不足．提出了一种自校正模糊控制器，论述了它的在线调整设计方法。并在此基础上进一步利用BP神经网络进行推理．实现控制参数自动调节。为减少BP网络的训练量、对模糊集（网络的输入）进行了“编码”。最后的仿真结果表明了该控制器具有自适应和学习能力，其动态响应和鲁棒性均优于常规的FUZZY控制。     

基于模糊算子的形态学神经网络及其应用

构造了一种模糊形态学击中／丢失算子．结合形态学神经网络，提出了一种基于模糊击中／丢失算子的模糊形态学网络，并采用模糊形态学网络实现了血涂片图像中白细胞的定位／计数．实验结果表明，这种网络可以较好地处理细胞图像处理中出现的背景干扰、细胞粘连和部分遮挡的情况．     

基于双重竞争共振机制的模糊ART神经网络

提出了一种基于双重竞争共振机制的模糊ART神经网络模型．该模型将输入节点的竞争共振机制引入到输出类别节点,采用输入节点和输出节点双重竞争共振机制,形成了一种新的模糊ART结构,解决了传统模糊ART网络记忆不稳定问题．将该模型应用于图像分割,解决了传统模糊ART网络图像分割结果随警戒参数的升高而出现的过度分割．实验结果表明,和原始模糊ART算法相比,新算法具有更好的分类识别性能,在飞机目标识别中平均识别率比原始算法提高3％～5％．     

模糊 RBF 网络简化模型研究

在一定的前提条件下,提出一种简化的模糊ＲＢＦ网络模型．该网络由输入层、模糊化层、模糊联结层、合成联结层和输出层组成．同时,还给出网络的构造方法和自学习方法．仿真结果表明此网络对非线性、多变量函数具有良好的逼近能力．     

进化学习模糊规则实现移动机器人的自适应导航

给出了一种轮式移动机器人导航的方法，机器人由一组动态变化的模糊规则集控制，通过遗传算法在线调整和学习模糊规则．根据机器人的运动模型构造了模糊控制器，采用变长度编码方法对规则编码，减少了染色体的尺寸和复杂度，提高了学习速度．通过竞争型小生境遗传算法解决了模糊规则的学习问题法，并分析了设计中遇到的如多条模糊规则同时激活的信度分配等问题．学习过程在二维仿真环境下完成，在自行开发的全局视觉平台上对学到的规则进行了验证．实验结果证明，该方法是正确可行的．     

余数制神经网络

提出了一种新的神经元模型，其数据和权值用余数制表示，称之为余数制神经元．它的处理能力等效于一些多层感知机模型．同时提出用中国余数定理重构信号，等效于神经元之间的非线性连接．将此模型用于分类，其单层网络可用于解高阶和边界模糊问题     

一类基于神经网络的模糊系统建模与控制

将人工神经网络理论和模糊系统理论结合起来,研究并提出了一类基于人工神经网络的模糊系统建模和控制方法。仿真表明该方法能有效地用于多种难以建立数学模型的控制系统。     

刀具状态的ANN—模糊识别

提出了利用人工神经网络（ＡＮＮ）及模糊识别理论融合多监控参数进行刀具状态识别的方法．该方法首先对各监控参数按刀具不同状态的敏感性进行分组,并利用多个ＡＮＮ子网络建立各组参数与刀具状态的模糊隶属度关系,然后利用模糊决策法对各ＡＮＮ子网络确定的刀具状态模糊隶属度进行综合评判并按最大隶属度判定刀具状态．该方法不仅具有ＡＮＮ的并行运算特点,而且具有模糊综合评判的容错性,从而提高状态识别的实时性和正确率．结合功率信号的多个特征对大量实验数据的测试表明,该方法可将ＡＮＮ的识别正确率从平均８８％提高到９５％．     

基于人工神经网络和专家系统结合运用的电网故障诊断技术的研究

人工神经网络（ＡＮＮ）和专家系统（ＥＳ）的结合是智能系统研究的发展方向。本文对ＡＮＮ和ＥＳ结合用于电力系统故障诊断问题进行了研究，提出一种新的电力系统故障诊断方法。该方法综合了ＥＳ和ＡＮＮ各自的优点，充分利用ＥＳ的推理能力和ＡＮＮ的学习能力，由ＥＳ根据故障报警信息搜索电网数据库，提出故障假设，再由ＡＮＮ对故障假设进行诊断。该方法教授给ＡＮＮ的知识是电网通用的故障判断知识，具有较强的能用性。研究表明ＡＮＮ和ＥＳ结合用于电网故障诊断是非常有效的。     

基于实际误差函数和隶属函数机器人避障算法

介绍一种机器人在不确定环境下，通过探障传感器，在探测过程中采用一种模糊神经网络来躲避障碍物的方法。该模糊控制采用有明确意义的模糊隶属函数，由采用有明确物理意义误差评价函数的神经网络来实现，以避免模糊控制的死点从而完成避障路径规划。计算机仿真实验的结果验证了该方法的有效性和实用性。     

智能化工艺设计系统的几个关键技术

针对以专家系统为理论基础的传统人工智能计算机辅助工艺过程设计（ＣＡＰＰ）系统的缺陷，以加工方法选择、定位夹紧方案确定及每一安装下的工步排序三个基本问题为结合点，对工艺设计的人工神经网络模型，组合优化及不确定推理方式等进行了理论分析和研究。建立了适于加工方法选择的人工神经网络模型及工步排序的模拟退火优化模型，应用模糊综合评判方法合理地确定定位夹紧方案。在此基础上开发一个适于ＣＩＭＳ－ＥＲＣ环境面向典型非回转体零件的智能化ＣＡＰＰ系统。     

基于ANN的超短波跳频电台故障诊断系统的设计

人工神经网络是模拟生物神经元的结构而提出的一种信息处理方法。利用经过训练的人工神经网络对故障进行分析从而对短波电台进行故障检测和监控,预测某些部件的疲劳寿命。基于对人工神经网络的研究,建立了对超短波跳频电台故障诊断的一种新的系统设计研究。     

模糊神经网络在自动变速器电控系统故障自诊断中的应用

文章介绍了故障自诊断的步骤,针对自动变速器电控系统的特点,建立了故障征兆与故障原因映射列表,并应用基于模糊神经网络的故障自诊断方法,实现了对自动变速器电控系统故障的模糊诊断;并介绍了模糊神经网络的结构和学习方法,以及如何对训练样本进行预处理;利用Matlab神经网络工具箱作为平台,进行测试样本仿真和试验,结果表明该诊断方法是行之有效的。     

电液伺服阀故障诊断专家系统的研究

针对最常见的双喷嘴档板式滑阀力反馈电液伺服阀，结合上海宝山钢铁公司生产线上使用的该类型伺服阀进行了实验研究，利用模糊神经网络与符号推理集成技术，建立了电液伺服阀故障诊断专家系统，实验证明，该专家系统对电液伺服阀常见的故障的诊断准确率达９０％以上。     

Fuzzy fault diagnosis system of MCFC

A kind of fault diagnosis system of molten carbonate fuel cell (MCFC) stack is proposed in this paper. It is composed of a fuzzy neural network (FNN) and a fault diagnosis element. FNN is able to deal with the information of the expert knowledge and the experiment data efficiently. It also has the ability to approximate any smooth system. FNN is used to identify the fault diagnosis model of MCFC stack. The fuzzy fault decision element can diagnose the state of the MCFC generating system, normal or fault, and can decide the type of the fault based on the outputs of FNN model and the MCFC system. Some simulation experiment results are demonstrated in this paper.     

Dynamic Reconstruction-Based Fuzzy Neural Network Method for Fault Detection in Chaotic System

This paper presents a method for detecting weak fault signals in chaotic systems based on the chaotic dynamics reconstruction technique and the fuzzy neural system （FNS）. The Grassberger-Procaccia algorithm and least squares regression were used to calculate the correlation dimension for the model order estimate. Based on the model order, an appropriately structured FNS model was designed to predict system faults. Through reasonable analysis of predicted errors, the disturbed signal can be extracted efficiently and correctly from the chaotic background. Satisfactory results were obtained by using several kinds of simulative faults which were extracted from the practical chaotic fault systems. Experimental results demonstrate that the proposed approach has good prediction accuracy and can deal with data having a -40 dB signal to noise ratio （SNR）. The low SNR requirement makes the approach a powerful tool for early fault detection.