基于改进神经网络的模糊聚类算法

文章提出了一种新的聚类方法NFC,首先用模糊逻辑神经元网络的聚类算法和Cauchy训练的模拟退火算法相结合的局部算法得到初始聚类中心,然后用FCM算法进行模糊聚类;实验证明,NFC算法在一定程度上解决了FCM局部极值问题且有效性非常高。     

基于聚类法的协同神经网络学习算法

根据协同学理论的基本观点（模式识别的过程即为模式形成的过程）,对构造出的协同神经网络在模式识别中的应用进行了研究．发现伴随向量的性能直接影响到模式识别的成功率,而伴随向量是由原型向量计算得到．所以原型向量的选择对识别结果有着十分重要的作用．提出了一种基于聚类算法的选择原型向量的方法．通过对近千个样本进行的模拟实验,结果证明这种基于聚类算法的原型向量选择方法很有效,使识别率有了较大的提高．     

基于聚类算法的选择性神经网络集成

为了提高集成个体的差异度,提出了一种利用聚类算法去除冗余个体的选择性集成方法,该方法通过使用神经网络作为基学习器,并在多值分类数据集上进行实验．结果表明,该技术计算效率高,精度与稳健性也与基于遗传算法的选择性集成方法相当甚至占优．     

基于聚类的神经网络规则抽取算法

为了从人工神经网络中抽取规则,提出一种新的规则抽取算法。网络被训练并剪枝后,将隐节点的激活值离散化,对输入到隐节点的权重进行聚类,聚类过程中可根据隐节点的激活值动态调整权值聚类数目,进而高效准确地抽取规则。实验结果表明,该算法可明显降低规则抽取的时间复杂度,减少生成规则的数量。     

CMAC神经网络的概念映射算法

在Ａｌｂｕｓ的概念映射基础上，给出了了ＣＭＡＣ神经网络的Ｎ维概念映射算法，并给予了证明，为ＣＭＡＣ神经网络应用提供了极大方便。     

模糊超球质心聚类神经网络

基于人的大脑进行聚类分析所遵循的基本原则,提出了一种模糊超球质心聚类神经网络学习算法,该方法无需用户事先给定聚类个数K,通过神经网络自组织学习,可以正确识别聚类个数与聚类中心。实验结果表明,该算法是一种全新的聚类方法,具有学习时间短,稳定性强且不依赖于聚类样本的输入顺序等优点。     

一种提高 CMAC神经网络收敛性的改进算法

为了克服CMAC(Cerebellar Model Articulation Controller)算法收敛不稳定问题,该文提出了一种提高CMAC神经网络收敛性的改进算法.首先将收敛条件扩展到一般情况,得出了当量化区间内训练样本均匀分布且学习速率不恒为1时,得到CMAC收敛的频域条件,分析并证明了学习速率对收敛范围的影响,并以此为基础提出改进算法.改进前后的算法进行对比仿真,结果表明改进算法能大大提高CMAC收敛过程的稳定性.改进算法用于克服CMAC的收敛不稳定性问题是可行的、有效的.     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法,神经网络采用RBF网络结点结构,聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中,仿真结果表明具有并行实时性、聚类能力强的特点。     

改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的RBF(Radial Basis Functions，径向基函数)神经网络最近邻聚类学习算法。并将其应用于股市预测问题。模拟结果表明，改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法，可以较大幅度提高RBF神经网络的预测性能。     

改进的基于层次聚类的模糊聚类算法

针对FCM算法的缺陷,文章提出了一种基于层次聚类的模糊聚类算法(HFCM)。该算法采用凝聚的层次聚类方法,可快速地发现高度聚集的数据区域,并对这些高密度区域进一步进行分析与合并,通过评估函数的评估,找到最优的聚类方案。试验结果表明,该算法具有较高的分类精确度和较高的排除噪声的能力。     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果。     

基于模糊聚类的粒子群神经网络预测卷取温度

影响热轧带钢卷取温度的因素多而且复杂,采用传统的温度预测模型难以达到较高的精度。为了满足卷取温度高精度预测的要求,将模糊聚类分析、神经网络、粒子群算法结合起来,提出了一种基于模糊聚类的粒子群神经网络用于预测卷取温度。运用现场实际数据测试表明,该方法预测卷取温度效果良好。     

基于阴阳调和的模糊神经网络

针对传统的基于最小均方差或最大后验概率的学习算法不能得到最优解的实际情况,提出将贝叶斯阴阳(Bayesian Yin-Yang, BYY)学习算法引入模糊小脑模型关联控制器(Cerebellar Model Articulation Controller, CMAC)来确定最优模糊集的方法,并利用真值限定(Truth Value Restriction, TVR)推理策略推导出规则权值的真值.BYY受著名的中国古代阴阳哲学理论启发,认为宇宙中的任何事物都是阴和阳对立的统一体,当阴阳取得调和时,则达到完美.模糊规则集通过BYY系统地优化,使其具有更高的泛化能力;与原始的CMAC相比,它有效地减少了存储需求,并提供直觉模糊逻辑推理,具有清晰的语意规则.产品需求预测实验结果表明:BYY结合TVR应用于模糊神经网络,改进了CMAC模型,预测方法优于其他代表性的神经网络模型,所求模糊集与训练数据达到阴阳调和,得到最优解.     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

基于BP网络的一种改进算法及仿真

针对BP网络存在收敛速度慢及目标函数容易陷入局部极小值的缺点,本文研究分析了BP神经网络模型的缺陷并提出了优化策略。最后提出了一种提高BP网络学习速度的新方法,即自适应调整学习率和下降梯度。仿真结果表明,该方法大大地提高了收敛速度,而且算法简单、易行。     

一种用CMAC网络建立模糊控制器的新方法

提出了和种新的建立模糊控制的方法，在原来模糊控制的基础上，对模集提出了新的解释，将模糊集的建立和模糊规则的确立和受控系统的物理行为直接联系起来。然后，通过ＣＭＡＣ神经网络对受控系统进行学习，掌握受控系统的特性，并最终由ＣＭＡＣ神经网络根据对模糊集的新的解释，来建立模糊集并提取模糊规则。     

基于化工过程预报的模糊聚类神经网络系统

为了解决化工预报过程中的复杂问题，利用神经网络、模糊系统和演化算法等智能控制理论，提出了模糊聚类神经网络系统模型（FCNNS）。该模型的特点是利用模糊聚类算法提取典型数据，然后将典型数据送入神经网络系统进行学习产生模糊规则。该模型缩短了规则生成的时间，有效地防止了规则数爆炸，并在化工过程预报的应用中获得理想效果。     

基于遗传算法的人工神经网络学习算法

为了克服和改进BP算法的不足，提出了一种基于遗传算法的神经网络学习算法，仿真结果表明，该算法具有无比的优越性，可避免BP算法易于陷入局部极小值，训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。     

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.