一种基于划分聚类和模糊神经网络的机器学习方法

将基于划分的模糊聚类算法和一般模糊极小极大神经网络分类算法相结合，提出了一种新的机器学习方法，实现了基于类比的案例推理学习模型。具体实现思想是，首先利用基于确定性退火技术的划分聚类算法对已知案例进行聚类标识，由所得结果建立一般模糊极小极大神经网络分类模型，然后用该模型实现新目标问题的案例相似性检索，最后针对目标问题结果案例完成案例学习。通过实例表明，该算法具有较好性能，并在基于案例推理的固体火箭发动机总体设计中成功应用，得到了论域覆盖面大的设计结果集。     

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。     

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.     

基于混沌算法的自适应预测模型

在混沌算法神经网络的预测模型中 ,适当选择非线性反馈项 ,能使网络的动力学在权空间具有混沌行为 ,网络系统在学习和训练过程中能够跳出能量的局域极小达到全局极小或其近似 .本文基于EP进化算法建立一种自适应机制 ,使得网络能够根据学习和训练的结果优化非线性反馈项 .应用这种算法的神经网络对基于 Mackey-Glass方程和 Lorenz系统的时间序列进行在线预测 ,结果表明 ,网络具有很好的自适应预测性能.     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。     

模拟退火自适应模糊系统学习算法及其人在故障诊断中的应用

把自适应模糊系统的学习过程解为聚类和线性优化,用模拟退火作为聚类的工具,提出了一种基于模拟退火的自适应模糊系统学习算法。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

神经网的自适应学习准则及其算法

无教师学习网络具有较强的自适应学习能力。本文讨论神经网的自适应学习准则，包括误差平方和准则，相关准则和模糊熵准则，同时给出相应的学习算法。     

模拟退火自适应模糊系统学习算法及其在故障诊断中的应用

把自适应模糊系统的学习过程分解为聚类和线性优化,用模拟退火作为聚类的工具,提出了一种基于模拟退火的自适应模糊系统学习算法,用该学习算法建立某非线性伺服机构的模型,并构造基于模型的故障诊断系统,实验取得了良好的结果。     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

Self-organizing fuzzy clustering neural network and application to electronic countermeasures effectiveness evaluation

A self-organizing fuzzy clustering neural network by combining the self-organizing Kohonen clustering network with the fuzzy theory is proposed. This network model is designed for the effectiveness evaluation of electronic countermeasures, which not only exerts the advantages of the fuzzy theory, but also has a good ability in machine learning and data analysis. The subjective value of sample versus class is computed by the fuzzy computing theory, and the classified results obtained by self-organizing learning of Kohonen neural network are represented on output layer. Meanwhile, the fuzzy competition learning algorithm keeps the similar information between samples and overcomes the disadvantages of neural network which has fewer samples. The simulation result indicates that the proposed algorithm is feasible and effective.     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

高超声速制导炮弹终端滑模控制

针对高超声速制导炮弹的动力学耦合与非线性控制问题,设计一种基于反馈线性化的终端滑模控制器。首先,兼顾控制系统设计的简便性要求与高超声速制导炮弹的强非线性特点,建立非线性控制模型。然后,对模型中动力学耦合问题,根据微分几何理论对其进行反馈线性化,实现俯仰通道与偏航通道的解耦。最后,对两通道分别设计终端滑模控制器,且控制器有限时间收敛。仿真结果表明,所设计的控制器能够快速稳定的追踪指令信号,且在外界干扰与参数摄动的情况下依然具有良好的鲁棒性。     

基于SCFNN的网络控制系统远程控制器设计

提出将自组织模糊神经网络(SCFNN)应用于网络控制系统(NCS)中的远程控制器的设计。SCFNN的学习过程包托结构学习和参教学习两个阶段。结构学习的目的是对输入空间进行合理的模糊划分并动态地生成一组模糊逻辑控制规则，而参数学习是通过有监督梯度下降法来调整隶属度函数的参数以及模糊规则中结论部分的权值。最初的SCFNN只有输入节点和输出节点，而经过在线学习后逐步生成隶属度函数节点和规则节点。对基于Profibus-DP网络的网络控制系统进行测试，并与采用修正Ziegler-Niehols法设计的控制器的控制效果进行比较，结果表明基于SCFNN思想设计的远程控制器在网络控制系统中能够获得满意的控制效果。     

混沌序列的T-SK反馈模糊神经网络预测

针对模糊神经网络预测混沌系统输入节点数目的确定随意性较大及敛速度慢的缺点,提出T SK反馈模糊神经网络(T SKrecurrentfuzzynetwork,TRFN)。同时采用两阶段学习算法:先进行结构学习来确定TRFN的最佳结构,再利用基于混沌动态量的BP算法对神经网络进行参数学习,提高了收敛速度和预测精度。应用此网络和相应的学习算法,对Henton序列进行了预测,与传统的模糊神经网络相比,在节点数目较少的情况下,取得了更快更精确的预测结果,验证了该方法的有效性。     

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。     

一种PID型模糊神经网络控制器

为了使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提出了一种包含一个自回归神经元的五层模糊神经网络，并根据梯度下降法，给出了它各权值的修正算法，该网络可以在反馈控制系统中作为一个自学习控制器来使用，最后，根据有关定理，给出并证明了该网络各层权值学习速率的收敛准则。     

模糊神经网络的混合学习算法及其软测量建模

提出了一阶TSK模糊神经网络的混合学习算法，算法由三部分组成：基于模糊聚类的网络初始化；基于梯度下降的规则前件的学习算法；基于部分最小二乘的规则后件的学习算法。该混合算法可以根据训练样本的分布自动确定模糊神经网络的初始值，当输入变量个数多时不会出现模糊规则数爆炸现象，训练速度快，模型精度高。将混合学习算法应用到PTA工业过程中4-CBA含量的软测量建模中，取得了令人满意的效果。     

基于改进的RBF模糊神经网络滤波的噪声消除

改进RBF模糊神经网络前件和后件的结构和学习算法，克服了RBF模糊神经网络模糊规则冗余的缺点。利用该系统对舍噪声的非线性信号逼近，达到消除噪声的目的。同时，应用该系统对地震信号进行滤波处理仿真，结果表明改进后的RBF模糊神经网络具有学习算法简单，计算量小，实时性好，而且能有效地抑制噪声。