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。     

一种单输入/单输出的小脑模型神经网络研究

针对标准小脑模型关联控制器（CMAC）存在的问题,研究了一种单输入单输出（SISO）的CMAC算法.SISO CAMC采用直接地址映射,以输入v的量化值为地址,建立起输入v与权重w的关系,并通过对输入v进行归一化,增强网络的泛化能力.另外,学习采用随机样本,具有学习简单、收敛速度快、函数逼近精度高等特点,可以在单片机上实现.最后,理论证明和仿真试验,验证了该算法的有效性.     

五机架冷连轧AGC模糊小脑模型学习控制

首次提出模糊小脑模型，将模型概念引入到小脑模型中，给出算法，并采用它实现了冷轧轧ＡＧＣ系统模糊小脑模型学习控制，该控制方法具有快速学习功能，适合实时控制使用。以某厂五机架冷连轧机研究对象，在３８６／ＤＸ计算机上民了稳定态过程仿真研究。仿真结果表明，所提方法是有效的，比经典ＰＩＤ控制效果优越，具有良好的鲁棒性，可用于工业控制。     

一种用于非线性逼近的新型模糊神经网络

针对一般非线性映射的逼近问题，提出用分域逼近的通用算法来实现全局逼近，并据此构造了实现该算法的新型模糊模糊神经网络。通过仿真，将新型模糊神经网络和常用的BP和RBF两种神经网络进行比较。结果表明，该新型模糊神经网络的非线性逼近能力明显优于后两者，且权值具有明显的几何意义，设计难度相对较小，可用于解决复杂非线性函数的逼近问题。     

一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把HCMA（Hyperball Cerebellar Model Articulation Conroller)与模糊逻辑理论有机结合起来，形成FHCMAC（Fuzzy HCMAC)，它便于从输入输出数据中提取模糊规则，直接用作控制器。可以将FHCMAC看作用基函数网络实现的模糊逻辑系统，兼有HCMAC神经网络和模糊逻辑两者的优点，即可以较容易表达定性或模糊的经验知识，又具有很好的学习性能，应用仿真实例验证了其有效性，该方法可应用于难以获取模糊规则的吻合。     

基于小脑模型神经网络与PID的复合控制研究

阐述了小脑模型神经网络的基本原理并研究分析了其工作原理。在此基础上,结合PID控制的优点,提出了小脑模型神经网络与PID复合控制的算法。仿真结果表明,该算法实现简单方便,具有较好的实时性、稳定性和较强的鲁棒性,对被控对象的控制效果比较理想。     

变结构模糊神经网络控制及其学习规律研究

提出变结构模糊神经网络控制及其学习算法,并对变结构模糊神经网络学习规律进行研究,变结构模糊神经网络中的模糊化神经网络（Ｆ＿ＦＮＮ）、模糊推理神经网络（Ｅ＿ＦＮＮ）和模糊决策神经网络（Ｄ＿ＦＮＮ）都是结构可变的,可分开进行模糊隶属函数及模糊推理的学习,其学习过程符合人脑由粗到精的认识规律,学习收敛速度比一般模糊网络快,具有很好的适应性。     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

火灾探测的一种模糊神经网络方法

根据火灾信号的特点,建立了用于火灾探测的模糊神经网络,给出了处理火灾信号的模糊推理计算模型,并采用模糊运算,对于不同种类的火灾信号进行了综合分析,随后推导出用于自动生成隶属函数和提取模糊规则学习算法的计算模型。     

基于pi-sigma神经网络的模糊建模与控制及其仿真研究

提出了一种基于高木-关野模糊系统的pi-sigma神经网络结构、学习算法,并分析了学习算法的收敛性.用这种混合型pi-sigma神经网络系统去实现模糊规则及其隶属函数的修正,从而得到模糊推理的自适应性.在设计过程中,引入Zadel模糊取乘算子,使之适合基于梯度的学习算法.最后的仿真结果表明此种网络的有效性、优越性并且在非线性建模、控制等方面有重要的应用价值.     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用     

一种模糊神经网络自校正控制器设计与应用

本文提出了一种模糊神经网络智能控制方法，并介绍了采用多层神经网络表达模糊控制和知识规则，模糊推理和学习算法，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，其性质优于一般模糊控制。     

模糊神经网络的发展

介绍了模糊神经网络及其提出,论述了模糊神经网络现状,探讨了模糊神经网络的不足与展望。     

模糊神经网络及其在信道均衡中的应用

阐述了模糊逻辑与神经网络的特点以及两者相融合的历程，分析了模糊神经网络盲均衡算法的历史、现状、特点及其发展趋势。     

带混合学习算法的多阶段神经模糊系统模型

提出一种基于演绎模糊推理的多阶段神经模糊系统模型, 对于给定的学习样本, 通过结构学习（采用遗传算法）与参数学习（采用误差逆传播神经网络方法）过程, 能够生成适当的演绎模糊规则集, 并通过与单阶段神经模糊系统模型求解Benchmark问题的实验对比, 讨论和分析了该模型的有效性和健壮性.     

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．     

改进型补偿模糊神经网络故障诊断系统

在模糊逻辑与神经网络融合的基础上,引入补偿运算单元,构成补偿模糊神经网络,使网络从初始定义的模糊规则进行训练,再动态的优化模糊规则,提高网络的容错率和稳定性.针对网络训练的不同阶段对学习速率的不同要求,提出一种具有分段可变学习速率的补偿模糊神经系统,可以提高网络的整体性能,实现动态的、全局优化的运算.故障诊断仿真研究表明:模型具有更好的收敛特性,能够大大的缩短训练时间,减少训练步数,提高误差精度.