基于ANFIS云推理的网络学习评价

将云模型与ANFIS结合,利用云模型代替模糊神经网络的隶属度函数,构成ANFIS云推理网络并应用到学习效果评价中.实验表明,ANFIS云推理网络是一种有效的学习评价工具,抗干扰能力较强.     

基于 ANFIS云推理的网络学习评价

将云模型与ANFIS结合,利用云模型代替模糊神经网络的隶属度函数,构成ANFIS云推理网络并应用到学 习效果评价中.实验表明,ANFIS云推理网络是一种有效的学习评价工具,抗干扰能力较强.     

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T-S模糊模型的RBF神经网络的自适应学习算法．该算法不仅能动态调节T-S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力．仿真结果验证了该算法是有效和可行的,表明此T-S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力．     

基于神经网络模式识别的板形模糊控制器

提出一种基于CMAC(Cerebellar Model Articulation Controller)神经网络的板形缺陷模式识别方法,并基于模式识别结果设计了板形模糊控制器.将模式识别与控制器设计合二为一,利用CMAC神经网络识别出相对于6种常见板形缺陷基本模式的隶属度,直接作为板形模糊控制器的前件部,实现了隶属度的求取功能.通过对板形缺陷特征的分析,合理定义了模糊集合,大大地减少了模糊推理的计算量.仿真结果表明,该板形模式识别方法识别精度高,设计的板形模糊控制器可以快速将板形缺陷控制到期望目标,板形控制性能良好.     

基于偏差补偿的T-S模糊神经网络

将T-S模糊神经网络应用于化工生产过程的软测量,并针对提高软测量精度的问题,提出了一种基于偏差补偿的改进型T-S模糊神经网络模型。将网络模型输出与样本输出比较后所得的偏差,作为校正网络的样本数据输出,以样本输入数据为输入,对校正网络进行训练,建立了关于偏差的模糊系统模型,将校正网络的输出对软测量系统模型的误差进行修正。经过实际测量,取得了较好的应用效果。     

基于模糊距离的BP网络板形信号模式识别的研究

介绍了一种新的板形信号模式识别方法 .该方法基于待识别信号与标准样本之间的模糊距离 ,并将模糊距离作为 BP网络的输入 ,有效地解决了在板材宽度变化时神经网络的拓扑结构形式不变的问题     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法,采用模糊C均值聚类(FCM)算法划分输入输出数据空间,最后将该算法应用于丙烯腈收率的预报,仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。     

基于模糊神经网络的车辆类型自动检测

高速公路车辆类型自动检测是智能交通系统中的一个重要组成部分。本文提出了一种用于高速公路车辆类型检测的T-S型模糊神经网络(T-SFNN)模型。通过几何模型,从激光传感器所采集的数据中提取车型特征向量。在此基础上,设计出模糊神经网络车辆类型识别检测器并对神经网络进行有效地训练与测试。仿真结果表明,该方法的收敛速度快,车辆类型识别的精度较高,具有稳定的输出性。