基于一类模糊数的模糊推理系统

首先引用一类以四元组表示的模糊数，讨论它的若干性质，说明它可以把单个隶属度、区间值和语言值统一起来处理，然后拓广了Ｇｏｇｕｅｎ逻辑，最后以拓广的Ｇｏｇｕｅｎ逻辑为方法，构造了一个基于四元组的模糊产生式系统。     

一种新的基于加权模糊规则自适应神经-模糊推理

提出了一种基于加权模糊规则的新的推理机制,并将这组加权模糊规则及相应推理机制映射成了一个模糊神经网络,其中加权模糊规则中的(局部和整体)权重恰好对应于神经网络的连接权.通过新改进的BP算法训练此神经网络后,可学习得到加权模糊规则的权重近似优值.模拟实验说明,训练后得到权重,用本文提出的新的推理机制可以一定程度上提高推理精度.     

利用模糊子集重叠性简化模糊系统的一种方法

根据模糊子集之间的重叠性，合并模糊子集，达到简化模糊系统，减少模糊规则数目换；使用遗传算法法提取模糊规划和优化模糊子集的隶属度函数，计算机模拟表明了上述方法的有效。     

模糊逻辑方法在纠错码中应用

基于现实世界中模糊信息的背景,利用模糊逻辑方法讨论如何对模糊信息进行编码与传输的问题。提出能对模糊信息进行编码的模糊纠错码,讨论了重量、距离、译码准则等基本概念。分析了模糊纠钷码的优点及其与普通划码的关系,并给出了利用模糊纠错码的通信系统模型。建立了线性模糊纠错码的概念,研究了生成阵、校验阵、对偶码等性质。最后批出利用模糊神经网络技术实现线性纠错码的编码方案和译码技术,译码模拟结果显示了性能优势。     

格型模糊谓词逻辑与推理

本文研究真值取在布尔格上的模糊逻辑与推理。讨论了布尔格的结构性质及其构造、模糊语言的格型模糊谓词逻辑描述和消解法模糊推理。     

初等模糊一阶逻辑的准形式演绎系统

本在模糊命题逻辑演绎系统的基础上,引入了模糊意义下的一阶逻辑的相关概念,建立了模糊一阶（谓词）逻辑的准形式演绎系统。并且证明了相应的可靠性定理。     

交通数据的时空并置模糊拥堵模式挖掘

交通拥堵是道路网络中总车流量大于道路承载量,导致交通流无法畅行的现象。基于交通流数据挖掘的拥堵模式对于解决道路交通拥堵问题具有重要的现实意义。然而,现有的研究工作未能对"交通拥堵"进行合理准确的定义,忽略了交通流数据本身具有的时空属性和交通拥堵概念本身的模糊性。该文首先将模糊集理论引入到交通拥堵的定义中,提出用模糊隶属度衡量交通拥堵程度;其次,在传统空间并置模式挖掘的基础上加入时间属性,提出时空并置模糊拥堵模式的概念;再次,在该概念的基础上提出了挖掘时空并置模糊拥堵模式的有效方法;最后,在实际数据集上对提出的方法进行了广泛的实验评估。实验结果表明:该方法在挖掘结果上优于现有方法。     

直觉模糊逻辑“蕴涵”算子的研究

给出了直觉模糊逻辑“蕴涵”算子的定义,并对它的性质做了较为系统的研究。     

从数据中挖掘知识

解释了数据挖掘的含义,从数据挖掘的知识类型及作为进行阐述,对每种知识的主要挖掘技术作了介绍,最后介绍一种用模糊关系的聚类挖掘方法。     

基于模糊神经网络的数据挖掘算法

提出一种基于模糊神经网络进行数据挖掘的新方法。构成模糊神经网络的模糊化层采用高斯函数计算5个模糊隶属度,高斯函数需要的均值、方差以及隶属度的中心值都可通过预先计算采集到的数据得到。模糊推理层采用取小取大运算代替常用的积和运算,加快了网络的推理速度。在模糊神经网络训练阶段,首先利用重心法对模糊化层输出进行反模糊化,再采用BP思想,利用梯度法求误差值并进行反传调整隶属度函数的参数值。为提高网络推理精度和速度,通过设立相应的规则对网络进行裁剪,剪掉多余的节点和权值,最后依据一定的思想对产生的模糊规则进行简化和提取。以工业锻造中的智能温度控制系统的控制数据为例进行仿真,结果表明,该网络具有较高的精度和较好的鲁棒性。     

基于模糊神经网络的高光谱数据挖掘方法

分析了高光谱影像的数据特性，应用模糊聚类方法构造模糊神经网络，并将其结合进数据挖掘，对高光谱数据进行数据处理。     

带模糊语义的神经网络规则提取

针对传统的规则提取方法在处理连续值输入属性时带有很大的盲目性,且其描述也不符合人类的认知习惯的弊端,在对比原有方法的基础上,引入模糊语义,提出了新的处理连续值函数的方法,从神经网络中提取出带模糊语义的符号规则,提高了规则的可理解性。因此,使用者可以很方便地验证它的正确性。通过把连续值神经网络转化成二值网络,利用二值网络布尔规则提取方法来提取带模糊语义的规则,更符合人们的思维习惯。     

一种新的基于RS和NN的混合数据挖掘算法

提出一种结合粗糙集理论和BP神经网络理论的新数据挖掘算法.算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,将归约后的数据作为训练数据提供给神经网络.通过粗糙集归约,提高了训练数据表达的清晰度,也减少了神经网络的规模,同时利用神经网络又弥补了粗糙集对噪声数据敏感的不足.     

基于残差修正的灰色神经网络在数据挖掘中的应用

针对时间序列数据样本少、部分信息未知的特点,提出将灰色理论与神经网络相结合构建灰色神经网络,充分利用两种方法的优势对小样本时间序列数据进行有效挖掘.为了提高模型的预测精度,提出利用残差对模型进行有效修正.实验分析表明,残差修正灰色神经网络具有较高的预测精度,适合于小样本时间序列数据的挖掘.     

基于模糊神经网络提取我国经济增长的模糊规则(Ⅱ)

利用神经网络的自适应、自学习等特点和模糊系统人脑性等特点来弥补相互的缺点，二者结合产生一种基于神经网络的模糊系统，采用BP算法对系统参数进行调整，最后用该系统提取我国经济增长的模糊规则。     

基于模糊神经网络的大时滞系统的预测控制

工业生产过程中常有大时滞存在,用传统控制方法不能获得满意的控制效果。为解决这个问题,本文提出了基于模糊预测的模糊神经网络（Fuzzy Neural Networks)控制器,根据过程的动态变化实施控制器的在线调整,仿真和实践都表明了该控制方案的优越性。     

基于模糊聚类的神经网络在数据挖掘分类中的应用研究

常见的决策树分类算法、贝叶斯分类算法、神经网络分类算法为数据挖据分类算法研究提供了重要基础。但面对海量数据时,在时间效率、鲁棒性和精确性上都显示出了不足。为此,本文将模糊聚类的思想引入到神经网络分类算法中,首先通过模糊聚类子模型,将样本数据聚为几个数据子集,然后再采用不同的神经网络对各个数据子集同时进行训练学习。由于经过了模糊聚类子模型的预处理,每个神经网络训练学习样本的复杂性大大减少,使神经网络的学习效率大大提高。最后通过UCI下的实际数据库,对提出的分类算法进行了检验,结果显示了基于模糊聚类的神经网络在数据挖掘分类中应用的有效性。     

基于模糊集和粗糙集的关联规则挖掘策略

提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性．     

一种挖掘广义模糊关联规则的方法

基于模糊类层次的概念,讨论了模糊关联规则支持度和置信度的计算,给出一个挖掘广义模糊关联规则的算法,并说明其应用.