从样本数据中获取模糊规则的一种算法

提出一种直接从样本数据中获取模糊规则的算法．模糊规则的隶属函数通过计算样本数据的方差与期望而得出,规则的抽取通过一个５层模糊神经网络实现,该算法包括两部分,第１部分确定出最佳规则;第２部分通过学习提高推理精度,通过仿真验证了该算法的有效性．     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

矿井优化设计预处理的混合专家系统

介绍了一种用于矿井方案优化设计预处理的混合专家系统——基于神经网络与规则推理的专家系统；阐述了该混合专家系统的基本结构及实现过程，提出输出向量的模糊分类；此外，简要介绍了该系统的实际应用。     

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。     

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。     

一种规则简化的模糊神经网络控制器

构造了一种实时模糊神经网络控制器，为解决模糊规则组合爆炸问题提供一个新方案。控制器基于T-S模糊模型，由前后件分离的网络结构实现。前件参数通过移动小论域法创建，每个变量仅在工作小论域上生成两个模糊子集，有效减少模糊规则，增强实时性；后件参数通过有ki,kp,kd修正因子的BP改进算法在线更改，控制意义明确，确保系统动态性能。仿真结果证实该控制器实时性好，控制性能优，鲁棒性强。     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。     

一种模糊神经网络学习算法:移动小论域法

提出了一种T-s模糊神经网络在线学习算法：移动小论域法，解决非线性控制对象的在线辨识的精度和实时性问题。该算法是在前后件参数可分离的离线混合学习算法基础上，通过分析隶属函数类型及论域模糊子集划分稠必程度对辨识精度的影响后提出来的。不同于传统模糊化进程，此法使用了移动的小论域窗口在此窗口上划分较少的模糊子集技术产生网络前件模糊化参数，解决了模糊神经网络学习中精度和实时性相互制约的矛盾。仿真结果证实该算法精度高，实时性好。     

修剪技术与参数调整的动态模糊神经网络设计

提出了一种新型的动态模糊神经网络算法,该动态模糊神经网络的结构基于扩展的径向基网络.其算法的最主要特点是:采用修剪技术与参数调整,从而可以获得重要的规则以及更新前提参数的中心和宽度.这一思想等价于把全局算法分解为一系列解耦的算法.最后通过对函数逼近来验证动态模糊神经网络逼近能力的有效性.仿真结果表明,由于使用了修剪技术与参数调整使得动态模糊神经网络具有紧凑的系统结构、强大的泛化能力以及快速的学习速度.     

基于改进基函数的自适应动态模糊神经网络算法研究

在D-FNN算法基础上,提出了基于椭圆基函数(EBF)的广义动态模糊神经网络.该算法提出模糊ε-完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性;同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评价,从而使得每个输入变量和模糊规则都可以根据误差减少率(ERR)来修正.其应用不仅可以用来建模,还可以用来抽取有意义的模糊规则以获取知识.通过与D-FNN以及其他方法的比较,可以看到GD-FNN在学习效率和性能方面具有突出的优势.最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性.     

模糊粗糙神经网络的结构与参数优化

基于模糊粗糙隶属函数,建立了一种五层结构的模糊粗糙神经网络（fuzzy rough neural network, FRNN）,对神经元之间的连接,引入一个开关函数,从而把结构优化和参数学习问题转化为单纯的函数优化问题。提出一种混合智能优化算法（hybrid intelligent optimization algorithm, HIOA）用于FRNN的结构和参数优化,适应度函数同时考虑模型的精确性和网络的节俭性。典型的实验结果表明,FRNN适用非线性系统建模,相对于普通神经网络及其优化方法能获得更高的精度和泛化能力。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

气动人工肌肉的模糊小波神经网络控制

针对一种应用于医疗机器人领域的三自由度人工肌肉的非线性特性，结合模糊理论与小波神经网络，提出一种模糊小波神经网络控制器对人工肌肉驱动器进行控制。利用模糊小波神经网络的学习能力，采用梯度法搜寻控制器的最优参数。将采用模糊小波神经网络控制器与采用小波神经网络控制器及模糊神经网络控制器的控制系统仿真结果进行比较。仿真结果说明模糊小波神经网络控制器有效地改善了驱动器的静动态特性，具有更快的训练速度和更好的控制效果，是一种理想的气动人工肌肉控制方法。     

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.     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于粒子群优化模糊神经网络的高技术知识创新评价

针对高技术知识创新非线性、不确定性、时变性的特点,建立了评价指标体系|结合粒子群优化算法,提出了一种改进的模糊神经网络评价模型。该模型能够进行多个并行时变模糊神经网络组合算法,这些算法通过进化预置网络的连接权值、阈值和补偿参数,实现网络的学习和精确推理。通过仿真应用,证明了此种模型结构与算法适用性好,便于计算机实现,且全局收敛能力、收敛速度和泛化精度等性能均优于原先的学习算法。