一种交通流状态智能推理系统

设计一种基于模糊聚类及模式识别的交通流状态自适应神经模糊推理系统，用来研究交通流状态的分类、识别及预测。首先，对大量交通流历史特征数据采用模糊聚类的方法进行状态分类并进行模式识别，得到系统的原始输入输出数据集。然后，建立交通流状态预测的自适应神经模糊系统，以交通流特征数据及其识别结果为训练数据集进行系统参数及模糊规则的训练与确定，直到误差在控制范围内。最后，进行系统检测和复核。仿真及其检测和复核结果表明了系统良好的应用性能。     

模糊神经网络分类器在企业建模知识管理中的应用

为了对企业建模活动进行知识管理，开发了基于Web的企业 模型知识库系统，并按照CIM-OSA的思想将参考模型库划分为通用、部分通用和专用三个层次。如何在这三个 层次之间建立合理的分类检索体系成为企业建模知识管理的一个核心问题。文章引入模糊神经网络分类器解决企业参考模型库的模型分类问题，通过一个应用实例进行算法验证，并与基于模糊数据挖掘的分类方法进行比较分析。实验数据表明，模糊神经网络分类器具有很好的性能。     

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。     

随机模糊神经网络在公司收益预测中的应用

系统介绍了随机模糊神经网络(SFNN)并将其用于上市公司每股收益的分类和预测，以解决—般的预测方法没有考虑到输入输出数据含有“噪声”的现实问题。文中选取了300家当前正在上海或深圳证券交易所上市的公司作为样本，用随机模糊神经网络对其每股收益的分类和预测进行了仿真研究，并将仿真结果与用模糊神经网络(FNN)的仿真结果进行了对比，结果显示用随机模糊神经网络的仿真效果较好。这对于投资者合理把握投资机会，正确投资以获得更高的收益有着一定的现实意义。     

模糊SOFM网分类方法及其在水稻机械 生产方案分类中的应用

将模糊理论与自组织特征映射(Self-organizing Feature Map)网络相结合，构造出一种新的分类模型——模糊SOFM模型。模糊SOFM模型即利用了模糊理论解决不确定性问题的特性，又利用自组织映射特征网络具有较强的自学习、自适应能力、容错能力和模式识别能力的优点，能非常好地解决模糊或不确定系统中的多对象在多指标下的分类问题。实例结果表明，用模糊SOFM分类方法进行分类具有稳定、结果可靠等特点。图2，表3，参4。     

分类建模的模糊控制器及其应用

自从模糊逻辑引入到过程控制后,模糊控制器的设计一般延用Zadeh的综合规则推理。在多输入多输出的多变量系统中,这种方法暴露出了它的弱点。本文提出了另一种模糊控制器的设计方法——分类建立过程的控制模型,并着重讨论了如何建立控制模型。后面的例子说明了在某一类系统的控制器设计中采用这种方法是比较有效的。     

基于模糊神经网络的车用发电机故障诊断系统的研究

文章针对车用交流发电机的特点，建立了故障现象与故障征兆列表，并应用基于模糊神经网络的故障诊断方法，实现了对该类发电机故障的模糊诊断。文中还介绍了模糊神经网络的结构和对应的学习方法，以及基于CAN总线的实时的车用交流发电机故障诊断系统的组成，该系统利用计算机作平台。仿真和试验结果表明，该诊断方法是行之有效的。     

一种基于支持向量机的模糊分类器

提出了一种基于支持向量机学习的模糊分类器(FCBSVM).介绍了FCBSVM的基本思想及其结构,分析了隶属函数参数和惩罚参数C对分类规则的产生以及分类性能的影响,并提出了参数确定方法.构建这种分类器时,先选用适当的隶属函数,构造核函数.然后,以训练模式作为中心,进行模糊划分,对每个模糊划分建立一条模糊IF-THEN分类规则.最后,利用支持向量机学习方法,求出支持向量和规则的参数.这种分类器将支持向量机和模糊集合理论的优点结合起来,实现了模糊划分和模糊分类规则的自动产生.用双螺旋线数据和典型的数据集对分类器的性能进行了实验评测,验证了分类器的有效性.     

模糊SOFM网分类方法及其在农业中的应用

将模糊理论和自组织特征映射（ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ ｆｅａｔｕｒｅ ｍ ａｐ， ＳＯＦＭ）网络相结合，构造出一种新的分类模型——模糊ＳＯＦＭ 模型．模糊ＳＯＦＭ 模型既利用了模糊理论解决不确定性问题的特性，又利用自组织映射特征网络具有较强的自学习、自适应能力、容错能力和模式识别能力的优点．能非常好地解决模糊或不确定系统中的多对象在多指标下的分类问题．实例结果表明用模糊ＳＯＦＭ 分类方法进行分类具有稳定、结果可靠等特点．     

双机格斗仿真系统中的实时决策方法

在双机格斗仿真系统中，数字仿真收音机的智能决策采用模糊逻辑与神经网络相结合的方法。为了把神经网络的规模限制在易于工程实现的程度，把战术规则适当分类，每一类战术存储在一个神经网络中，用模糊逻辑进行战术分类识别，确定在哪一类战术中搜索，然后用存储该类战术的神经网络进行了战术决策。