用于热力系统建模的基于粗糙集的模糊神经网络

模糊神经网络应用于热力系统建模,虽能取得较好的效果,但当模糊规则较多时,网络学习速度较慢。针对这个问题,对传统的模糊神经网络进行了改进。利用Kohonen自组织网络对数据信息进行聚类。然后利用粗糙集规则约减的方法,获取模糊神经网络最小规则,以提高模糊神经网络的学习速度。经过锅炉汽压回路模型的仿真实验结果表明:粗糙模糊神经网络学习速度较传统模糊神经网络有较大提高,同时网络误差有所降低。     

基于模糊神经网络的车牌图像识别方法

提出了一种基于模糊神经网络的方法对汽车车牌字符进行识别.该方法首先基于Rough Sets.思想获取初始规则和训练集,基于图像识别目标确定网络结构,通过神经网络的学习算法对网络进行优化.然后根据图像识别的模糊特性,利用模糊神经网络对汽车车牌进行精确的识别.实验结果证明该算法比常规识别算法识别率更高.     

模糊Kohonen聚类网络用于骨髓细胞图像分割

提出了一种基于图像的边界特点来确定模糊Kohonen聚类网络输出类别的方法。该方法首先构建了图像的一个边界模型，然后利用Zernike矩阵出边界模型的参数，最后根据参数的特点，自动确定模糊Kohonen聚类网络输出数目。试验结果表明该方法构建的模糊Kohonen聚类网络能够实现图像的自动模糊分割，说明了方法的可行性。     

基于遗传算法的神经-模糊减振控制方法

针对复杂情况下模糊控制器难以获取经验规则的缺点,利用遗传算法来优化模糊控制器的规则,并采用一种权重和方法以实现多目标的优化控制.为了减少时滞对控制效果的影响,应用BP神经网络以预测模糊控制器的输入.基于76层风振Benehmark模型对提出的控制算法进行了计算仿真分析.结果表明神经-模糊控制(NN-FLC)方法在理想情况下与传统LQG控制算法控制效果相当;但在结构刚度不确定时,该方法具有较强的稳定性和鲁棒性,远优于LQG算法.     

中医诊断专家系统中融合案例与模糊规则的推理机制研究

阐述了基于案例的推理和基于规则的推理的基本概念和原理,结合中医领域知识的特点,对传统的规则通过引入模糊逻辑,提出一种模糊规则推理机制进行知识的表示、获取和推理,并提出一种融合案例与模糊规则的推理机制,用于解决中医诊断专家系统的实际问题.     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法.采用结构辨识和参数辨识相结合的方法,构造模糊系统完善的模糊规则库.用此设计方法对函数逼近问题进行仿真,结果表明该方法具有规则数目少、学习速度快、建模精度高等特点.     

基于模糊对象的不精确需求建模

用模糊贴近度方法获取模糊类, 在模糊类中通过封装的模糊规则描述属性之间的关系, 根据模糊贴近度和模糊范围定义了用于计算子类和超类、 对象和类之间的隶属函数, 解决了对不精确和不确定复杂信息的获取问题, 所得结果可用于不精确需求建模.     

一种基于遗传算法多维模糊分类器的构造方法

 提出了一种新的模糊遗传机器学习方法.在该方法中将每一模糊规则作为遗传算法中的一个个体,且具有相应的适应度函数值;在获取模糊规则的同时,还对每个属性维的模糊划分进行学习;另外,方法引入了基于相似性的选择机制,减轻了选择机制对低适应函数值个体造成的选择压力,保持了种群的多样性,从而很大程度改善了遗传算法收敛到局部解的问题.经实验结果表明,该方法在多维模糊分类器的构造问题上具有比较良好的性能.     

一种基于粗集的模糊神经网络

提出了基于粗集的模糊神经网络(RSNFN),利用粗集理论从数据样本中获取约简的规则集作为模糊神经网络的规则,使得规则数目减少,克服了当输入维数高时,模糊神经网络模糊规则过多,结构过于庞大的缺点.同时利用遗传算法对连续属性的最优离散化值进行寻优,从而获得最优的网络结构.最后用RSNFN方法对催化裂化装置的轻柴油凝点进行估计,取得了良好的效果.     

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。     

一种规则生成和参数自调整模糊控制器及其应用研究

控制过程中,对象常具有非线性、时滞、不确定性和参数时变的特点,而普通模糊控制器因控制规则固定,影响控制效果.针对这些问题,基于模糊神经网络的方法,设计一种模糊控制器,对学习算法进行推导,实现模糊控制规则的自生成和参数自调整.经仿真实验并根据其特点,将之应用于烧结控制过程,表明该控制器有良好的控制性能.     

基于粗糙集的模糊神经网络在故障诊断中的应用

文章将粗糙集理论、模糊逻辑推理和神经网络等方法相结合,提出一种基于粗糙集的模糊神经网络理论的复杂机械的故障诊断方法。该方法应用模糊逻辑推理建立故障诊断决策表,采用粗糙集理论对故障样本数据属性约简,将获取的主要特征属性输入到神经网络中进行训练学习,然后把检测数据输入到诊断系统中进行检测。检测结果表明,该方法在船舶柴油机的故障诊断中是有效的。     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。     

一种粗糙模糊神经网络分类器及其应用

提出了一种粗糙模糊神经网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本建立决策表,进行决策表属性值离散化、属性约简和分类规则的提取;依据约简后决策表的属性、经模糊化处理的属性值及分类规则构造粗糙模糊神经网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化神经网络的结构,加快网络的训练速度。并详细介绍了该分类器用于汽车车牌字符识别的步骤和实验结果。     

基于模糊c—线性簇聚类算法的Kohonen特征映射

提出了一种基于模糊ｃ－线性簇聚类算法的Ｋｏｈｏｎｅｎ特征映射算法，这种特征映射克服了Ｋｏｈｏｎｅｎ网存在的一些缺点，对某些识别问题，其计算效率非常高。     

一种用CMAC网络建立模糊控制器的新方法

提出了和种新的建立模糊控制的方法，在原来模糊控制的基础上，对模集提出了新的解释，将模糊集的建立和模糊规则的确立和受控系统的物理行为直接联系起来。然后，通过ＣＭＡＣ神经网络对受控系统进行学习，掌握受控系统的特性，并最终由ＣＭＡＣ神经网络根据对模糊集的新的解释，来建立模糊集并提取模糊规则。     

模糊Kohonen神经网络回热系统故障诊断

分析了汽轮机组回热系统12种典型故障及9种征兆参数的模糊处理,结合Kohonen神经网络的工作原理、诊断特征,提出了模糊Kohonen神经网络汽轮机组回热系统故障诊断模型.结果表明:该模型可以有效地进行回热系统故障样本模式的模糊量化处理,具有自学习功能、聚类能力强、运算速度快的优点,可以有效地对具有模糊性的单一故障和复合故障进行诊断,是一种适合于汽轮机组回热系统故障诊断的有效可行的方法.     

基于模糊相容关系的粗糙集的扩展

针对模糊信息系统,提出了用模糊相容关系代替经典粗糙集中的不可分辨关系来构造扩展粗糙集的方法.定义了模糊信息系统中的模糊相容关系,给出了模糊相容关系下粗糙集的表示方法及性质,证明了模糊相容关系下粗糙集模型的不同表示形式,并讨论了在模糊相容关系下模糊变精度粗糙集模型及其性质.     

类似CMAC的模糊神经网络及其在控制中的应用

提出的一种模糊神经元网络是模糊逻辑的一种网络结构的实现。该网络由特征网络 和功能网络两部分组成。特征网络用来产生模糊规则的前件，相应于每条规则的适用度。功能 网络用来实现模糊规则的后件。最后的输出则为各模糊规则后件的加权和。该网络具有小脑模 型关节控制器（ＣＭＡＣ）的一些性质，具有神经元网络和模糊逻辑两者的优点。它既可以容易地 表示模糊和定性的知识，又具有较好的学习能力。文章同时给出了网络在控制中应用的两种实 现结构以及用作非线性映射的一个算例。