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。     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

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。     

基于不确定规划的供应链网络设计模型与算法

利用不确定规划,根据决策者的要求,对供应链网络设计问题进行建模.并采用由随机模拟、模糊模拟以及遗传算法相结合的混合智能算法来求解,最后给出了生活中的实际例子来说明模型和算法的正确性和高效性.     

基于模糊神经网络预测转角的无传感器无刷直流电动机换相控制研究

针对位置检测和准确换相是无刷直流电机运行的关键，本文提出一种新的方法来实现无传感器无刷电机的换相控制。即构造一个基于遗传算法训练结构和参数的模糊神经网络，通过检测电机的磁通和电流来预测电机实际转角实现电机的准确换相。仿真结果表明，利用模糊神经网络预测转角来控制电机换相能取得很好的效果。而文章利用遗传算法作为模糊神经网络的训练算法，此算法具有收敛速度快，不易陷入局部极小的特点。     

无源北斗/高度组合导航自适应滤波算法

为了减小用户机动对无源北斗双星组合导航系统定位精度的影响,论文研究了自适应滤波定位算法.首先,在分析组合导航算法Singer模型的基础上,提出了模糊逻辑自适应滤波方案.然后,通过仿真获取系统知识,建立模糊逻辑系统,实时调整滤波器驱动噪声方差,实现滤波定位算法模型对用户机动的适应性.最后,通过仿真验证,设计的模糊逻辑自适应滤波算法能根据用户机动情况实时调整卡尔曼滤波器的驱动噪声方差参数,并能有效提高组合导航系统机动时的定位精度.     

基于模糊逻辑的自适应α-β滤波新算法

针对非均匀稀疏采样环境下的被动机动目标跟踪问题,基于模糊逻辑推理,提出了一种新的自适应α-β滤波算法。详细分析了非均匀稀疏采样被动传感器上报数据的特点,将标准化新息和新息的一阶微分作为模糊推理的两个输入变量,并同时引入时间间隔、目标速度等因素,设计输入变量的调整因子,自适应获取滤波器参数。实验结果表明,提出的算法能够准确对机动目标进行跟踪,性能优良,且易于工程实现。     

基于量子遗传算法的正规模糊神经网络控制器设计

针对模糊神经网络控制器通常涉及的参数较多,反传播算法难于收敛的问题,提出了一种优化设计正规化模糊神经网络控制器的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异,将量子位的概率幅看作两个并列的基因,因此每条染色体包含两条并列的基因链,在染色体数目相同时,可提高获得全局最优解的概率。对控制器参数随机编码建立初始群体,利用量子遗传算法进行参数优化。实验结果表明该方法是有效的。     

基于自适应遗传模糊神经网络的信用评估建模

提出了一种自适应遗传模糊神经网络评估信用风险的模型,该模型在多子群遗传算法基础上,采用带控制参数的动态概率选择与最优保存策略相结合的混合选择策略,根据种群适应度标准差大小动态调整交叉和变异概率,并将BP算子嵌入遗传算法中,构建了多子群自适应遗传BP算法,并利用该算法优化网络的连接权值和模糊参数。将所建模型应用到信用评估中,并与BP神经网络、ANFIS以及遗传神经网络模型预测效果进行比较,结果表明该模型对信用评估具有更好的泛化能力和更高的预测准确度。     

自适应模糊加权均值滤波器

为了在滤除退化图像中高斯和冲激混合噪声的同时更好地保护图像的细节 ,运用模糊数学的思想提出了一种基于模糊隶属度的加权均值滤波器。该算法利用模糊隶属度函数的概念和裁剪均值滤波器的思想 ,对均值滤波器的权值加以优化 ,使其不仅在降低高斯噪声的能力和保护图像细节方面较传统的均值滤波有所提高 ,而且对于冲激噪声和混合噪声也有很好的抑制能力     

模糊神经网络的混合学习算法及其软测量建模

提出了一阶TSK模糊神经网络的混合学习算法，算法由三部分组成：基于模糊聚类的网络初始化；基于梯度下降的规则前件的学习算法；基于部分最小二乘的规则后件的学习算法。该混合算法可以根据训练样本的分布自动确定模糊神经网络的初始值，当输入变量个数多时不会出现模糊规则数爆炸现象，训练速度快，模型精度高。将混合学习算法应用到PTA工业过程中4-CBA含量的软测量建模中，取得了令人满意的效果。     

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.     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

基于机会约束规划的机会阵雷达功率资源管理算法

研究了在进行多目标跟踪时机会数字阵列雷达(opportunistic digital array radar, ODAR)的功率资源管理问题。针对复杂多变的环境和未知的目标信息所导致的不确定性,建立了基于随机和模糊机会约束规划(chance constraint programming, CCP)的多目标稳健功率资源管理模型。模型引入随机变量表征雷达总发射功率,引入模糊变量表征每个目标的RCS,以贝叶斯克拉美罗界(Bayesian Cramer Rao lower bound, BCRLB)作为目标跟踪精度的衡量标准,将随机模拟和模糊模拟都嵌入到遗传算法(genetic algorithm,GA)当中,从而预测出下一时刻满足给定置信水平的各目标最优的功率分配,然后根据求解出来的功率分配情况,利用无迹卡尔曼滤波器(unscented Kalman filter, UKF)进行目标跟踪。最后,通过仿真实验验证了算法的有效性和稳定性。     

模糊粗交流及其应用

提出了变异模糊粗集的概念,并给出了变异模糊粗集的相关性质和定理。将Amin Mousavi提出的粗交流进行了推广,提出了模糊粗交流。建立了模糊粗交流网络最优传递序列的数学模型,应用模糊粗交流理论给出了解决这类数学模型的算法。最后利用提出的算法解决了通讯网络中选择最优通讯线路的实例,从而验证了算法的有效性。     

基于模糊约束的军事物资配送多目标路径优化

针对带模糊时间窗口、模糊运输费用以及模糊运输风险的多目标军事物资运输问题,利用模糊期望理论,建立了带模糊约束问题的多目标运输路径优化模型,并利用改进的多目标量子遗传算法求解该模型,算法中采用量子比特编码,引入非支配排序和精英保留策略,防止算法陷入局部最优。仿真实验结果表明,建立的模型合理、算法有效,在军事物资配送问题中具有一定的实用价值,与传统的多目标遗传算法相比较,利用改进的多目标量子遗传算法求解该问题,收敛速度更快。     

时间序列处理中一阶分形模糊滤波器效果分析

一阶分形模糊控制滤波器是一种自适应滤波器,根据噪声的分形特征量变化改变滤波器的控制参数,自动调整其滤波特性,可以应用于时间序列的处理中。分析了一阶分形模糊控制滤波器的频率-幅度特性,白噪声和有色噪声分形盒维数的变化;讨论了滤波器中时间序列的短时分形盒维数的定义及分形模糊控制函数形式及选用方式。针对一个低频信号混杂不同有色噪声的时间序列的滤波处理算例表明分形模糊控制滤波器能够提高信噪比,相对固定滤波器具有较小的均值误差;但是其过于简单的结构和对时间序列分形特征量应用的不准确影响其性能。提出改变分形模糊滤波器结构、利用噪声多重分形特征量并采用神经网络、查表法确定模拟控制函数等来改善分形滤波器性能的方法。     

基于模糊网络环境的一种FSPP算法

讨论了有限支撑的正模糊数表示路径长度的最短路问题,接着基于Harisen的双标准路径问题的多标号法和Dijkstra的最短路算法,提出了模糊网络环境下一种具有有限模糊教的模糊最短路径算法,它以某种扩展原则找到所有非劣路径,这种算法在有圈和无圈的网络上都能使用,因此比常规曩短路径算法更加有效和符合实际.     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

一种神经网络非线性噪声消除方法

针对阶数的增加,Volterra滤波器的滤波系数个数呈几何级数增长,实现困难的问题,提出采用基于Levenberg-Marquardt(LM)算法的BP神经网络逼近Volterra滤波器,实现神经网络非线性滤波,使计算简化。采用的方法是,先离线调整Volterra滤波器的系数,再用调整好的Volterra滤波器监督训练LM-BP神经网络,然后用训练好的LM-BP神经网络进行非线性自适应滤波。仿真实验结果表明,LM-BP神经网络滤波器较其学习导师———Volterra滤波器具有更好的噪声滤除效果。