基于目标函数的矩阵分解非线性系统模糊建模

提出了基于新的目标函数的模糊聚类建模方法．改进的模糊聚类方法把模糊模型结构辨识和参数辨识融为一体．首先,通过新的目标函数的最小化确定模糊模型的输入空间,即确定模糊规则和规则数、参数．然后对经模糊聚类得到的模糊前件推理矩阵进行QR分解,通过分析秩亏损确定重要的聚类规则．为了证明这种建模方法的性能,对非线性系统进行了仿真建模研究,仿真结果证明所提出方法是一种有效的、精确的模糊建模方法.     

基于AIS聚类的模糊神经网络在热轧优化建模中的应用

针对现有的钢坯热轧过程智能建模方法--模糊神经网络建模存在的收敛速度慢、建模精度不高、易陷入局部极小值、系统输入输出向量维数和空间划分增加使网络结构趋于复杂等问题,提出了一种基于人工免疫系统(AIS)聚类的自适应神经模糊推理系统的建模方法.该方法采用人工免疫聚类学习算法来确定模糊集合的划分,并确定模糊神经网络的结构和初始参数,能以较少的模糊规则达到理想的建模精度,仿真结果表明了该方法的有效性.     

一种用于纤维增强复合材料微观结构图像目标识别的改进模糊分类系统建模方法

提出了一种改进的模糊分类系统的建模方法,采用模糊C均值聚类完成初始模糊分类系统的设计.提出改进的模糊规则置信度计算方法,对隶属函数和模糊规则相似度进行检测,剔除模糊规则中的冗余信息,利用遗传算法进行模糊分类系统的优化,提高系统的精确性和解释性.仿真结果证明了方法的有效性,对纤维图像的分类结果显示,该方法能获得与手工分类基本一致的分类结果.     

基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。     

我国全要素生产力模糊规则的提取

在对我国全要素生产力进行模糊软分类的基础上，根据所得的分类数确定模糊规则数，并根据各类中心确定隶属度函数，采用BP算法进行训练仿真，从而构成模糊系统，提取模糊规则。     

规则库自提取和简化的模糊系统

介绍了一种新的规则自提取和简化的模糊模型算法，该算法由3个步骤组成：首先，通过构造一个模糊软划分判别准则对输入输出空间进行模糊划分，得到最佳分类数，从而得到了最佳的规则数；其次，根据最佳规则数和神经网络来构造初始的模糊模型；第三，通过运用模糊相似分析法，可以得到计算2个模糊集相似度的方程，从而根据事先确定的阈值来合并相似的模糊集。这样就得到了一个既满足对精度的要求又简单且具有可解释性的模糊系统。最后，用该算法对我国全要素生产力进行了模糊规则的提取。     

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.     

基于多目标遗传算法的模糊分类系统设计

提出了一种基于多目标遗传算法的模糊建模方法,实现了具备最大分类精度、最少特征变量和模糊规则数目的模糊分类系统的设计.首先,为缓解维数灾难问题,采用多目标遗传算法进行特征变量的选择和论域的模糊划分,构造基于栅格划分的初始模糊分类系统.然后为减少规则数目,提高模糊系统的解释性,采用遗传算法进行规则选择,得到具备较少规则数目的精简模糊分类系统.最后为提高精确性,采用约束遗传算法对精简模糊分类系统进行整体优化,在解释性不变的前提下,提高模糊分类系统的精确性.Iris和W ine分类系统的仿真,验证了该方法的有效性.     

基于模糊聚类方法的T-S模糊系统建模

提出了用一个聚类验证准则设计模糊C均值聚类算法，这个聚类验证准则是用来确定模糊C均值算法中合适的聚类数．针对T—S模糊模型，由模糊c均值聚类算法确定其逻辑前件参数，进而采用最小二乘算法确定模糊推理规则的后件参数．最后，应用本文建模方法对一个非线性实例进行仿真计算，并与其它方法进行了比较，结果表明本文方法是有效的．     

基于化工过程预报的模糊聚类神经网络系统

为了解决化工预报过程中的复杂问题，利用神经网络、模糊系统和演化算法等智能控制理论，提出了模糊聚类神经网络系统模型（FCNNS）。该模型的特点是利用模糊聚类算法提取典型数据，然后将典型数据送入神经网络系统进行学习产生模糊规则。该模型缩短了规则生成的时间，有效地防止了规则数爆炸，并在化工过程预报的应用中获得理想效果。     

基于模糊神经网络的球团密度在线测量

提出了一种在线测量球团密度的新方法．该方法以模糊神经网络技术为基础,综合考虑制团过程各因素对球团密度的影响,建立起球团密度的软测量模型．在软测量模型中,采用模糊神经网络模型描述球团密度变化的非线性过程,并提出了一种改进的模型辨识算法,利用减法聚类法确定合适的聚类组数目,并用实数编码的遗传算法优化全局参数,从而获得了结构简单、具有较高精度的模糊神经网络软测量模型．根据此方法,设计了测量装置,并进行了现场试验,试验结果表明软测量模型输出与实验室测量值基本一致,平均误差较低且最大误差未超过0．05g／cm^3．     

一种用于非线性逼近的新型模糊神经网络

针对一般非线性映射的逼近问题，提出用分域逼近的通用算法来实现全局逼近，并据此构造了实现该算法的新型模糊模糊神经网络。通过仿真，将新型模糊神经网络和常用的BP和RBF两种神经网络进行比较。结果表明，该新型模糊神经网络的非线性逼近能力明显优于后两者，且权值具有明显的几何意义，设计难度相对较小，可用于解决复杂非线性函数的逼近问题。     

用模糊ART神经网设计自适应调色板

本文分别采用模糊ＡＲＴ神经网和模糊ＡＲＴ神经网的变体设计了自适应调色板。文中通过实验证明，模糊ＡＲＴ神经网设计灵活，且客观映射误差有比较明显地改善；同时，通过负模糊度概念的引入，构筑模糊ＡＲＴ神经网的一种变体；负模糊ＡＲＴ，进而从实验上证明了负模糊ＡＲＴ，以较少的类别数可得到较佳的视觉效果。     

一种基于模糊聚类和遗传算法的模糊神经网络模型的学习算法

提出了一种基于模糊聚类和遗传算法的模糊神经网络的学习算法,采用 模糊Ｃ－均值聚类算法进行模糊神经网络模型的结构辨识,得出最优或次优的模 糊规则数,采用改进的遗传算法进行系数辨识。仿真结果证明该算法是可行和有 效的。     

补偿递归模糊神经网络及在热工建模中的应用

在传统的模糊神经网络中引入递归环节和补偿环节,构成了一种新型补偿递归模糊神经网络(CRFNN),改善了网络的动态响应特性和学习能力.在此基础上,采用一种新型序贯监督策略对网络进行结构辨识,能够有效地确定模糊规则的条数以及相关参数的初始值.针对CRFNN的结构特点,提出了改进的BP算法,能够对网络的结构参数进行进一步的学习.对典型的热工对象以及复杂的ALSTOM气化炉进行的建模计算结果表明,提出的CRFNN具有优良的动态响应特性和很强的学习能力,值得在热工建模与控制领域中推广应用.     

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.     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.