模糊RBF网络简化模型研究

在一定的前提条件下,提出一种简化的模糊ＲＢＦ网络模型,该网络由输入层,模糊化层,模糊联结层,合成联结层和输出层组成,同时,还给出了网络的构造方法和自学习方法,仿真结果表明此网络对非线性,多变量函数具有主好的逼近能力。     

BP学习网络中权值的感受野型初始化研究：Ⅱ.内部表象

在ＢＰ神经网络中完成Ｔ－Ｃ识别问题后，考察了在全联结和局域联结网络的权值感受野型和随机型初始化设置条件下，输入层与隐单元层之间联结权值Ｗ＾ξηｉｊ的最终分布。     

一种混合模糊联想记忆网络

本文改进了Ｋｏｓｋｏ．Ｂ提出的最大最小联想记忆网络的模糊Ｈｅｂｂ关系编码规则,给出了一种新的学习算法,新算法克服了Ｋｏｓｋｏ．Ｂ算法的缺陷,在一定条件下,本文的学习算法能将模式对完整地联想出来．另外,本文在分析网络的容错性及稳定性的基础上,提出了一种五层混合模糊联想记忆网络,五层混合网络具有良好的联想容错能力．实验结果表明,本文的学习算法及混合网络是有效的．     

浅谈外墙外保温工程技术体系及其应用

外墙外保温体系构成包括保温层、保护层、联结料（粘结剂和锚固钉等）和饰面层。根据保温层保温材料的不同,联结技术不同．构成不同的技术体系。     

基于混合混沌搜索方法的多层递归模糊神经网络建模

提出了一种多层递归模糊神经网络（MRFNN）,并提出混合混沌搜索方法用于网络学习。该网络融合了T—S模糊模型．在隶属函数层和规则层有局部反馈连接。网络的学习分为结构学习和参数学习两部分。结构学习确定隶属函数层和规则层的节点数;参数学习由混合混沌搜索方法完成,利用混沌搜索优化前件参数。同时利用最小二乘法实现后件系数更新。对非线性系统辨识进行,仿真实验并对连续搅拌釜式反应器系统建模。结果表明：本文方法能够有效捕捉系统的动态特性。所建模型具有良好的精度。     

基于计算智能的模糊规则自动生成

介绍模糊控制开发系统中隶属函数编辑、模糊规则生成与优化、目标代码生成的原理和功能,提出了基于多层感知器网络、五层模糊神经网、遗传算法的模糊规则自动生成算法,并给出各算法特点和结果分析     

余数制神经网络

提出了一种新的神经元模型，其数据和权值用余数制表示，称之为余数制神经元．它的处理能力等效于一些多层感知机模型．同时提出用中国余数定理重构信号，等效于神经元之间的非线性连接．将此模型用于分类，其单层网络可用于解高阶和边界模糊问题     

车间生产作业计划再生的模糊神经网络方法

研究了将模糊神经网络用于生产作业计划实际执行中遇到干扰时的再生方法．针对模糊的、难以表述和处理的干扰,设计了一个模糊神经网络,包括模糊子网和主体网络,前者根据隶属函数,将定性的模糊“干扰”量化后,参与网络的运算;后者根据模糊规则,将“干扰”定义为网络部分结点的作用函数．较好地解决了“干扰”知识的获取与处理问题．     

网络入侵中的模糊区域判断算法

针对当前网络入侵中模糊区域判断算法未考虑算法的自适应及容错性, 判断效率和稳定性均较差的问题, 提出一种基于多层逻辑结构 的网络入侵中模糊区域判断算法. 首先采用基于多层逻辑结构的模糊区域判断算法, 以自适应和容错性作为约束条件, 通过求取算法不同层反馈解, 得到网络入侵中的模糊区域判断结果; 然后基于判断结果, 采用警报合成算法将较多雷同警报合成为一条警报, 以防止形成警报洪流, 获取最佳模糊区域判断结果. 实验结果表明, 该算法的检测率和误报率总平均值分别为9313%和097%, 平均时间为10.13 s, 表明该算法具有显著的网络入侵模糊区域判断优越性.     

基于模糊神经网络的数据挖掘算法

提出一种基于模糊神经网络进行数据挖掘的新方法。构成模糊神经网络的模糊化层采用高斯函数计算5个模糊隶属度,高斯函数需要的均值、方差以及隶属度的中心值都可通过预先计算采集到的数据得到。模糊推理层采用取小取大运算代替常用的积和运算,加快了网络的推理速度。在模糊神经网络训练阶段,首先利用重心法对模糊化层输出进行反模糊化,再采用BP思想,利用梯度法求误差值并进行反传调整隶属度函数的参数值。为提高网络推理精度和速度,通过设立相应的规则对网络进行裁剪,剪掉多余的节点和权值,最后依据一定的思想对产生的模糊规则进行简化和提取。以工业锻造中的智能温度控制系统的控制数据为例进行仿真,结果表明,该网络具有较高的精度和较好的鲁棒性。     

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统.设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真.结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力.     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

RBF模糊神经网络在舰载C3I系统效能评估中的应用

针对舰载C3I系统指标体系效能评估中存在的影响因素多、因素之间关系不明确和数据量庞大等问题,提出了一种径向基函数神经网络和模糊推理规则相结合的效能评估方法,分析并建立了基于RBF模糊神经网络学习算法的舰载C3I系统作战效能评估模型。利用400组指标权值数据对RBF模糊神经网络进行训练和测试,验证了该模型的有效性和可行性。在此基础之上,对选取的13组作战效能一级指标权值数据进行3次仿真实验。结果表明,该方法能够判定舰载C3I系统作战效能指标权值是否合理分配,为舰载C3I系统的作战效能评估方法提供了一种新的途径,也为决策者根据战场态势进行动态决策提供有效的量化验证。     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

基于RBF网络的Takagi—Sugeno模糊控制器参数获取

ＲＢＦ网络是一种广泛应用的神经网络模型,而Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则是一种简化的模糊推理规则,两种方法的起源不同。文中分析了在一定条件下,ＲＢＦ网络与简化的Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则的函数等效性,揭示了网络权值与推理规则参数的对应关系,从而为两种方法的互换使用奠定了理论基础。在此基础上,提出了使用ＲＢＦ网络在实时控制过程中为一些复杂的被控对象获取Ｔａｋａｇｉ－Ｓｕｇｅｎｏ型     

基于RBF网络的扫描体制雷达DOA估计方法

针对传统扫描体制雷达无法分辨半功率波束宽度内存在多目标的问题,利用阵列信号处理的思想,把RBF神经网络理论应用于机扫雷达的DOA高分辨估计.首先给出了扫描体制雷达DOA估计的信号模型,提出了一种基于RBF网络实现扫描体制雷达DOA高分辨估计的SRBF算法.然后针对RBF网络存在的学习收敛速度慢等问题,给出了基于模糊学习矢量量化(Fuzzy Algorithm for Learning Vector Quantization,FLVQ)的网络学习算法,FLVQ方法采用模糊C均值方法中的模糊权重函数在线自适应调整,来确定输入和中心之间的权值,使得网络具有更高的非线性逼近性能和高效的收敛性.理论分析和仿真结果均表明SRBF网络具有快速准确的DOA估计能力,算法便于工程实现,具有较高的实用价值.     

一种自组织模糊神经元网络控制学习方法及其应用

提出一种自组织模糊神经元网络控制学习方法,该方法由自组织模糊神经元网络（ＳＯＮＦ）和基于径向函数网络（ＲＢＦ）组成,具有自适应和自学习的特点。