基于聚类算法的神经模糊推理系统结构和参数的优化

根据社会网络与模糊逻辑系统的各自特性，在分析了扩展RBF网络与T－S型模糊逻辑系统功能等价性的基础之上，提出了扩展RBF网络与T－S型模糊逻辑系统相互融合的一种新的自适应模糊逻辑系统，考察了系统现有的结构和参数优化方法，提出了采用基于山峰函数的减法聚类算法与由梯度下降算法和最小二乘算法所组成的混合学习算法来对模糊推理系统进行训练，从而优化自适应模糊推理系统的结构和参数，最后，针对一非线性函数逼近问题进行了验证，仿真取得了很好的效果。系统的逼近精度和收敛速度获得了明显的提高，从而表明本文提出的算法是有效性和可行性。     

间歇过程模糊预测学习控制器的设计与仿真

针对工业间歇过程的控制问题，分析比较了现有的两类反馈-前馈迭代学习算法在解决工业间歇过程控制系统滞后问题上的缺陷，采用T-S模糊预测模型，在原有反馈-前馈迭代学习算法基础上引入预测思想，研究了基于模糊预测的迭代学习算法，并设计了一种模糊预测学习控制器。以具有滞后、变参数特性的间歇过程为例，进行了仿真研究，验证了提出方法的有效性。     

模糊逻辑系统的一种自适应参数学习算法

根据自适应模糊逻辑理论以及基于导数的参数优化方法,分析了模糊逻辑系统常规参数优化算法存在的不足,从改善模糊系统的参数训练步长的角度着手,对其常规的最速下降算法进行了改进,提出了一种新的自适应模糊逻辑系统参数学习算法,并对该算法的推导过程进行了具体的分析和描述。最后,针对一非线性函数逼近问题,对该算法进行了验证,仿真的逼近精度和收敛速度都获得了提高,表明本文提出的模糊逻辑系统自适应参数学习算法是可行和有效性的,且能够克服常规参数优化算法中存在的某些不足。     

复杂系统的遗传-模糊建模方法

针对复杂系统的模糊建模问题，提出了一种遗传．模糊建模新方法。首先，利用竞争学习算法对输入空间进行自适应聚类，基于聚类结果提取模糊模型的规则前件隶属函数参数，采用局部最小二乘法求得规则后件参数，从而初步建立起系统的T-S模糊模型。然后，对规则前、后件参数进行编码，借助于实值编码遗传算法优化模糊系统。最后，数字仿真结果验证了算法的可行性和有效性。     

一种基于模糊规则的非线性系统快速模糊辨识方法

针对以往模糊建模方法中算法中算法过于复杂的问题，提出了一种简单而有交的复杂系统模糊建模新方法。该方法是基于输入空间的模糊划分，计算给定样本在各模糊子空间的隶属度，并列用卡尔曼滤波算法辨识模糊模型的结论参数。整个辨识过程与模糊聚类方法和误差反馈学习方法相比所需的CPU时间最短。最后通过著名的Box-Jenkins煤气炉数据仿真结果证明了该方法的有效性与实用性。     

一种新的模糊自校正控制学习算法

提出一种基于模糊竞争学习的模糊自校正控制方法.通过基于模糊竞争学习确定一种在线模糊辨识算法,在采用此模糊辨识方法对对象进行在线估计的基础上,用调节器实现参数的自动整定.为了验证所提方法的有效性,给出了非线性系统的控制结果.     

基于核函数强化学习的抗干扰频点分配

针对学习未知动态的干扰图样问题，提出一种基于核函数强化学习的雷达与通信抗干扰频点协作算法。与需要获得干扰模式、参数等先验知识的研究相反，所提算法能够利用过去时隙中频点的使用情况来优化抗干扰频点分配策略。首先，通过核函数的强化学习来应对维度诅咒问题。其次，基于近似线性相关性的在线内核稀疏化方法，确保了抗干扰频点分配算法的稀疏性。最后，仿真结果验证了所提算法的有效性。得益于稀疏化码字对于系统动态特性的学习，所提算法与传统基于Q学习的抗干扰频点分配算法相比，收敛时间更短，并且可以快速规避外部未知干扰源的干扰。     

基于等效控制的迭代学习控制

对一类含非参数不确定性的时变非线性系统,提出了一种新的迭代学习算法,应用类Lyapunov方法证明了其收敛性。为了提高其收敛速度,建立了该类非线性系统的等效系统,并应用线性扩张状态观测器直接给出了原非线性系统的等效控制,该等效控制是其期望控制的近似。为了消除线性扩张状态观测器应用中的初始时刻的峰值现象,提出了顺时针估计和逆时针估计相结合的等效控制求解方法,给出了基于等效控制的迭代学习控制算法的实现流程图。仿真表明所提的两种算法都是有效的,基于等效控制的迭代学习控制算法几乎一次学习后就可达到满意的效果。     

一种PID型模糊神经网络控制器

为了使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提出了一种包含一个自回归神经元的五层模糊神经网络，并根据梯度下降法，给出了它各权值的修正算法，该网络可以在反馈控制系统中作为一个自学习控制器来使用，最后，根据有关定理，给出并证明了该网络各层权值学习速率的收敛准则。     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

基于模糊约束的贝叶斯网络参数学习

针对小样本下贝叶斯网络参数学习结果不准确的问题，提出一种模糊最大后验估计方法，该方法将模糊理论引入到参数学习中，通过对约束效力的度量，利用隶属度函数来确定超参进行学习，以提高约束使用的准确性。实验证明，所提方法可以有效提高参数学习的精度。除此之外，将所提方法应用到网络安全评估中，将通用漏洞评分系统作为专家先验参数，结合漏洞信息迁移样本来进行参数学习。最后，通过节点和路径安全评估验证了所提方法的有效性。     

基于对位学习多目标遗传算法的板形板厚控制

提出了一种基于对位学习多目标遗传算法的板形板厚控制系统设计方法。该方法给出了控制系统的结构,建立了板形板厚控制器参数的多目标优化模型,并采用对位学习多目标遗传算法对该模型进行多目标优化,得到一组控制器参数的Pareto解。在其中选择三个Pareto解对应的控制器参数,作用于板形板厚控制系统做仿真研究。结果表明,所得到的Pareto解集中选定区域的解都可以使系统具有满意的性能,并且对扰动有较好的抑制作用,证实了该方法的有效性。     

信息不完备小样本条件下离散DBN参数学习

针对信息不完备小样本条件下离散动态贝叶斯网络参数学习问题,提出约束递归学习算法。该方法通过前向算法建立含有隐藏变量的离散动态贝叶斯网络参数递归估计模型,以当前时刻网络参数为变量,构建均匀分布表示的先验参数约束模型。在此基础上利用优化算法获得近似的Beta分布,将该分布下的先验参数信息加入递归估计模型中完成参数学习。通过无人机动态威胁评估模型验证了该方法的有效性和精确性。     

ANFIS网络在机载电子设备费用估算中的应用

阐述了自适应模糊推理系统 (AdaptiveNetwork -basedFuzzyInferenceSystem ,ANFIS)网络 ,提出了最小二乘法和误差反传算法相结合的混合学习算法。混合学习算法提高了网络参数的辨识速度和网络计算的收敛速度。应用ANFIS网络建立了整套机载电子设备费用估算模型 ,并对整套机载电子设备费用进行了估算。估算结果表明 ,同通常的费用估算方法相比 ,此模型具有更高的准确性 ,并具有应用泛化能力 ,为费用估算提供了一条新途径     

具有控制时滞的不确定分布参数系统迭代学习控制

研究了具有控制时滞的不确定线性分布参数系统的迭代学习控制问题,允许系统在迭代过程中初始状态值存在一定偏差。提出了基于时滞已知的P型迭代学习控制算法,给出了其L²范数收敛的充分条件,并利用Green公式、以及Gronwall-Bellman不等式等从理论上进行收敛性证明。数值例子验证了该算法的有效性。     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

Research on the Method of Nonlinear Combining Forecasts based on Fuzzy System

1　ＩｎｔｒｏｄｕｃｔｉｏｎＯｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｆｕｎｃｔｉｏｎｓｏｆｍａｎａｇｅｍｅｎｔａｔａｌｌｌｅｖｅｌｓｉｎａｎｏｒｇａｎｉｚａｔｉｏｎｉｓｐｌａｎｎｉｎｇ ,ａｎｄｆｏｒｅｃａｓｔｓｐｌａｙａｋｅｙｒｏｌｅｉｎｔｈｅｐｌａｎｎｉｎｇｐｒｏｃｅｓｓ .Ｍａｎａｇｅｍｅｎｔｎｅｅｄｓｔｏｒｅｄｕｃｅｔｈｅｒｉｓｋｓａｓ ｓｏｃｉａｔｅｄｗｉｔｈｄｅｃｉｓｉｏｎ ｍａｋｉｎｇ ,ａｎｄｏｎｅｏｆｔｈｅｗａｙｉｎｗｈｉｃｈｔｈｉｓｃａｎｂｅｄｏｎｅｉｓｂｙａｎｔｉｃｉｐａｔｉｎｇ…     

一类线性时变系统组合自适应迭代学习控制

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应控制方法与迭代学习相结合,提出了组合模型参考自适应迭代学习控制算法.基于Lyapunov方法推导出迭代学习控制律以及针对时变惯性参数与时不变高频增益的组合自适应参数更新律.该算法适于控制快时变系统,并使跟踪误差、参数估计误差和控制信号有界.当迭代次数趋于无穷时,跟踪误差关于有限时间区间一致收敛到零.系统仿真验证了所提控制算法的有效性.     

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。