基于模糊集的神经网络景象匹配算法

将神经网络思想引入到景象匹配,提出了基于模糊集的神经网络景象匹配算法。该算法将图像模糊集作为特征空间,尝试了在模糊域中采用神经网络学习算法进行精确寻优。实验结果表明,设计的算法不但较好的满足了景象匹配系统对算法的性能要求,而且比传统算法具有更高的抗干扰能力。     

复杂大系统建模的模糊神经网络方法

提出了一种新的复杂大系统建模方法。采用模糊神经网络对复杂大系统对象中的结构不确定性因素进行建模,并利用同步扰动随机近似算法对模型参数进行在线调整。将该方法应用于直升飞机旋翼自转着陆过程中的仿真建模中,给出了全量模型和模型调整过程。仿真结果表明,该方法是切实可行的。     

基于过程神经网络的稀疏数据过程建模方法

针对一类因检测困难而导致检测数据稀少的连续工业过程,提出了基于离散Walsh变换的过程神经网络建模方法.在对稀疏样本数据进行预处理的基础上,采用递推式非邻均值生成法对样本数据进行扩充,以此建立可产生任意密集预测数据的过程神经网络模型,并采用在线滚动学习的方法进一步提高所建立的预测模型的精度.以味精发酵过程菌体浓度预测为例,验证了所建立的过程神经元网络预测模型可以得到非常高的预测精度.     

复杂过程对象混合建模策略的研究

提出一种面向复杂过程的混合建模策略并应用于精馏塔的建模。混合模型包含基于基本原理的简化机理模型和基于神经网络的稳态、动态补偿机构。通过工况的识别以及模型参数的离线辨识和在线优化，混合模型可以准确地模拟复杂过程在大范围内的动态特性。仿真结果证明了混合建模策略的有效性。     

区间值模糊集的粗糙度

给出了粗糙区间值模糊集的概念,并研究了一些基本性质.通过引进区间值模糊集水平上、下区域的概念,解决了粗糙集理论中普遍存在的两个集合的交的上近似不等于两个集合的上近似的交(两个集合的并的下近似不等于两个集合的下近似的并)的问题.定义了区间值模糊集的粗糙度,由于区间值模糊集水平上、下区域概念的引进,得到了比普通模糊集的粗糙度更好的结果.     

基于模糊集的故障检测方法

针对limit checking故障检测方法的缺点,提出了一种基于模糊集的故障检测方法。该方法基于传感器测量值的不确定性和门限值具有模糊的客观属性,在检测值所有可能值的论域上划分模糊子集,将检测值偏离门限值的程度用隶属函数与模糊子集报警权重表示。考虑到时间因素对检测结果的影响,提出采用时间窗函数的方法计算时间窗内的报警权值之和作为模糊检测决策依据。仿真结果表明,基于模糊集的故障检测方法相比于持续性计数(Persistence Counter)方法具有更好的检测性能。     

双枝模糊集模糊性度量

利用双枝模糊集概念,提出了双枝模糊集、上枝模糊集、下枝模糊集的模糊度概念。通过双枝模糊集模糊度的理论定义,给出了有限论域上双枝模糊集、上枝模糊集、下枝模糊集模糊度的构造性定理,利用这些定理进一步给出了双枝模糊集、上枝模糊集、下枝模糊集模糊度的几种具体计算公式。通过讨论得出单枝模糊集的模糊度是双枝模糊集模糊度的特例。     

基于面向对象分析和设计的神经网络建模系统

针对目前神经网络建模工具的不足,进行了网络的面向对象分析。并采用面向对象的编程技术,实现了通用性强的可视化建模工具,解决了多层网络的建模难题。     

基于神经网络的电站仿真器建模方法及应用

本文将神经网络理论应用到电站系统仿真实践中，有效地解决了电站系统仿真研究常遇到的机理复杂的非线性环节的建模问题，并以制粉系统为例，提出了作用函数Φ（ｘ），学习效率系数α的选取方法以及权值Ｗｉ，ｊ的初值设定及要求，给出了提高逼近精度的方法。     

一种MIMO复杂过程的模糊建模新方法

针对难于建立精确数学模型的MIMO复杂过程,提出一种基于过程输入输出数据变化关系的模糊建模方法。即首先将一个MIMO系统分解成多个MISO子系统,对每一个MISO子系统按过程输出随输入变量变化的剧烈程度对输入变量论域进行划分。在此划分的基础上确定出MIMO复杂过程模糊模型的规则总数和前件参数;然后,由于要建立的模糊模型可以表示为一个前馈模糊神经网络,因此利用BP学习算法求得过程模型模型的后件参数。仿真举例验证了所述模糊建模方法的有效性。     

机理混合自适应时延神经网络建模和控制算法

过程机理和数据驱动模型的结合一直是过程控制中的重点和难点问题。提出了一种新颖的机理混合模型结构。该模型基于自适应时延神经网络,并结合了被控对象的机理模型,因此可以对建模的对象进行预测感知,并可大幅提高神经网络的泛化功能。基于这种模型设计了预测控制算法,并分析了该模型的逼近能力、收敛性以及该控制算法的闭环稳定性。在双容水箱液位控制系统的大量实验结果表明,基于该混合模型的预测控制算法比现有算法具有更好的控制效果,从而验证了该混合模型的优越性。     

基于突变理论与模糊集的复杂系统多准则决策

针对复杂系统的多准则决策通常具有模糊性和突变理论适合处理具有矛盾性的多准则决策问题的特点,提出了基于突变理论和模糊集的方法对多准则决策问题进行分析建模,并对该方法的灵敏度进行了分析。该方法利用归一公式机理本身来确定各指标对各目标重要性的确定性量化,因而不需要额外考虑指标间的主观权重,所以能够较好地处理复杂系统决策的模糊性。给出了应用改方法的具体步骤,并以一个导弹选型决策问题实例验证了该方法的合理性和可行性。     

分段逆回归与神经网络组合建模方法

通过将人工神经网络技术和分段逆回归技术相结合，提出一种针对多因素非线性时间序列数据的预测建模方法。这种方法在保证原有函数形式不变的前提下，简化了输入变量，缩小了神经网络的规模，增强了模型的泛化能力。同时利用此方法建立北京市就业人口需求总量的预测模型，证实该方法的预测效果，并且为该方法运用于实际预测建模提供参考。     

模糊建模与控制的神经网络方法及其仿真研究

本文提出了一种复杂系统模糊建模及控制的神经网络方法。利用改进的ｐｉ－ｓｉｇｍａ 网络，对模糊规则的结论参数和隶属函数进行在线修正，实现模糊规则的自组织。这种方法被用于降水量预报和机器人解耦控制，取得了满意的仿真结果。为增强神经网络仿真算法的快速性，本文采用了一种基于向量的数据结构，并用标识阵指示神经元的连接状态，以实现有效的内存运算。     

一种获取未建模复杂过程近似极值点的算法

为了求得未建模复杂过程在输入空间的某一子空间内,输出量极值点分布情况,针对未建模多输入单输出(MISO)复杂过程提出一种通过实验记录数据获取近似极值点的算法。即通过对多元函数极值定义的扩展,给出复杂过程近似极值点的定义,基于近似极值点的定义提出根据实验记录数据求取未建模MISO复杂过程近似极值点的算法和实现算法时要注意的问题。最后通过对一个二维非线性函数描述的过程的数字计算,得到与理论分析相同的极值点分布的结果,表明算法的有效性。     

非线性伺服机构的神经网络建模

本文研究了利用径向基神经网络辨识某伺服机构的问题，本文采用了具有自适应步长的Ｋ－均值聚类算法对网络中心进行调整，学习算法中的局部卡尔曼滤波器考虑了径向基网络的空间和参数局部特性，有效地提高了算法的收敛性与学习速度；仿真结果表明了ＲＢＰ网络对伺服机构建模的有效性。     

系统近似建模技术的研究与比较

对于大系统的优化,子系统由于分析模型计算复杂而大量采用近似模型代替与优化。常用的近似建模技术有响应面模型(RS)、计算机试验设计与分析模型(DACE)和神经网络中的误差后向传播模型(BP)。拟对以上三种近似建模技术进行了比较研究,简要阐述了三种近似建模技术的理论基础,并应用实例分别进行了考核。在各近似模型的近似精度和计算费用等方面进行了初步探讨与研究。     

基于回归神经网络的氧乐果合成过程建模与仿真

氧乐果合成过程具有非线性、时变和不确定性的特点，难以采用常规的建模方法建立模型。BP网络可用于非线性系统的建模，但不能很好的反映实际系统的动态特性。提出了一种静态BP神经网络加多分头延时(TDL)环节构成回归神经网络建立系统动态模型的方法，用于氧乐果合成反应温度控制过程的建模与仿真研究。结果表明，该方法建立的模型误差较小、网络泛化能力较强，能较好的反应实际系统的动态特性，从而为培训操作人员的控制水平提供了低成本的仿真手段，也为自动控制算法的研究提供了仿真模型。     

一种基于划分聚类和模糊神经网络的机器学习方法

将基于划分的模糊聚类算法和一般模糊极小极大神经网络分类算法相结合，提出了一种新的机器学习方法，实现了基于类比的案例推理学习模型。具体实现思想是，首先利用基于确定性退火技术的划分聚类算法对已知案例进行聚类标识，由所得结果建立一般模糊极小极大神经网络分类模型，然后用该模型实现新目标问题的案例相似性检索，最后针对目标问题结果案例完成案例学习。通过实例表明，该算法具有较好性能，并在基于案例推理的固体火箭发动机总体设计中成功应用，得到了论域覆盖面大的设计结果集。     

拓展模糊集之间的若干等价变换

系统研究了模糊知识处理技术发展引起的各种模糊集拓展理论及其等价变换问题。首先给出了模糊集理论的各种拓展,如直觉模糊集、L 模糊集与L 直觉模糊集、区间值模糊集与区间值直觉模糊、Vague集等的定义与描述。重点研究了直觉模糊集到一般模糊集的变换,直觉模糊集与Vague集的等价关系,证明了利用D K算子可实现L 直觉模糊集到L 模糊集,区间值直觉模糊集到L 模糊集,区间值直觉模糊集到直觉模糊集,直觉模糊集到区间值直觉模糊集的等价变换。最后,给出了各种模糊集理论拓展形式之间联系的图示。