基于神经网络的模糊综合评价

在模糊系统理论与神经网络理论基础上，建立了一种基于神经网络的模糊综合评价模型，其合成运算采用加权平均算子，其隶属函数调整采用误差反传算法，并证明了这种算子的模糊综合评价神经网络能收敛到唯一的极小点，不咄了以三角模糊函数为尿属函数的模糊综合评价神经网络的隶属函数调整算法。     

模糊算子神经网络的函数逼近能力

研究模糊算子神经网络的函数逼近能力，首先提出传统神经网络和模糊神经网络的一般模型即模糊算子神经网络，又将其进一步推广为广义模糊算子神经网络，考虑这两种通用模型的代数结构和分析性质，给出其连续函数的一致逼近定理，其结论是传统神经网络逼近性质的推广，适用于由任何连续算子构成的多层神经网络（模糊神经网络）。     

模糊统计法与蕴涵算子

对模糊统计法作了推广，得到了模糊蕴涵算子应满足的性质，并据此研究了十六种常用的模糊蕴涵算子，进而选出四种定义合理的算子．以这四种蕴涵算子为例，根据模糊统计的思想，阐述了如何确定每种蕴涵算子适用的场合．     

基于Teager能量算子的倒谱方差的模糊均衡

基于Teager能量算子在噪声抑制上的特殊作用，改进了传统的倒谱参数提取方法，提出一种新的语音识别特征参数，利用基于模糊隶属函数的模糊滤波器组技术对倒谱参数进行模糊均衡，提出了一种新的语音识别参数TEO—FFBA，对多组语音库进行识别实验的结果表明，该算法简单，直接又有效，通过结合Teager能量算子并采用模糊滤波器组分析处理技术，在保持较低计算量的同时有效地提高了特征参数的鲁棒性和辨别能力。     

模糊神经网络的发展

介绍了模糊神经网络及其提出,论述了模糊神经网络现状,探讨了模糊神经网络的不足与展望。     

基于模糊统计的隶属函数神经网络实现方法

采用模糊统计方法获得有限对离散的隶属函数关系，并用神经网络将此关系综合成连续函数表达形式。这一方法进一步完善了隶属函数的统计求法，丰富了经典插值方法，有利于模糊数学理论应用于希望实现并行处理的模式识别等研究领域。     

模糊神经网络的混合调整方法

由于常规调整方法的收敛性依赖于模糊模型的初始条件 ,文中提出一种新的基于遗传算法和梯度法的模糊神经网络自动调整方法 ,通过仿真证明了这一方法是有效的 .     

模糊可靠性分析中基于神经网络技术的隶属函数确定方法

简要介绍了人工神经网络技术的含义,提出了基于神经网络技术的隶属函数求解方法,并用实例证明了该方法的实用性和可靠性.     

模糊神经网络观测器在变压器状态监控中的应用

把模糊集合理论与神经网络技术相结合设计模糊神经网络观测器，并对变压器运行状态进行动态监控。基于神经网络技术克服了模糊规则产生对专家的依赖性及模糊集的非自适应性的问题，隶属函数的自适应及模糊规则的自组织通过神经网络的自学习和竞争获得。该方法实现了变压器运行状态监控中模糊规则的自动确定和隶属函数的动态调节，通过实例分析验证了该方法的有效性和实用性。     

一种适用于模式分类的模糊粗隶属函数神经网络

在设计模式分类器时,由于很难甚至不可能获得实现精确分类的所有必要的本质特征属性,使得在进行分类时出现模糊不确定性和粗糙不确定性并存的情况.基于模糊粗糙集理论,本文构建了一种模糊粗隶属函数神经网络FRMFN.该网络融合了模糊信息和粗糙信息的处理能力,在对加拿大Norman Wells地区的红外波段合成图像进行分类的测试中,显示FRMFN网络具有比相应RBF网络更好的分类精度,同时保留了RBF网络学习速度快的优点.     

基于遗传算法的模糊神经控制器的设计与仿真

根据遗传算法和智能控制的特点,提出了一种基于遗传算法的模糊神经网络控制器,遗传算法主要优化模糊神经控制器的隶属度参数和第三层的网络节点。对优化后的控制器进行了仿真比较研究.仿真结果表明,该控制器有较好的控制性能。     

高斯隶属度函数模糊神经网络在肺癌诊断中的应用

选用隶属度函数为高斯函数的模糊神经网络用于肺癌诊断,尝试提高诊断的正确率.对于非二值输入参数,首先用高斯隶属度函数模糊化,然后与二值参数一起作为BP神经网络的输入参数.所用病例被随机分为训练集和证实集,训练模糊神经网络,用证实集测试该网络区分肺癌与非肺癌的能力.结果表明,用高斯隶属度函数的模糊神经网络比作为对照的三角形隶属度函数模糊神经网络诊断正确率有所提高,而且对病例如何分组不敏感.     

基于模糊偏好信息和WGA算子的多属性决策分析

针对有决策者偏好信息的多属性决策问题,提出了一种基于模糊集和加权几何平均算子（WGA）的决策分析方法。应用模糊集理论,根据决策者的偏好对决策属性给出隶属函数,然后由隶属函数对决策属性进行赋权,再利用加权几何平均算子计算综合属性值进行方案集的排序与择优,最后通过实例验证了所给出方法的可行性和有效性。     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

模糊综合评判算法的改进

针对模糊综合评判法在实际应用中存在的缺陷,即用一个精确程度去度量某元素是否属于某一模糊子集并不能客观反映真实情况,且用"取大取小"方法确定M(∨,∧)模型的评价向量也存在错误,提出一种改进的模糊综合评判法——扰动模糊综合评判法.该方法在一般模糊综合评判法基础上,运用扰动模糊子集和隶属区间的扰动算子,对一般模糊综合评判法重新进行了系统性的完善.采用该方法对电子政务绩效进行评价,能够取得一定的成效.     

模糊神经网络自动生成隶属函数的MATLAB实现

模糊控制是人工智能的一重要研究领域,将遗传算法、神经网络用于模糊控制,可实现模糊规则的在线修改和隶属函数的自动更新,使模糊控制具有自学习和自适应能力.用遗传算法优化具有全局性的隶属函数参数,一方面提高模糊控制的性能;另一方面也充分利用了操作人员的操作经验.本文用MATLAB语言编程来实现隶属函数的自动更新.仿真结果表明,用遗传算法来离线优化隶属函数是切实可行的.     

基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学习方法 ,采用输入输出样本关系曲率来表示函数的复杂度 ,根据曲率的大小确定隶属函数的中心点与宽度 ,使隶属函数的分布符合映射的变化 ,从而在提高逼近精度的同时减少隶属函数个数的增加 .通过仿真将这一方法与均匀划分方法及自组织聚类方法比较 ,结果表明 ,该方法在学习的快速性与精度方面均具有较优的性能     

基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学 习方法．采用输入输出样本关系曲率来表示函数的复杂度,根据曲率的大小确定隶属函数的中心点与宽度,使隶属 函数的分布符合映射的变化,从而在提高逼近精度的同时减少隶属函数个数的增加．通过仿真将这一方法与均匀 划分方法及自组织聚类方法比较．结果表明,该方法在学习的快速性与精度方面均具有较优的性能．     

神经网络在模糊综合评价中的应用

运用神经网络确定模糊综合评价中的权重值，使权重值更符合实际情况，采用梯形公式的四元组形式表达网络中的隶属函数，利用反向传播算法训练网络，得到较好的训练效率和效果．将该方法应用于液压凿岩机的性能评价，得到了满意的结果。