模糊神经网络结构动态学习算法

提出了一种模糊神经网络（ＦＮＮ）结构学习算法,根据输入样本动态构建ＦＮＮ的输入节点及其对应的输入隶属函数,从而实现动态确定ＦＮＮ的结构,大大减少了对初始学习本本数目的要求,提出了ＦＮＮ学习算法在实时控制中的适应能力,仿真结果表明,这一算法很好地实现了对超出初始学习样本范围的其他样本的学习。     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

基于模糊算法的判决神经网络

在判决神经网络（ＤＢＮＮ）的基础上提出了一种基于模糊算法的模糊判决神经网络（ＦＤＢＮＮ）．在网络训练中引入置信度和容噪度的概念,提高了网络分类的稳定性,同时克服了（ＤＢＮＮ）在训练样本混有噪声时学习困难和泛化能力不高的缺点．因ＦＤＢＮＮ在学习时的不均匀性,大大加快了网络训练的时间,提高了训练的效率．实验结果表明,ＦＤＢＮＮ的性能高于ＢＰ网,而且也比ＤＢＮＮ在稳定性和识别率上有了显著的提高．     

常用神经网络的操作模型与算法

给出前馈神经网络（ＦＮＮ），径向基神经网络（ＲＢＦＮＮ）和子波神经网络（ＷＮＮ）的操作模型。分别导出它的识别，逼近和学习方程，并给出它的识别，逼近和训练算法。计算机模拟表明用径向基函数神经网络和子波神经网络识别入射波具有很好的频率，入射角及相位识别特性     

RBF神经网络的一种鲁棒学习算法

用定标鲁棒代价函数代替传统的二次型指标，并结合改进的遗传算法，搜索近最优径向基函数神经网络（ＲＢＦＮＮ）的结构和参数。实验结果表明该训练方法比其他方法具有更强的鲁棒性，可提高ＲＢＦＮＮ的泛化能力，自动消除数据中的噪声，再现训练数据中的潜在规律。     

基于模糊神经网络的炼钢炉静态建模

根据炼钢转炉的采集数据,利用１种新型模糊神经网络（ＦＮＮ）,对其进行了静态建模,从理论上论证了该ＦＮＮ的推理及非线性逼近能力。用新建模型对钢水终点温度,终点含碳量进行计算,其结果与相应的实测值基本一致。     

带动态因子调整模糊神经网络控制器的研究

探讨了将模糊规则的提取和推理转化为人工神经网络参数的确定及神经计算，提出一种具有自学习功能的模糊神经网络（ＦＮＮ），并用因子动态调整逼近法，解决了系统中静态误差和积分饱和等问题．     

带混合学习算法的多阶段神经模糊系统模型

提出一种基于演绎模糊推理的多阶段神经模糊系统模型, 对于给定的学习样本, 通过结构学习（采用遗传算法）与参数学习（采用误差逆传播神经网络方法）过程, 能够生成适当的演绎模糊规则集, 并通过与单阶段神经模糊系统模型求解Benchmark问题的实验对比, 讨论和分析了该模型的有效性和健壮性.     

A REAL_TIME SHORT_TERM LOAD FORECASTING SYSTEM BY ARTIFICIAL NEURAL NETWORK *

应用人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ—ＡＮＮ）设计短期电力负荷预测（Ｓｈｏｒｔ＿ｔｅｒｍＬｏａｄＦｏｒｅｃａｓｔｉｎｇ—ＳＴＬＦ）系统,利用广州电网的负荷数据进行仿真,分别作出提前１小时和未来２４小时的整点负荷预测,获得比较满意的预测精度,显示出人工神经网络应用于短期电力负荷预测的良好前景．由于建立小时模型、改进了训练样本集的选取办法及采用高效率的ＬＭ（Ｌｅｖｅｎｂｅｒ＿Ｍａｒｑｕａｒｄｔ）训练算法,使ＡＮＮ的训练速度大大加快,形成可以实时训练和预测的ＡＮＮ＿ＳＴＬＦ系统．     

矿物机械活化人工神经网络-模糊专家系统的开发

针对矿物机械活化所涉及知识的复杂性,把人工神经网络（ＡＮＮ）和模糊专家系统（ＦＥＳ）有机地结合起来．用面向对象编程方法（ＯＯＰ）在Ｗｉｎｄｏｗｓ９５平台上开发出集知识库管理、数据库管理、模糊推理和人工神经网络等为一体的全３２位集成系统．可根据矿物的结构性能等参数对矿物的机械活化效果进行预测,并且集成人工神经网络可有效地抽取矿物的活化效果与矿物结构、性能之间的内在关系     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

基于高斯函数与分级学习的D-FNN算法研究

D-FNN基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看做是基于归一化的高斯RBF神经网络。该文提出的算法,学习前,模糊神经网络不需要预先确定,在学习的过程中,参数估计与结构辨识同时进行,并根据系统精度要求及模糊规则的重要性,自动地产生或者删除一条模糊规则。在学习速度、系统结构和泛化能力方面进行了仿真实验,仿真结果表明D-FNN具有更简洁的结构和优良的性能。     

基于自适应神经模糊推理的精馏分离序列综合

模糊推理能够反映自然语言要素信息传递特性,自适应神经技术能够实现优化建模,通过抽象有效重组判据参数提炼模糊if-then规则,通过构造样本数据进行自适应神经学习训练,根据模型优化参数创建Sugeno模糊推理模型,系统化提出基于自适应神经模糊推理的精馏分离序列优化综合方法。     

船舶避碰的自适应模糊专家系统研究

采用自适应模糊系统和神经网络方法,研究了基于模糊联想规则的避碰操纵知识表示,知识获取和自适应学习;建立了基于二值输入输出模糊联想系统的并行模糊推理机制,由此而建立的船舶避碰撞模糊专家系统具有自适应学习能力,能实现实时避碰导航。     

改进型补偿模糊神经网络故障诊断系统

在模糊逻辑与神经网络融合的基础上,引入补偿运算单元,构成补偿模糊神经网络,使网络从初始定义的模糊规则进行训练,再动态的优化模糊规则,提高网络的容错率和稳定性.针对网络训练的不同阶段对学习速率的不同要求,提出一种具有分段可变学习速率的补偿模糊神经系统,可以提高网络的整体性能,实现动态的、全局优化的运算.故障诊断仿真研究表明:模型具有更好的收敛特性,能够大大的缩短训练时间,减少训练步数,提高误差精度.     

一种再增强模糊神经网络控制器的建立

利用模糊控制的推理功能使神经网络得以简化，减少了学习单元的数量，提高了收敛速度．利用神经网络的并行特点使模糊控制表更容易实现，利用ＢＰ算法为自适应模糊控制提供了一种通用的规则再增强自适应算法．仿真验证了这种再增强模糊神经网络控制器的合理性．     

模糊神经网络在陶瓷配料系统控制中的应用

将模糊控制和神经网络技术相结合 ,借助神经网络的学习能力和信息存储能力来实现模糊推理过程 ,并记忆和调整模糊规则 ,从而自动生成模糊控制规则 ,建立模糊神经网络。系统对模糊神经网络进行离线学习 ,将训练好的模糊神经网络用于在线控制 ,仿真结果表明 ,本文方法用于对陶瓷配料系统的控制 ,取得了无超调、无静差等令人满意的效果     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

模糊神经网络控制系统

介绍了将神经网络和模糊控制相结合,即用人工神经网络算法产生模糊推进规则和隶属函数,再基于这些模糊推理规则和隶属函数产生模糊逻辑控制的一种新颖控制策略-模糊神经网络系统的组织结构及其神经网络的设计。