具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样...     

一类非线性系统的模糊建模方法

针对一类非线性系统的建模问题,以扇区非线性化为基础,提出了一种T-S模糊建模方法。首先在论域上确定出系统中非线性项的最大值和最小值;然后给出非线性项的隶属度函数;最后建立了非线性系统的T-S模糊线性模型。本算法计算简单,容易实现,同时,仿真结果也表明算法能够有效实现对原系统的逼近。     

改进的模糊Min-Max神经网络与模糊系统建模

应用改进的广义模糊Min—Max神经网络进行样本分类，并以此分类结果确定模糊系统所需的模糊规则数，再运用TSK模糊系统实现函数建模，该方法的优势在于，改进的广义模糊Min—Max神经网络具有较好的自适应分类能力，可用来初步确定模糊规则数和规则空间的划分。有效避免了模糊建模时常见的规则数选取之随意性，实验结果证明，该方法实用有效。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

类模糊神经网络与非线性系统的在线控制

以实现非线性动态系统的在线控制为目的,提出了一种具有隐层数少、运算简便和逼近能力强等优点的神经网络－类模糊神经网络,并就非线性动态系统的在线控制给出了基于类模糊神经网络控制的选择记忆算法,使谤类非线性系统的在线控制问题得以解决。     

模糊神经网络的非线性辨识理论及应用

论述了模糊系统和神经网络相结合的非线性系统辨识理论．通过分析模糊系统规则之间的隐含关系，给出具有非线性模糊关系的模糊神经网络非线性系统辨识方法，并用仿真方法进行了验证．最后讨论了网络的稳定性和收敛性．     

基于神经网络模糊观测器的非线性系统的故障诊断

本文运用T-S模糊模型建立非线性系统的系统模型,用神经网络逼近非线性故障,用以设计观测器诊断系统故障。仿真结果表明,该设计方法能够有效的估计出故障大小。     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络，进行了非线性动态系统的建模，给出了权值调整算法，利用获得的模型，设计了反馈线性化控制器，由训练好的网络在线提供反馈线性化所需要的信息，为了解决模型失配问题，采用内模控制结构来引入模型的误差反馈，以消除稳态误差，文中给出了仿真实例。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法.采用结构辨识和参数辨识相结合的方法,构造模糊系统完善的模糊规则库.用此设计方法对函数逼近问题进行仿真,结果表明该方法具有规则数目少、学习速度快、建模精度高等特点.     

噪声有源控制的简化模糊神经网络方法

研究了非线性噪声有源控制的问题,给出了一种简化的模糊神经网络控制方法。控制系统只有一个输入,需要比较少的参数,因此降低了计算负荷。系统的收敛速度明显快于全局逼近神经网络。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

子波基神经网络及其建模

将神经网络与子波理论结合,构成新型的神经网络结构-子波基神经网络,不同于一般前向神经网络的是该网络的隐层单元的激活函数为不同尺度下的子波函数.该网络具有良好的逼近非线性的能力.本文将其应用于非线性系统建模.     

基于模糊聚类的二型模糊神经网络系统辨识

二型模糊神经网络结合了二型模糊系统描述实际情况不确定性和神经网络的学习能力,在非线性系统的辨识中得到了广泛应用。二型模糊神经网络参数学习使用最多的是反向传播算法算法,该算法原理简单,易于实现。但是该算法对初值敏感,不合适的初始会导致算法收敛于非最优解或者发散。针对反向传播算法的这一缺点,提出了一种基于模糊C均值聚类的区间二型模糊神经网络辨识算法。该算法选择高斯型隶属度函数,将模糊C均值算法得到的聚类中心初始化高斯函数的中心,而高斯函数的宽度利用模糊C均值聚类算法的隶属度和中心求取。通过2个非线性系统的辨识效果表明,提出的辨识算法具有较高的辨识精度,收敛速度较快。     

基于观测器的非线性系统神经网络自适应控制

针对一类单输入单输出非线性不确定系统,基于状态观测器并结合自适应神经网络和滑模控制,提出一种稳定的间接自适应神经网络输出反馈控制算法.该算法不需状态可测的条件,并能保证系统稳定.仿真结果表明了该方法的有效性.     

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．     

RF功放非线性特性的在线神经网络建模

为了改善功放系统的非线性特性,采用了基带数字预失真技术,其中功放系统的建模是其关键技术.由于功放系统是一个复杂的带记忆效应的非线性时变系统,为了能够实现实时校正,采用级联相关算法进行在线神经网络建模.首先选用残差相关性判别方法来确定神经网络功放模型的结构和初始参数,然后使用带遗忘因子的递推最小二乘法对神经网络模型参数进行在线自适应调整.对实测数据的验证表明,建立的神经网络模型完全能达到给定的性能指标要求.     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。     

基于动态模糊神经网络的入侵检测系统

针对传统的网络安全防范技术存在的缺陷和入侵检测在动态安全模型中的重要地位和作用,提出了基于模糊理论、神经网络和遗传算法结合的新方法--动态模糊神经网络,并且给出基于动态模糊神经网络的入侵检测系统构建体系.该系统在实际应用中收到了较好的效果.