基于遗传算法Fuzzy规则自动获取

为了实现Ｆｕｚｚｙ规则自动获取，进而坑性能智能系统和解决智能系统中的“瓶颈”问题，提出了利用遗传算法自动获取模糊规则的方法。定义了个体评估函数，说明了Ｆｕｚｚｙ规则以及遗传算法的组合优化的能力，计算机模拟结果表明这种方法有效地获取Ｆｕｚｚｙ规则。     

基于模糊规则自动获取的模糊主动轮廓模型

为了引入更多的不确定性先验信息来指导轮廓提取,首先提出了一种新的模糊主动轮廓模型(FuzzySnake),然后针对模糊主动轮廓模型中模糊推理规则难以确定的问题,提出了一种改进的遗传算法———多种群共生遗传算法,并用于相关模糊规则的自动获取,最后给出了用新的模糊主动轮廓模型从人工合成图像、加噪测试图像和实际的超声图像中提取目标轮廓的实验结果.实验表明,在模糊主动轮廓模型中利用多种群共生遗传算法进行模糊规则自动获取,不仅能有效克服模糊规则需向领域专家学习才能获取的局限性,而且能有效地降低传统模型对噪声的敏感性,使模型的参数调整得以简化.     

一种利用遗传算法自动生成模糊规则方法

将遗传算法用于模糊系统的建模中,在分析经典遗传算法基本原理的基础上,提出了算法的改进措施;重点阐述了模糊系统中遗传与变异的作用,从而提出了一种具有很强进化能力的模糊规则生成算法,为智能系统获得模糊规则提供了一种有效方法。模拟结果验证了该算法的正确性。     

一种新的基于加权模糊规则自适应神经-模糊推理

提出了一种基于加权模糊规则的新的推理机制,并将这组加权模糊规则及相应推理机制映射成了一个模糊神经网络,其中加权模糊规则中的(局部和整体)权重恰好对应于神经网络的连接权.通过新改进的BP算法训练此神经网络后,可学习得到加权模糊规则的权重近似优值.模拟实验说明,训练后得到权重,用本文提出的新的推理机制可以一定程度上提高推理精度.     

基于遗传算法的神经-模糊减振控制方法

针对复杂情况下模糊控制器难以获取经验规则的缺点,利用遗传算法来优化模糊控制器的规则,并采用一种权重和方法以实现多目标的优化控制.为了减少时滞对控制效果的影响,应用BP神经网络以预测模糊控制器的输入.基于76层风振Benehmark模型对提出的控制算法进行了计算仿真分析.结果表明神经-模糊控制(NN-FLC)方法在理想情况下与传统LQG控制算法控制效果相当;但在结构刚度不确定时,该方法具有较强的稳定性和鲁棒性,远优于LQG算法.     

基于遗传算法的神经模糊网络

从改进Ｓｕｇｅｎｏ模型的神经模糊网络入手，提出了利用遗传逄法对该网络的参数进行优化，以期在被控对象未知的情况下也能达到预定的要求，最后以倒摆为例，通过计算机仿真验证了这一方法的可行性。     

基于遗传算法的分布结构模糊神经网络

提出了一种用于模糊系统建模和分析的分布结构模糊神经网络,这种网络将所有输入变量的从属度与各输出变量的从属度通过分布结构独立对应起来,利用遗传算法得到网络的权与输入变量的从属函数最优化参数,最后给出计算机模拟结果。     

基于Kohonen网络-粗集-模糊神经网络获取模糊规则的集成方法

基于单一知识发现方法的不足提出了一种基于Kohonen网络、Rough Sets和FNN获取模糊规则的集成方法.首先用Kohonen网络进行数据量化,然后运用粗集理论产生初始规则,并根据所得的规则建立模糊神经网络模型,从而生成较少的精炼规则.最后通过实例仿真分析,验证了该方法的有效性和实用性,同时为获取模糊规则提供了新的思路.     

基于神经网络的带遗传算法的模糊控制器

研究如何将模糊逻辑系统（ＦＬＳ）、人工神经网络（ＡＮＮ）及遗传算法（ＧＡ）相结合,构成一个有机的控制器,从而达到准确、快速的控制。     

基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)

利用神经网络的自适应、自学习等特点和模糊系统的人脑性等特点来弥补相互的缺点，使它们结合产生一种基于神经网络的模糊系统，并用该系统提取我国经济增长的模糊规则。     

基于遗传算法的关联规则挖掘

根据关联规则挖掘的要求,结合遗传算法的特点,提出了一种基于遗传算法的关联规则挖掘算法,在基本遗传操作选择、交叉、变异的基础上,引入了挑选操作,取消了交叉、变异概率,给出了详细的算法设计及描述,并通过实例证明了算法的性能。     

基于遗传算法的最优模糊控制器设计

模糊控制规则集是模糊控制系统的核心部分,对控制的快速性和精度有很大影响,采用改进的ＧＡ算法优化ＢＰ网络,加快了ＢＰ网络的收敛速度,也避免了ＢＰ网络易于陷于局部极小的麻烦。用优化的ＢＰ网络生成规则集,经过优化的ＢＰ网络隐层神经元数减少,即优化了规则库,从而提高系统的精度,降低了对ＢＰ网络系统误差的精度要求。     

一种基于遗传算法的知识规则挖掘算法

论述了遗传算法在数据挖掘中的一类知识分类应用,并给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示,适应度函数定义等.通过实例证明了该算法的有效性.     

遗传算法模糊神经网络在列车驾驶中的应用

大城市交通问题迫切需要高效率的交通系统,这就要求在交通系统的控制中引入智能控制技术。本文介绍了模糊神经网络与遗传算法的特点, 分析了他们之间相互结合的可能性,并提出了基于遗传算法的模糊神经网络控制算法。该算法使模糊神经网络和遗传算法的优点很好地结合起来。本文还介绍了列车自动驾驶系统的概况,并将新算法用于此系统中。     

基于遗传算法BP神经网络优化IRFPA非均匀性适应校正算法

本文具体研究了红外图像非均匀性校正算法中的基于场景类BP神经网络校正算法。针对BP神经网络算法运算量大、容易进入局部最小值、实时性能差的问题,提出利用遗传算法优化BP神经网络校正过程的算法。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

基于蚁群算法的分类规则挖掘

在Ant-Miner算法基础上提出了一种利用蚁群算法解决分类规则挖掘的算法(ACR),设计了合理的蚂蚁选择属性及属性分区的概率公式,并对规则质量的衡量等策略进行改进,可以较好地挖掘分类规则.在标准数据集上通过与Ant-Miner算法和经典的基于决策树的C 4.5算法比较,ACR在挖掘分类规则的简单性、正确率上有较好的表现.     

基于遗传算法和信息熵的文本分类规则抽取方法研究

针对数据挖掘中的文本分类问题,提出了一种基于遗传算法和信息熵的文本分类规则抽取算法Genet-ic-Miner(简称GM),该算法的目标是在数据集中发现分类规则。首先利用信息熵生成初始种群,然后利用优化的遗传算法抽取相应规则。采用六个标准的公共领域的数据集比较了GM与其它两个非常著名的同类算法Ant-Miner和CN2,实验结果表明,无论是预测准确性和规则的简单性,GM都明显优于Ant-Miner和CN2,并且该算法能大大提高对知识的理解力。     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.