分布式环境下全局模糊频繁项目集的快速挖掘

为了解决模糊关联规则挖掘算法需要用户事先给定模糊集和相应隶属度函数的问题,提出基于分布式聚类自动生成模糊集及隶属度函数的算法GFAM.该算法利用分布式K-Means聚类算法对每个数值型属性进行聚类,求得聚类中心,由此构造全局模糊集,定义全局隶属度函数.DFAR算法根据构造的全局模糊集及隶属度函数进行分布式模糊频繁项目集的快速挖掘,采用全局-局部站点模式,其中包括局部模糊频繁项目集产生算法FLF和全局模糊频繁项目集产生算法FGF.实验结果表明,该算法能准确地生成全局模糊频繁项目集,在求解全局模糊频繁项目集过程中,传送局部模糊候选项目集支持数的通信量为O(n),提高了算法的挖掘效率.     

基于区间二型模糊逻辑的短期电力负荷预测

针对电力负荷的波动具有强随机性而难以准确预测的问题,引入区间二型模糊逻辑方法以减小预测误差.提出一个区间一型非单值二型模糊逻辑模型,用于一小时电力负荷的时间序列预测,并利用反向传播算法来调节模型输入及规则前、后件的参数.同时,构建一个基于反向传播算法的非单值一型模糊逻辑模型,将其预测结果作为检验性能的基准.仿真结果表明...     

基于改进RPCL算法的模糊推理系统构建方法

给出了一种改进的RPCL算法,然后提出了一种基于此算法的Sugeno型模糊推理系统构造方法.该方法首先对训练样本子集聚类以形成初始模糊规则集合,然后对初始模糊规则集合再次聚类以确定模糊语言值个数和隶属函数,从而克服了以往规则提取法在训练样本不充分时规则数目难以确定及规则提取不足等缺点.最后,以倒车实验为例验证了该方法的有效性.     

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。     

分布式环境下全局模糊频繁项目集的快速挖掘

为了解决模糊关联规则挖掘算法需要用户事先给定模糊集和相应隶属度函数的问题，提出基于分布式聚类自动生成模糊集及隶属度函数的算法GFAM．该算法利用分布式K—Means聚类算法对每个数值型属性进行聚类，求得聚类中心，由此构造全局模糊集，定义全局隶属度函数．DFAR算法根据构造的全局模糊集及隶属度函数进行分布式模糊频繁项目集的快速挖掘，采用全局一局部站点模式，其中包括局部模糊频繁项目集产生算法FLF和全局模糊频繁项目集产生算法FGF．实验结果表明，该算法能准确地生成全局模糊频繁项目集，在求解全局模糊频繁项目集过程中，传送局部模糊候选项目集支持数的通信量为O（n），提高了算法的挖掘效率．     

基于QPSO算法优化的区间二型模糊逻辑系统预测

设计了一类区间二型模糊逻辑系统,研究基于历史数据的预测问题.在区间二型模糊逻辑系统设计中,前件、后件、输入测量区间二型模糊的主隶属函数均选择成具有不确定标准偏差的高斯型二型隶属函数.量子粒子群优化(QPSO)算法用来调整所设计的区间二型模糊逻辑系统参数.部分欧洲智能技术网络(EUNITE)的负荷竞赛数据和美国田纳西州(WTI)原油价格数据用来测试所提出的模糊逻辑系统预测方法.定义综合评价误差和作为模糊逻辑系统的预测性能指标.仿真研究表明,所提出的区间二型模糊逻辑系统预测方法在收敛性和稳定性上均优于相应的一型模糊逻辑系统.     

一种基于网格划分的模糊聚类算法

提出了一种改进的模糊聚类算法GBFC(Grid—Based Fuzzy Clustering)．在定义隶属度函数前先做网格划分，形成数据簇的基本形状，并提供真实的参数信息参与此后的隶属度函数定义．隶属度函数综合考虑了影响簇形状的因素，具有合理直观的几何意义且形式简洁．算法通过网格划分加速聚类过程，通过模糊隶属度函数容忍噪声数据，克服了传统模糊聚类算法时间耗费量大的缺点．实验表明该算法具有良好的聚类性能．     

基于时间序列的模糊聚类与规则提取信用评价模型

提出基于多维时间序列模糊聚类与模糊规则提取技术相结合的模糊分类系统,将其应用于信用评价研究.该方法利用投影寻踪技术对多维时间序列数据进行降维处理并进行模糊分类;根据分类结果和最佳投影值提取模糊规则,采用梯形分布法生成三个模糊隶属函数;最后根据计算模糊贴近度确定样本的信用级别.实例证明该方法具有良好的评价效果和实用价值.     

基于IT2-PCM的上肢外骨骼系统T-S模糊建模与预测控制

针对动态特性复杂的上肢外骨骼系统的模型建立、高精度控制和复杂约束处理问题,提出基于T-S模糊算法的改进多变量约束预测控制方法 .提出区间Ⅱ型可能性C-均值聚类算法,获取数据建模过程中的样本隶属度矩阵,建立上肢外骨骼的数学模型.对系统复杂约束问题提出一种约束简化方法,将复杂约束转化为关于参数矩阵μ的约束.提出一种加权基函数法,将基函数思想引入预测控制,推导出上肢外骨骼预测控制器.仿真结果验证了该算法的优越性与有效性.     

基于化工过程预报的最优化模糊系统

本文主要以化工过程预报为研究目标,提出了最优模糊聚类神经网络系统模型（FCNNS）.该模型有下列突出优点：数据首先利用模糊聚类算法对原始数据进行提取优化,然后将优化数据送入模糊系统进行学习产生模糊规则;优化规则数和优化隶属函数的参数,最终达到模糊聚类神经网络系统模型的最优化.该模型不但可以缩短规则生成的时间,有效的防止了规则数爆炸,而且在化工过程预报的应用中获得理想的结果.     

区间Ⅱ型变论域自适应模糊逻辑控制器

在变论域自适应模糊控制方法的基础上,结合Ⅱ型模糊集较强的鲁棒性和处理不确定性问题的能力,设计了一种区间Ⅱ型变论域自适应模糊逻辑控制器.为了使控制器保持在最优状态,采用粒子群优化算法来优化隶属度函数;然后由Lyapunov方法证明了区间Ⅱ型变论域自适应模糊逻辑控制器的稳定性.对Duffing系统和1维6卷混沌系统的仿真表明,区间Ⅱ型变论域自适应模糊逻辑控制器可以很好地跟踪参考信号,较之变论域模糊逻辑控制器,其可以有效地防止抖震且控制量较小.     

中国南部交通流量预测模型研究

交通流量预测是智能交通系统技术应用的重要组成部分.为提高预测水平,引进基于区间二型模糊神经网络的交通流量时间序列预测模型,给出了基于二型模糊神经网络的仿真算法.并结合广州市某高速公路为例对交通流量进行预测,对比计算了该方法与一型模糊神经网络预测方法的预测结果,仿真表明该系统具有精确性和高可信度,预测准确性明显高于传统的一型模糊神经系统.     

一种区间二型模糊隶属度函数的构造新方法

针对现有区间二型模糊隶属度函数的构造方法中,存在受试者需为模糊专家,易出现不确定迹(FOU)填满现象(下隶属度函数近似为0),或需预先确定不确定迹的形状的问题,设计受试者不为模糊专家也可正确回答的调查问题,提出一种构造区间二型模糊集隶属度函数的新方法.该法不需预先确定FOU的形状,受试者不必为模糊专家.该法的基本思想是从一组领域专家中收集类属词的上下隶属度区间数据,对所获数据进行数据预处理,最后获得类属词的隶属度函数和FOU.实验结果表明,所提出的新方法可有效构造区间二型模糊隶属度函数,避免出现填满现象.     

基于T-S型模糊系统的复杂系统镇定控制器

针对局部可用非线性系统描述的复杂系统问题,基于T-S(Takageno-Sugeno)模糊模型,给出了一种设计非线性镇定控制器的方法.该方法所依赖的稳定性假定只涉及其中一个特定的模糊子系统和隶属函数的选取,而模糊规则库中的隶属函数可以依照一个明确的方向选择,所得到的非线性控制器依赖于隶属函数的选取,保证了全局模糊逻辑系统渐近稳定.通过仿真验证了该非线性控制器的有效性.     

基于FCM快速路交通状态判别加权指数研究

加权指数m是影响模糊C名)值聚类(fuzzy Cleans,FCM)的一个关键参数,为提高快速路交通状态模糊判別性能,针对m取值的问题提出了一种兼顾算法判別精度和聚类效果的优选方法。该方法以流量、速度为交通状态评价参数在不同加权指数m和样本量n下进行聚类分析,从算法判別精度、类内间距、类间间距、目标函数收敛性四个方面对m的最优取值进行了深入研究。以某市快速路为例別用MATLAB模糊逻辑工具箱分析实验数据的隶属度和聚类中心,以上四个方面在n×m种组合情形下综合分析,得出快速路交通状态模糊判別m的最优取值,并进一步验证了该方法的可行性。实验结果表明,以流量、速度为状态评价参数的快速路交通状态模糊判別加权指数m的最佳取值为2.25。     

基于Type-2 T-S的模糊脉冲控制

利用Type-2模糊系统在描述复杂非线性系统诸多不确定性问题时的有效性,在Type-1模糊脉冲控制的基础上,提出了区间Type-2 T-S模糊脉冲控制方法.该方法利用Type-2模糊隶属函数的“宽带”效应,解决了Type-1模糊脉冲控制中数据噪声和外界扰动问题;利用Lyapunov理论和Lipschitz条件,通过运用比较方法和线性矩阵不等式等综合方法,设计Type-2 T-S模糊脉冲控制器,给出系统的渐进稳定性分析;最后,在倒立摆系统的仿真中,较方便地确定了隶属函数并选取了较少的模糊规则,表明系统的有效性和优异性.     

模糊神经网络的自动变速汽车换挡规律分析

在分析目前汽车自动变速器换挡规律制定方法优缺点的基础上,提出了基于模糊神经网络的最佳挡位判断方法,研究了基于Takagi-Sugeno模型的神经网络结构及其算法。根据熟练驾驶员的经验和专家知识制定了汽车自动变速器换挡规律的两参数模糊逻辑推理规则和隶属度函数,利用人工神经网络的学习训练机制并按照试验样本修正了模糊系统的隶属度函数和模糊控制规则,进行了模糊神经网络的训练和仿真,仿真结果表明该基于Takagi-Sugeno模型的模糊神经网络的汽车自动变速器换挡规律制定方法的正确性和可行性。