聚类准则研究

介绍了聚类误差平方和准则,指出了误差平方和准则的不足,提出了误差绝对值和准则、最大误差准则以及误差p次方和准则.     

一种改进的RBF神经网络多目标优化算法

针对RBF网络训练中的多目标优化问题,提出了一种基于Pareto方法的改进的非支配排序遗传算法INSGA(Improved Non-dominated Sorting Genetic Algorithm).通过对某企业的订单数据进行预测的实验结果表明,它可以有效地解决以训练误差和测试误差为优化准则的RBF网络的参数确定问题,验证了改进的NSGA算法与RBF网络结合的可行性.     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时,经典的误差反向传播算法存在收敛速度慢,易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术,具有较快的收敛速度和较强的全局搜寻能力;误差反向传播算法本质上是梯度下降算法,注重局部搜索。混合学习法为两种学习算法交替执行,首先以粒子群优化算法训练网络,当误差能量在规定的迭代次数内不再发生变化时,采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点,具有良好的应用前景。     

基于L_p范数的加权几何平均组合预测

组合预测模型的参数估计方法大都是在预测误差平方和最小准则之下建立的.针对误差平方和最小准则存在的不足,提出一种基于L_p范数的加权几何平均组合预测模型,并给出寻找最优L_p范数的蚁群算法.实例分析表明,该模型给出的组合预测方法为优性组合预测,从而证明了该模型的有效性.     

多变量非线性系统模糊直接广义预测研究

对参数未知多变量非线性系统提出一种模糊直接广义预测控制算法．该算法将多变量非线性系统转化为多变量时变线性系统,然后利用模糊系统来逼近控制增量表达式,对控制器参数向量即网络权值向量中的未知向量基于跟踪误差进行自适应调整．     

多输入模糊神经网络结构优化的快速算法

采用规则前件提取,以获得较少的高效规则,对模糊神经网络(Fuzzy Neural Network)进行结构优化,解决了在多输入模糊系统中因规则数多导致的结构庞大问题,使之适用于多输入模糊系统．结构学习中采用竞争算法优化隶属函数,保证规则前件提取的高效;参数学习中采用梯度下降法调整网络参数。     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

一种基于模糊神经网络的异构网络选择算法

提出了应用于异构网络融合场景的基于模糊神经网络的网络选择算法.该算法由预判决、模糊神经网络处理和网络选择判决3个模块组成.引入预判决模块,滤除了能直接进行网络选择的采样点,减少了进入模糊神经网络的采样点数;模糊神经网络处理模块综合考虑信号强度、终端移动速度以及网络带宽等因素来进行网络选择判决;由于模糊神经网络具有学习训练能力,故能根据输出误差自适应调整隶属度函数的参数.仿真结果表明:提出的算法在保证较低丢包率的情况下,有效降低了网络选择判决时延,减少了乒乓效应的发生次数,降低了阻塞率.     

最优化算法在BP网络中的应用

BP（Back Propagation）网络是在1986年以Rumelhart和Mccelland为首的科学家小组提出,它是按误差逆传播算法训练的多层前馈网络,已成为目前应用最为广泛的神经网络模型之一。它的学习规则是使用最优化算法中的最速下降法,根据此得到的最优解来通过反向传播来不断调整网络的权值和阈值,以使网络的误差平方和最小。     

结合均值漂移的多示例多标记学习改进算法

多示例多标记学习在多语义对象处理中克服了多示例学习和多标记学习的缺点,成功应用于文本分类、图像识别标注、基因数据分析等任务中.其中基于退化策略的多示例多标记学习算法,多利用K-Medoids聚类将多示例多标记退化成单示例多标记,但此种退化方式过于简化多语义和复杂语义的对象,并未考虑示例间的相关性,导致退化过程中的信息削弱甚至丢失.针对这一问题,提出了结合均值漂移的多示例多标记学习改进算法(MultiInstance Multi-Label with Mean Shift,MIMLMS),将高斯核函数和权值加入均值漂移中.权值的加入保证了示例之间的相关性得以保留,而将多示例集合加入高斯核函数就可利用核密度估计和梯度下降法求解退化过程最优解,最终以误差平方和为分类目标函数,建立多示例多标记分类模型.算法在基准的多示例多标记测试数据集中的实验结果,验证了算法的良好分类效果及算法的有效性和可靠性.     

基于GFCM聚类算法的飞机故障诊断方法

为解决FCM算法对初始值敏感而易于陷入局部极小点的问题,针对FCM算法应用于系统原位测试时小数据量特点,提出了一种增量方式全局最优模糊c均值算法,进行了收敛速度优化并给出了算法步骤,机载武器系统信息通道原位故障诊断实验验证了此算法在小数据量情况下可以较好地解决FCM算法收敛局部最优的问题。     

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     

一种新的FART分类器

提出了一类基于贴近度理论的模糊ART神经网络模型，简称为CBFART（Closeness Based Fuzzy ART）模型，将模糊数学中的贴近度（Closeness)和择近原则（Closest Principle)概念与自适应共振理论（ART）相结合，形成了一种新的网络模型。该模型的学习以匹配－委托循环为特点，网络分类遵循择近原则，补码编码、匹配－委托和快速委托－慢性重编码方案相结合，保证了网络学习的收敛性和稳定性，并可以做到一次性学习、提高了学习速度。文中对高维样本进行分类仿真，给出了仿真结果，分析表明该模型具有良好的聚类特性，能够稳定地对高维样本进行分类。     

不确定系统的模型参考自适应模糊控制

针对一类不确定非线性系统,基于王立新1994年提出的监督控制方案并利用广义多线性模糊逻辑系统的逼近能力,提出了一种MIMO系统的模型参考自适应模糊控制器设计的新方案.通过引入最优逼近误差的自适应补偿项来消除建模误差的影响,不但能保证闭环系统稳定,而且可使跟踪误差收敛到接近零.仿真结果表明了该方法的有效性.     

非线性系统的自适应模糊调节器的设计与分析

对于未知的非线性系统 ,利用误差滤波方法 ,提出了一种自适应模糊调节器的设计方法 .根据模糊系统的逼近性质 ,非线性系统可以表示为线性参数化模型加上一建模误差项 .当建模误差项满足线性增长条件时 ,分析了算法的鲁棒性 .利用李亚普诺夫稳定性理论 ,证明了算法的全局稳定性 ,并且系统的状态收敛于零的某一邻域内     

Incremental learning of the triangular membership functions based on single-pass FCM and CHC genetic model

In order to improve the efficiency of learning the triangular membership functions (TMFs) for mining fuzzy association rule (FAR) in dynamic database,a single-pass fuzzy c means (SPFCM) algorithm is combined with the real-coded CHC genetic model to incrementally learn the TMFs.The cluster centers resulting from SPFCM are regarded as the midpoint of TMFs.The population of CHC is generated randomly according to the cluster center and constraint conditions among TMFs.Then a new population for incremental learning is composed of the excellent chromosomes stored in the first genetic process and the chromosomes generated based on the cluster center adjusted by SPFCM.The experiments on real datasets show that the number of generations converging to the solution of the proposed approach is less than that of the existing batch learning approach.The quality of TMFs generated by the approach is comparable to that of the batch learning approach.Compared with the existing incremental learning strategy,the proposed approach is superior in terms of the quality of TMFs and time cost.     

基于鲁棒成本函数的随机模糊神经网络参数学习算法

为了解决采用最小方差型的误差成本函数进行输入含噪系统参数学习时的随机模糊神经网络(SFNN)参数不能收敛至真值的问题,将包含噪声方差的误差成本函数推广到多入单出系统,并根据鲁棒统计学理论和目标函数在参数学习中的导向作用,对目标函数进行修正,使之对于不服从统计分布的粗大误差也能有效处理.在此基础上提出了SFNN的鲁棒参数学习算法,并且输入输出数据中的噪声方差也通过学习而得到,从而避免了需要多次测量的要求.结果表明,SFNN的鲁棒参数学习算法能抑制粗大误差和系统噪声.最后,通过仿真对比验证表明了该方法的有效性.     

模糊迭代学习在单关节机器人运动控制中的应用

提出一种迭代学习控制和模糊控制相结合的策略。利用模糊补偿来增加迭代学习控制的收敛速度和保证系统的稳定性,并对单关节机器人模型进行仿真。仿真结果表明,该模糊迭代学习控制系统在第一个学习周期内的误差值明显减小,输出误差也逐渐减小,跟踪性能总体上有了很大的改善,跟踪精度显著提高。     

模糊超扭曲滑模观测器在PMSM中的研究与应用

针对传统滑模控制的永磁同步电机(PMSM)无感系统调速过程中,由于滑模函数存在高频开关量而导致转速抖动的问题,提出使用模糊超扭曲二阶滑模观测器(FST-SMO)进行改进的策略;新型观测器采用高阶滑模控制理论搭建,将滑模函数开关量转移到了高阶导数中,利用算法的积分运算削弱开关量抖振;同时考虑到传统二阶滑模观测器的增益为固定值,无法根据误差量自行调节的问题,提出了基于模糊控制的增益自调节方法,根据误差值及其变化趋势,利用模糊算法输出当前的滑模增益,增强了系统稳定性及鲁棒性;在Simulink环境中搭建了基于模糊超扭曲滑模系统(FST-SMO)的永磁同步电机仿真模型,在不同调速区间内进行调速仿真,并与传统滑模系统仿真的转速波动以及转子角度跟随性进行比较,仿真结果验证了模糊超扭曲滑模观测器具有更高的控制精度与更强的适应性,转速平稳角度跟随性能优越,有效降低转速的抖振。     

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。