基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

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.     

一种基于GA的模糊神经网络控制器设计及应用

结合模糊控制、神经网络、遗传算法三种方法的优点 ,提出了一种基于遗传算法的模糊神经网络控制器 ,并分析了其网络结构和离线学习的方法 遗传算法基于全局优化策略 ,避免了反向传播学习算法易陷入局部最优的缺陷 仿真实验和在汽车防抱死制动系统中的应用表明这种控制方案是有效的 ,可行的     

面向全自动控制交通系统的车辆调度算法

结合遗传算法和贪婪算法的优点,提出了聚类贪婪遗传算法,构建了一个全自动控制交通系统的仿真系统;针对遗传算法、贪婪算法和聚类贪婪遗传算法分别进行实验,并比较其实验结果.结果表明:当系统趋于稳定时,聚类贪婪遗传算法能够提高叫车请求的平均响应时间,从而避免叫车请求饿死的情况;聚类贪婪遗传算法可用于全自动控制交通系统车辆的调度.     

一种基于GA的模糊神经网络控制器设计及应用

结合模糊控制，神经网络，遗传算法三种方法的优点，提出了一种基于遗传算法的模糊神经网络控制器，并分析了其网络结构和离线学习的方法，遗传算法基于全局优化策略，避免了反向传播学习算法易陷入局部最优的缺陷，仿真实验和在汽车防抱死制动系统中的应用表明这种控制方案是有效的，可行的。     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

船舶运动的混合智能控制

将混合智能算法应用于船舶航向，转向控制，充分发挥了模糊逻辑，神经网络和遗传算法各自的优势采用GA发优与BP算法学习模糊神经网络参数，通过竞争学习算法从样本数据中获得取模糊控制规则，并与专家经验有机结合，弥补了各自的不足，仿真表明上述算法为改进船舶运动提供了一个有效途径。     

基于模糊神经网络的变风量空调室内温度控制系统

本文将模糊理论的知识表达与神经网络的自学习能力结合起来,针对变风量空调温度控制系统提出了一种模糊神经网络控制方案,并详细阐述了模糊神经网络的结构、算法。对变风量空调室内温度控制系统进行仿真,验证了模糊神经网络应用于温度自动控制系统的可行性。     

模糊神经网络及其在系统建模与控制中的应用

模糊神经网络是模糊系统和神经网络的有机结合,它吸取了两者的优点.给出了两个具体的模糊神经网络结构以及相应的学习算法;介绍了利用模糊神经网络建立T-S模糊模型的方法;讨论了基于T-S模糊模型的控制系统分析和设计.     

一种基于模糊聚类和遗传算法的模糊神经网络模型的学习算法

提出了一种基于模糊聚类和遗传算法的模糊神经网络的学习算法,采用 模糊Ｃ－均值聚类算法进行模糊神经网络模型的结构辨识,得出最优或次优的模 糊规则数,采用改进的遗传算法进行系数辨识。仿真结果证明该算法是可行和有 效的。     

遗传算法模糊PID控制在跳汰机排料系统中的应用

介绍了模糊控制与遗传算法的特点,分析了它们之间相互结合的可能性,提出了基于遗传算法的模糊PID控制算法.指出了目前跳汰机排料系统的缺点,设计了基于遗传算法模糊PID控制的排料系统,并对其应用进行了分析研究.结果表明,基于遗传算法模糊PID控制系统比模糊PID控制系统超调小,系统稳定性高,控制效果好.     

基于遗传算法的模糊神经网络控制器在虚拟仪器中的实现

模糊控制技术在复杂的非线性控制过程中表现出优越的性能，神经模糊控制器的出现为自适应模糊控制设计开辟了新的途径。遗传算法由于具有不依赖于问题模型、全局最优、隐含并行性、高效率和解决不同非线性问题的鲁棒性等特点，能很好地用于神经网络的训练。两种方法综合使用，可以大大提高模糊神经推理控制系统的自学习性能和鲁棒性。通过应用Active X技术在Lab VIEW中调用和操作MATLAB的方法，实现了基于遗传算法的模糊神经网络控制器。     

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

基于复合神经网络的网络业务分类算法

针对目前计算机网络业务流管理问题,提出了一种基于复合神经网络的网络业务分类方案．将复合神经网络用于网络业务源特征提取与分类的研究中,打包法和BP算法结合用于复合神经网络的训练．并分析比较与单个神经网络和模糊神经网络算法用于网络业务分类效果．计算机仿真结果表明,复合神经网络分类收敛快、误差小,比单个神经网络算法和模糊神经网络算法更优越；同时,研究结果为解决网络业务源特征提取与分类提供了一种有效的途径．     

基于实值遗传算法的模糊神经网络辨识器

提出了一种基于实值遗传算法(RVGA)的模糊神经网络辨识器·它常被用于非线性动态系统的辨识·通常模糊神经网络辨识器参数的训练采用反向传播学习算法(BP),但是用BP算法有训练时间长,容易陷入局部极小的问题·采用RVGA来训练模糊辨识器的参数,由于GA算法具有并行运算,多点寻优等特点,所以它运算速度快,容易实现全局寻优·传统的GA算法采用二进制编码,计算繁复且占用大量的空间·采用一种新的实数编码方法,在实数域上进行遗传运算,操作简便,特别适用于需要调整的参数较多的情况·仿真结果表明,该辨识器具有良好的逼近性能和较快的训练速度·     

适用于励磁系统建模的模糊神经网络方法

基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.     

高速路入口匝道的模糊神经网络自适应协调控制

为了实现高速公路多路段入口匝道的协调控制,提出了一种基于模糊神经网络的自适应协调控制方法.该方法首先利用模糊规则实现了相邻路段间交通状态的协调,并对匝道排队进行调节,使其不超过最大排队长度.然后,在神经网络权值优化过程中,采用遗传算法对隶属度函数进行优化,避免算法收敛于局部最优解.该方法具有不依赖于系统的精确模型、控制算法能自适应外界变化、可实现多路段间协调控制等优点.仿真结果表明,该方法对3个路段的高速公路入口匝道能够较好地实现自适应协调控制;与经典的ALINEA方法相比,优化速度更快,在抑制交通密度波动和排队长度增长方面效果更好,对道路容量的利用也更加充分.     

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。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。