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.     

FATI与FITA的等价性

在模糊系统中,给定一组推理规则,可以先把这组规则聚合为一个超规则,然后依此超规则进行推理,也可先分别依据各给定规则进行推理,然后将所得结果进行聚合.本文讨论分别利用CRI算法与三I算法进行推理时,上述2种方法的等价性问题.证明了当聚合取并运算且用CRI算法进行推理时,FATI与FITA方法等价,而对三I算法只有在恰当选择蕴涵算子时,2种方法才能等价;当聚合取交运算且用CRI算法和三I算法进行推理时,FATI与FITA方法不一定等价.     

免疫进化模糊聚类算法在边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种免疫进化模糊聚类算法.该算法在传统遗传算法全局随机搜索的基础上,借鉴了生物免疫机制中抗体的多样性保持策略,改善了遗传算法的群体多样性,具有更好的全局搜索能力.实验结果表明,该算法不仅具有很强的模糊边缘和微细边缘检测能力,而且可以减弱基于遗传算法的模糊聚类算法在遗传后期的波动现象.     

基于免疫原理和Boosting机制的模糊分类规则挖掘算法

基于免疫原理和Boosting机制,提出了一种模糊分类规则挖掘算法.该算法主要借鉴于自然免疫系统中的克隆选择原理,通过抗体种群的演化来优化模糊规则.模糊规则库通过增量的方式产生,算法每次运行得到一个规则.Boosting机制用于调整训练数据的权值,使得新生成规则集中于当前未被覆盖或误分类的数据实例.仿真实验表明,所提算法可根据规则的分类精度来调整训练数据的权值,促进了模糊规则之间的协作关系,避免了规则之间相互冲突,提高了系统的分类精度.     

频域LMS 算法在语音消噪中的应用

推导了一种替代时域 LMS算法的快速频域算法 ( FLMS) ,计算机仿真的结果表明 :它在自适应滤波器权数超过 64时 ,运算量较时域 LMS算法有大幅度的下降 ,但保持了与时域 LMS算法相同的收敛速度。同时对算法的局限性和应用范围进行了讨论。     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.     

一种基于遗传算法和模糊规则的分类算法

介绍了一种基于模糊规则和遗传算法的分类算法.首先给出一种模糊规则提取方法,然后遗传算法对模糊规则进行优化选择,最后对不能识别的样本启动触发器.该算法可以在保证分类正确性高的前提下尽量减少规则数,并提高样本识别能力.用Iris数据对该分类系统进行仿真,结果表明该系统具有良好的分类能力和精简规则能力.     

模糊缺省推理的理论和方法研究

在一种含有补余律的模糊抽象代数系统（即ＦｕｚｚｙＢｏｏｌｅ代数）上，利用模糊逻辑公式与布尔函数的相互转换性，构造了具有模糊非单调推理能力的推理机制；从可应用性出发对模糊缺省规则进行了深入的讨论。该推理机制不仅增加了在量的描述方面的知识表达能力，而且在一定程度上解决了扩张存在性问题，提高了推理的效率。     

采用模糊Petri网的形式化推理算法及其应用

以模糊Petri网为工具，研究了多种约束条件下的人类知识和推理过程的表示方法．在此基础上，将模糊Petri网与矩阵运算相结合，给出了模糊推理过程的形式化推理算法．算法考虑了推理过程中的众多约束条件，包括命题在规则中的权重、变迁触发的阈值、规则的可信度以及多结论规则等，将复杂的推理过程采用矩阵运算实现，充分利用了模糊Petri网的并行处理能力，使模糊推理过程更加简单、快速和易于实现。     

基于矩阵运算的产品拆卸过程规划

以模糊Petri网为工具,给出了模糊产生式规则推理Petri网模型,并将模糊Petri网与矩阵运算相结合,提出了一种模糊推理过程的形式化推理算法.在此基础上,针对产品拆卸过程中知识具有不确定性和模糊性的特点,采用模糊推理Petri网建立了产品拆卸路径决策模型,并通过实例,对所提出的拆卸路径决策算法进行了论述,结果表明此决策模型在产品拆卸过程规划中具有很强的并行处理能力,它可以根据产品在拆卸过程中零部件的信息对每一步操作做出适时的智能化决策.     

一种基于四阶统计量的递推LMS算法

提出一种基于四阶统计量一维切片的LMS算法,并且给出其递推形式.该算法能够有效地抑制相关高斯噪声的影响,性能优于传统的基于相关的LMS算法;递推形式降低了其计算复杂度,能够满足实时处理的要求.采用相关高斯色噪声进行数值仿真,结果表明该方法的有效性.该算法可在雷达、声纳及通信系统中用于多径系数估计.     

OFDM系统的子信道比特快速自适应分配算法

通过对OFDM的子信道比特分配空间进行分析,本文提出着眼于误比特概率梯度的动态LMS算法和全局优化算法。全局优化算法是基于混合遗传算法思想。相对Hughes-Hartogs算法,两种算法计算量大幅下降,并且具有递推性。仿真结果表明,快衰落信道下动态LMS算法接近理想性能;慢衰落信道下动态LMS算法和全局优化算法结合应用,可以接近理想性能。     

自适应均衡算法的研究进展

简述了能补偿或减小现代通信系统中的码间干扰问题的自适应均衡算法的基本原理及其特点．介绍了最小均方误差算法、递归最小二乘算法等几类主要的自适应均衡算法,并阐述了近年来出现的主要的自适应均衡算法的原理,对误码率、收敛速度、运算量及稳态误差等评价指标进行了分析．结合分析结果和自适应均衡算法的实际应用前景,探讨了这一领域需要进行进一步研究的问题,并对今后的研究进行了展望．     

基于改进动态因子的鲸鱼优化算法

为了实现鲸鱼优化算法的种群多样性、减小计算复杂度,构造具有搜索上下界的初始种群。进一步,设计动态收敛因子和动态权重因子,以提高算法的收敛速度和计算精度,在此基础上,提出基于改进动态因子的鲸鱼优化算法并证明了其收敛性,分析了其复杂度。为了验证新算法优化性能和普适性,将改进的鲸鱼优化算法与其他优化算法进行比较,并将其应用到无人机路径规划中。结果表明：基于改进动态因子的鲸鱼优化算法相比于其他优化算法有更好的收敛精度和更快的收敛速度。可见,基于改进动态因子的鲸鱼优化算法性能更好,能更高效的完成任务。     

空间调制信号的改进M-ML检测算法

空间调制(SM)系统的最大似然(ML)最优检测算法的计算复杂度很高,具有较低计算复杂度的M-ML检测算法受到了人们的关注.M-ML算法按照接收天线序号由小到大的顺序进行检测,从误比特率性能角度考虑并不是最佳的.通过研究不同检测顺序对算法性能的影响,提出了两个改进的M-ML算法,仿真结果表明改进的M-ML算法在误比特率性能上优于M-ML算法.由于M-ML算法在不同的信噪比下每层保留固定的节点数M,尤其在高信噪比时会造成计算资源的浪费,因此提出一种动态M-ML算法,即通过门限值自适应选择每层保留的节点数.仿真结果表明动态M-ML算法降低了M-ML算法的计算复杂度,同时性能逼近M-ML算法.     

广义预测误差模型及其GLMS自适应算法

提出了广义预测误差模型,其二次型性能面的形状受控于模型参数α,在最小均方误差准则下,推导出GLMS自适应算法.通过简化的GLMS算法和LMS算法的类比分析,证明了模型参数α对算法的收敛特性具有明显的影响.在α<0时,可获得比LMS算法更好的收敛特性,而计算量增加不多.数字仿真结果与理论分析相符.     

基于变权理论的模糊推理前提约化的一类方法

关于传统模糊推理方法在规则前件聚合上存在的一些问题,采用因素空间理论中的变权思想,对模糊推理规则前件进行"综合",不仅体现了各前件分量在模糊推理中的相对重要性,并且考虑了前件分量的赋值大小对推理结果的均衡影响.另外,指明对规则前件的这种"综合"不改变CRI算法的逼近性,故更有实际价值.     

自适应噪声对消中的ELMS算法及其变步长算法

基于对ＬＭＳ算法的研究,提出一种适用于自适应噪声对消（ＡＮＣ）系统的ＥＬＭＳ算法结构,分析比较了ＥＬＭＳ算法与ＬＭＳ算法的统计性能,还提出了一种较为实用的变步长归一化ＭＶＳ－ＡＮＥＬＭＳ算法．大量的计算机模拟仿真论证了新算法的优越性．     

归一化自适应共轭梯度恒模盲均衡仿真研究

为提高恒模盲均衡算法收敛速度,提出了一种归一化自适应共轭梯度恒模盲均衡算法并进行了仿真研究。利用级联滤波方法对恒模盲均衡器输入进行了重新定义,并在此基础上采用自适应共轭梯度算法对均衡器参数进行更新,对均衡器输入采用归一化进行处理,以保证算法的稳定性。共轭梯度算法计算复杂度介于LMS和RLS算法之间,与LMS算法相比较具有更快的收敛速度,仿真结果证明归一化自适应共轭梯度算法恒模盲均衡与传统恒模盲均衡算法相比具有更好的均衡性能,复杂信道条件下剩余码间干扰可降低约10 dB,均衡系统中引入的级联滤波器可视为时变信道的一部分,表明算法对于时变信道同样有效。