基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

基于模糊神经网络的生态经济发展预测模型

生态经济系统是经济子系统、社会子系统、生态环境子系统相耦合的复杂巨系统。本文以模糊推理系统和BP神经网络相结合的自适应神经模糊推理系统（ANFIS）来模拟生态经济系统的功能，进行预测。通过利用1991年-2003年杭州市生态经济可持续发展评价指标体系中的一系列指标值，确定7个指标，采集1992年-2004年的数据，构建模型，进行训练、检验，建立了以杭州市为代表的基于ANFIS的可持续发展预测控制模型。     

基于偏差补偿的T-S模糊神经网络

将T-S模糊神经网络应用于化工生产过程的软测量,并针对提高软测量精度的问题,提出了一种基于偏差补偿的改进型T-S模糊神经网络模型。将网络模型输出与样本输出比较后所得的偏差,作为校正网络的样本数据输出,以样本输入数据为输入,对校正网络进行训练,建立了关于偏差的模糊系统模型,将校正网络的输出对软测量系统模型的误差进行修正。经过实际测量,取得了较好的应用效果。     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果。     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果.     

基于T-S模糊神经网络的柔性评价专家系统

基于T-S模糊模型提出了一种易于推理的神经网络结构,通过神经网络的自适应模糊控制简化了系统的有效辨识,讨论了其自学习算法,给出了用于模糊推理的估值算法和3级知识表示法,并分析和构造了MIMO型教学柔性评价专家系统的模糊建模技术,实现了自动评价的柔性专家系统。     

基于T-S模糊神经网络的柔性评价专家系统

基于T-S模糊模型提出了一种易于推理的神经网络结构,通过神经网络的自适应模糊控制简化了系统的有效辨识,讨论了其自学习算法,给出了用于模糊推理的估值算法和3级知识表示法,并分析和构造了MIMO型教学柔性评价专家系统的模糊建模技术,实现了自动评价的柔性专家系统。     

基于神经网络和模糊逻辑的加工误差源诊断系统

文章介绍了采用多层诊断方法和加工质量智能分析和诊断系统。此系统采用神经网络、基于规则的ＡＣＦＥ集和模糊推理来诊断误差源；系统建立了产品模型、加工过程模型、加工环境模型和检测模型；并采用面向对象的方法来组织信息；最后系统用箱体类零件在Ｔ１０加工中心加工进行了验证。     

基于改进T-S模糊神经网络的网络流量预测

为提高网络流量的预测精度,在人工蜂群算法和T-S模糊神经网络的基础上,采用一种具有差分进化搜索的蜂群算法训练T-S模糊神经网络,对网络流量进行建模预测。该算法首先利用差分进化算法的变异和交叉算子来替换人工蜂群算法中引领蜂的搜索策略,然后对人工蜂群算法中跟随蜂的搜索策略进行改进,使其在种群最优解附近产生候选食物源,该算法能较好地平衡局部搜索能力和全局搜索能力。将优化后的T-S模糊神经网络用于网络流量预测,并与T-S模糊神经网络、蜂群算法优化T-S进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在预测领域的可行性和有效性。     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

自适应模糊神经网络控制在DCS上的实现

集散控制系统(DCS)的普及与提高为先进控制的应用提供了强有力的硬件和软件平台。为充分利用DCS系统的资源,笔者利用DCS提供的接口和编程语言进行了先进控制研究与实现,通过对电阻炉炉温控制,证明其方法的可行性及有效性,取得了满意的控制效果。     

一类基于神经网络的模糊系统建模与控制

将人工神经网络理论和模糊系统理论结合起来,研究并提出了一类基于人工神经网络的模糊系统建模和控制方法。仿真表明该方法能有效地用于多种难以建立数学模型的控制系统。     

基于神经网络的模糊推理预测方法

将模糊推理技术与神经网络结合．利用模糊集理论来处理输入、输出信息，借助神经网络系统来完成推理、判断与知识的记忆存储及学习．从而给出了基于神经网络的模糊推理预测模型。     

一种模糊计算的多层前向神经网络—FCBP

提出的ＦＣＢＰ算法克服了ＢＰ算法对样本的敏感性，减少了输入点数，减轻了输入层的负担，用于模糊推理及模式识别中就更显其优越性。     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用     

模糊神经网络的若干进展

文章对本世纪80年代中期兴起并紧密结合现代科学技术进步的一门新兴学科——模糊神经网络进行了综述，分析了所取得的主要成果及其特点，并指出了今后模糊神经网络研究中有待解决的许多阿题。对开展模糊神经网络的研究将具有启迪作用和现实意义。     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

STATCOM的变结构神经网络模糊控制研究

提出了STATCOM用于维持接入点母线电压稳定的控制策略,根据控制策略设计了STATCOM的变结构神经网络模糊控制器.在设计控制器时,通过专家经验法和模糊规则自生成法对模糊规则知识库进行了初始化;通过变结构神经网络对模糊规则进行在线调整,增强了控制器的自学习、自适应能力;采用了基于语言变量优化匹配的原则对模糊逻辑推理进行优化,减少模糊推理的计算量,提高运算速度.数字仿真结果验证了该控制方法的有效性和正确性.