基于动态模糊神经网络的生物工程算法研究

目前,模糊神经网络控制在控制领域已成为一个研究热点。把神经网络应用于模糊系统,可以解决模糊系统中的知识抽取问题;把模糊系统应用于神经网络,神经网络就不再是黑箱了,人类的知识就很容易融合到神经网络中。本文提出了一种新型的动态模糊神经网络的结构及其学习算法,该动态模糊神经网络的结构基于扩展的径向基网络。其学习算法的最大特点是参数的调整和结构的辨识同时进行,且学习速度快,可用于实时建模与控制。开发了相关的算法程序,最后针对实际案例进行了仿真分析。仿真结果表明,动态模糊神经网络具有学习速度快、系统结构紧凑、泛化能力强等优点。     

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

基于模糊聚类的模糊神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构。仿真研究证明该方法是有效的和可行的。     

一种补偿递归模糊神经网络及其学习算法

文中在系统研究各种模糊神经网络的基础上,通过在传统的模糊神经网络中引入递归环节和补偿环节,提出了一种新型的补偿递归模糊神经网络(CRFNN)。在此基础上,进一步提出了一种序贯学习策略对网络进行结构辨识,可有效确定模糊规则的条数及相关参数的初始值。文中还针对CRFNN的特点,通过改进BP算法,对CRFNN网络的结构参数进行学习。通过对典型非线性系统的建模计算,结果表明:文中的CRFNN具有优良的动态响应特性和很强的学习能力。     

基于模糊聚类的模型神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构,仿真研究证明该方法是有效的和可行的。     

模糊竞争神经网络在线辨识及在CSTR中的应用

基于改进的T-S模糊模型构造了一种自适应模糊竞争神经网络模型(FCNN),给出了网络的连接结构和学习算法。它依据模糊竞争学习算法确定系统的模糊空间和模糊规则数,得出每个样本对每条规则的适用程度,并利用卡尔曼滤波算法在线辨识FCNN的后件参数。将其应用于化工过程连续搅拌反应器(CSTR)的建模中,仿真结果表明,FCNN具有结构简洁、收敛速度快、辨识精度高等特点,可当作复杂系统建模的一种有效手段。     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

基于T S模型的模糊系统辨识方法综述*

模糊模型设计方法归结为两种,即语义驱动和数据驱动。数据驱动模型具有更好的性能,是目前研究的热点。模糊系统辨识是数据驱动下模糊系统建模的重要手段,辨识的优良直接影响系统建模的精度。模糊系统辨识可以分为两部分进行认识,即模糊系统结构辨识和参数辨识。回顾了近年来模糊系统辨识的理论和方法,如subtractive聚类、多分辨率自适应空间分解、SVM、核函数法、粒子群算法和并行遗传算法等。对各种算法原理、特点进行了介绍,对模糊系统辨识的发展进行了展望。     

基于SOM规则自动生成的模糊神经网络模型

1 引言模糊系统建模一般将经过系统结构辨识和系统参数估计两个阶段。在辨识阶段,主要决定输入变量及其相互关系、模糊规则数、输入输出空间划分和系统参数的初值;在估计阶段,主要用来调整系统参数以使得系统的输出与目标输出的差值尽可能小。对于系统参数估计阶段的参数调整,人们已提出一些自动方法。对于系统结构辨识阶段,也产生了如模板法、聚类法和决策树法等,但这些方法一般都需要人工干预。其中模糊规则的生成与调整以及隶属度函数的选取是系统结构辨识阶段的主要问题,文提出了用神经网络自动生成模糊规则并进行隶属度形状调整,从而构成模糊神经网络。Wang提出自动分割输入空间的方法,Lin提出三阶段学习算法的模糊神经网络。     

一类模糊神经网络结构的混沌优化设计

基于混沌变量，提出一种关于模糊神经网络结构的优化设计方法。将混沌变量引入模糊神经网络结构和参数的优化搜索中，使得模糊神经网络的规则数以及所有参数都处于混沌状态中，根据性能指标来寻找一个较优的网络。在线优化采用最小二乘法对去模糊化部分的权参数进行实时修正。仿真实验表明，基于混沌优化的模糊神经网络结构精简，控制精度高。     

Image restoration techniques based on fuzzy neural networks

By establishing some suitable partitions of input and output spaces, a novel fuzzy neural network (FNN) which is called selection type FNN is developed. Such a system is a multilayer feedforward neural network, which can be a universal approximator with maximum norm. Based on a family of fuzzy inference rules that are of real senses, a simple and useful inference type FNN is constructed. As a result, the fusion of selection type FNN and inference type FNN results in a novel filter-FNN filter. It is simple in structure. And also it is convenient to design the learning algorithm for structural parameters. Further, FNN filter can efficiently suppress impulse noise superimposed on image and preserve fine image structure, simultaneously. Some examples are simulated to confirm the advantages of FNN filter over other filters, such as median filter and adaptive weighted fuzzy mean (AWFM) filter and so on, in suppression of noises and preservation of image structure.     

压电自适应桁架结构智能振动控制

介绍了采用模糊神经网络模型进行振动主动控制的压电自适应桁架结构设计、应用及实验结果. 设计了一种具有自适应结构技术的压电主动构件结构, 并提出了具有5层结构能够自调整隶属函数的模糊神经网络控制模型. 为了验证控制模型的有效性, 搭建了配置压电主动构件的双跨桁架结构试验平台, 通过检测误差信号, 由模糊神经网络控制模型确定主动构件的驱动输出. 试验结果证实了模糊神经网络控制模型在振动抑制方面的有效性.     

Recurrent type-2 fuzzy neural network using Haar wavelet energy and entropy features for speech detection in noisy environments

This paper proposes a new method to detect the boundary of speech in noisy environments. This detection method uses Haar wavelet energy and entropy (HWEE) as detection features. The Haar wavelet energy (HWE) is derived by using the robust band that shows the most significant difference between speech and nonspeech segments at different noise levels. Similarly, the wavelet energy entropy (WEE) is computed by selecting the two wavelet energy bands whose entropy shows the most significant speech/nonspeech difference. The HWEE features are fed as inputs to a recurrent self-evolving interval type-2 fuzzy neural network (RSEIT2FNN) for classification. The RSEIT2FNN is used because it uses type-2 fuzzy sets, which are more robust to noise than type-1 fuzzy sets. The recurrent structure in the RSEIT2FNN helps to remember the context information of a test frame. The RSEIT2FNN outputs are compared with a parameter threshold to determine whether it is a speech or nonspeech period. The HWEE-based RSEIT2FNN detection was applied to speech detection in different noisy environments with different noise levels. Comparisons with different detection methods verified the advantage of the proposed method of using HWEE.     

Adaptive Fuzzy Neural Networks as identifiers of discrete-time nonlinear dynamic systems

An adaptive supervised learning scheme is proposed in this paper for training Fuzzy Neural Networks (FNN) to identify discrete-time nonlinear dynamical systems. The FNN constructs are neural-network-based connectionist models consisting of several layers that are used to implement the functions of a fuzzy logic system. The fuzzy rule base considered here consists of Takagi-Sugeno IF-THEN rules, where the rule outputs are realized as linear polynomials of the input components. The FNN connectionist model is functionally partitioned into three separate parts, namely, the premise part, which provides the truth values of the rule preconditional statements, the consequent part providing the rule outputs, and the defuzzification part computing the final output of the FNN construct. The proposed learning scheme is a two-stage training algorithm that performs both structure and parameter learning, simultaneously. First, the structure learning task determines the proper fuzzy input partitions and the respective precondition matching, and is carried out by means of the rule base adaptation mechanism. The rule base adaptation mechanism is a self-organizing procedure which progressively generates the proper fuzzy rule base, during training, according to the operating conditions. Having completed the structure learning stage, the parameter learning is applied using the back-propagation algorithm, with the objective to adjust the premise/consequent parameters of the FNN so that the desired input/output representation is captured to an acceptable degree of accuracy. The structure/parameter training algorithm exhibits good learning and generalization capabilities as demonstrated via a series of simulation studies. Comparisons with conventional multilayer neural networks indicate the effectiveness of the proposed scheme.     

基于分形和FNN的水轮机组振动故障在线诊断*

水轮发电机组的故障诊断具有模糊性和耦合性,提出一种基于模糊神经网络FNN的水轮发电机组振动故障在线诊断方法。首先,对反映转子振动状态的轴心轨迹用分形维数提取其结构特征,实现图形量化,以便FNN在线识别;接着,以6种典型振动故障为研究对象,在总结了包括轴心轨迹在内4类共14种故障征兆的基础上,分析各故障征兆的模糊属性,给出它们的模糊处理;然后,建立一种六层的前向FNN映射征兆到故障间的模糊推理,并给出学习算法修正网络参数;FNN通过自学习可保证良好的在线诊断精度。实例分析结果验证了其可行性。     

一种基于模式匹配的模糊模型及其神经网络实现(英)

通过模糊模式匹配概念，引入了一种新的模糊模型，并用神经网络方法对该模型进行辨识，以获得更高的精度．仿真实验表明，该模糊模型不仅简单易行，而且比通常的模糊模型有更强的辨识能力，另外，本文还讨论了模型的进一步求精，以及模糊神经网络的一般性问题．     

自动生成基于模糊神经网络及综合评判技术的油井压裂方案

本文考虑了一种五层结构的模糊神经网络模型，针对网络结构的优化问题给出了该网络模型规则层点的选取方法和相应的反传播学习规则。同时利用了模糊综合评判技术对油井压裂中的选井和选层过程进行了优选，实现压裂方案的自动生成。实验资料处理结果表明此方法对解决油井压裂方案问题具有良好的实用性。     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识，从而自动获得模糊规则库，并可以得到模糊系统的初始参数，在聚类的基础上，构造一个与之相匹配的模糊神经网络，用它的学习算法来训练网络，得到一个精确的模糊模型，从而实现参数辨识，通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

模糊神经网络在高强混凝土强度预测与配合比设计中的应用

针对模糊系统中规则结论为数值和线性函数的两种表示方式 ,找到了它们的共同点 ,将它们置于同一网络结构中 ,形成规则结论为数值和线性函数 (T -S模型 )的两种模糊神经网络 (FuzzyNeuralNetworks,简称FNN) ,导出了它们的网络模型及其学习算法。并首次将其应用于高强混凝土强度预测和配合比设计中。文章还介绍了一种简单有效地从样本数据中提取模糊规则及确定FNN参数初值的方法。运算结果表明 ,FNN不仅具有很高的预测精度 ,而且网络的结点和权值均具有明确的物理意义 ,可以借此深入分析高强混凝土综合性能与影响它们的因素之间的非线性关系