分级在线自组织学习的GD-FNN算法研究

提出了基于椭圆基函数(EBF)的广义动态模糊神经网络(GD-FNN)算法。算法提取的模糊规则具有很好可理解性,可以作为建模工具,也可以作为知识提取的工具。广义动态模糊神经网络由于基于模糊ε-完备性,同时提出了一种新颖的在线参数分配机制,从而缓解了初始化的随机选择,且与输入变量不同值域没有关系,因而更容易构造一个较好性能的模糊系统。开发了仿真程序,对具体案例进行仿真,取得了较为理想的结果。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.     

混沌动态模糊神经网络及变压器故障诊断的应用

提出一种结合动态模糊神经网络和混沌优化算法的故障诊断方法,将混沌变量引入模糊神经网络结构和参数的优化搜索.利用混沌优化的动态模糊神经网络建立变压器故障诊断模型,此模型不仅能对模糊规则而且能对输入变量的重要性做出评价,从而使得每个输入变量和模糊规则都可根据误差减少率进行修正.仿真结果表明,混沌动态模糊神经网络算法精度高、迭代步骤少、收敛快,对识别和预测变压器状态具有较高的精度和效率,并可方便有效地应用到其他领域.     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

一种改进的基于扩展的RBF模糊神经网络

针对Wu Shiqian等提出的动态模糊神经网络（D-FNN）,在参数估计时,对中心的调整直接采用输入数据会导致网络收敛速度慢、乏化能力不好的情况,提出一种改进的基于RBF的动态模糊神经网络（RBDFNN）.该网络采用连续学习的方法和分级学习的思想,在进行前提参数的估计时,高斯隶属函数的中心动态调整充分考虑了宽度调整对中心的影响,算法能自动地确定模糊规则.仿真实验表明,算法在收敛速度和乏化能力方面优于原来的算法.     

基于数据特征的模糊模型辨识与模糊控制器设计方法

针对难于建立精确数学模型的复杂过程,提出了一种基于数据特征的模糊模型辨识方法.该方法首先按过程输出随输入变量变化的剧烈程度对输入变量论域进行划分,然后在此划分的基础上确定出模糊模型的规则总数和前件参数,最后由于要建立的模糊模型可以表示为一个前馈模糊神经网络,因此利用BP学习算法求得过程模糊模型的后件参数.基于所提出的模糊模型辨识方法进行了柔性连杆机器人模糊控制器设计,并进行了柔性连杆机器人模糊控制实验.实验表明,通过所提出的模糊模型辨识和模糊控制方法可以得到满意的控制性能.     

模糊神经网络的局部调整快速学习算法

神经网络的学习速度是影响其在实时控制中应用的重要原因之一,在文中提出了一种基于局部调整方法的模糊神经网络快速学习算法．该算法通过采用对输入数据进行判别的方法来选择每次学习时所需调整的有效规则,大大减少了学习中调整的规则数,从而加快了模糊神经网络的学习速度．同时,通过这一判别还可进一步确定是否需增加新规则以及增加的规则数,因此该算法不仅能够进行模糊神经网络的参数调整,还能实现神经网络的结构自适应调整功能．随着神经网络的输入维数以及初始规则数目的增加,算法的上述优点更加明显．最后采用快速算法与普通算法分别对单输入及多输入系统进行了辨识,仿真结果证明了上述结论：在初始规则数较少,普通算法无法收敛时,应用快速算法则可以收敛;随着规则数目与输入维数的增加,算法的快速性与精度跟普通算法相比优势明显     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于非线性动态系统辨识的D-FNN算法研究

D-FNN的基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看作是基于归一化的高斯RBF神经网络。D-FNN算法中,不仅参数可以在学习过程中调整,同时,也可以自动确定模糊神经网络的结构。非线性参数是由训练样本和高斯宽度直接决定的,只需一步训练就可以达到目标。由于修剪策略的应用,网络的结构不会持续增长,因而确保了系统的泛化能力。使用D-FNN对非线性动态系统辨识进行了仿真,并与相关算法作比较,从而发现了D-FNN算法的有效性和高效性。     

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度     

一种模糊神经网络自适应预测控制方案的研究

在过程控制中,由于被控对象常具有非线性、不确定性及参数时变等复杂因素,难以建立精确的数学模型,从而直接影响了控制效果,提出了一种模糊神经网络自适应预测控制议案,对学习公式进行了理论指导,并结合误差补偿以提高预测控制的精度,仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具有良好的控制性能。     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于高斯函数与分级学习的D-FNN算法研究

D-FNN基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看做是基于归一化的高斯RBF神经网络。该文提出的算法,学习前,模糊神经网络不需要预先确定,在学习的过程中,参数估计与结构辨识同时进行,并根据系统精度要求及模糊规则的重要性,自动地产生或者删除一条模糊规则。在学习速度、系统结构和泛化能力方面进行了仿真实验,仿真结果表明D-FNN具有更简洁的结构和优良的性能。     

基于动态模糊神经网络的入侵检测系统

针对传统的网络安全防范技术存在的缺陷和入侵检测在动态安全模型中的重要地位和作用,提出了基于模糊理论、神经网络和遗传算法结合的新方法--动态模糊神经网络,并且给出基于动态模糊神经网络的入侵检测系统构建体系.该系统在实际应用中收到了较好的效果.     

基于神经网络的模糊控制

从最优化角度出发，用神经网络解决模糊控制系统的规则提取问题，给出了可靠的基于ＢＰ算法的神经网络学习过程。讨论了模糊子集个数的选取与系统复杂性、精确性之间的关系。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

补偿递归模糊神经网络及在热工建模中的应用

在传统的模糊神经网络中引入递归环节和补偿环节,构成了一种新型补偿递归模糊神经网络(CRFNN),改善了网络的动态响应特性和学习能力.在此基础上,采用一种新型序贯监督策略对网络进行结构辨识,能够有效地确定模糊规则的条数以及相关参数的初始值.针对CRFNN的结构特点,提出了改进的BP算法,能够对网络的结构参数进行进一步的学习.对典型的热工对象以及复杂的ALSTOM气化炉进行的建模计算结果表明,提出的CRFNN具有优良的动态响应特性和很强的学习能力,值得在热工建模与控制领域中推广应用.     

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。