基于组合模糊神经网络的建设工程成本估算方法

快速准确地进行工程成本估算对建筑企业至关重要。传统的工程成本估算方法工作量大、估算速度慢;难以满足估算精度的要求。为符合实际,文章将影响成本的特征因素分为精确量和模糊变量,利用模糊神经网络(FNN)的自组织和自学习,对模糊网络的隶属度和推理规则进行学习和优化。提出了基于组合模糊神经网络的方法,进行建设工程成本估算。通过计算实例表明该方法是有效的,为工程成本估算提供了有价值的参考依据。     

神经网络PID在PLC系统控制中的应用研究

针对传统的PID算法由于难以给出精确的数学模型,使得系统参数设定困难,同时系统控制效果上存在一定的缺陷,造成系统安全性和可靠性降低,系统控制质量不高。为了解决传统的PID算法所带来的问题,提出了基于模糊神经网络的PID算法,将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法。将算法应用在PLC控制系统中,实验表明算法有效的实现了PID参数的自整定,并且提高了控制质量,具有一定的实际应用推广价值。     

基于灰色粒子群神经网络的航天器参量预测

针对航天器精确预测与健康管理的需求,将粒子群算法、灰色理论与神经网络的优势相结合,提出了一种灰色粒子群神经网络组合参量预测方法,实现了灰色模型、粒子群算法、神经网络模型的优势互补.针对某卫星南帆板输出电流参量的预测实例,采用总平均绝对误差、总平均绝对百分比误差、总均方根误差3个预测结果评价指标,对灰色粒子群神经网络模型、粒子群神经网络模型、灰色模型和残差修正灰色模型的预测结果进行了比较,结果证明灰色粒子群神经网络模型的预测精度较高,在航天器参量预测领域具有很好的应用前景.     

心电图的智能识别技术

模糊逻辑、神经网络是人工智能的重要分支,它们从不同角度、在一定程度上模拟了人类智能。本文先后将模糊逻辑、神经网络以及模糊神经网络技术用于心电图识别,获得了良好的效果。在模糊识别方面,从模糊识别矩阵的建立到模糊输入向量的确定,是针对此类具体问题的多传感器模糊信息融合算法,既综合考虑了各输入变量的作用,又突出了识别的主要依据。本文还给出了神经网络识别的三种试验结果及其与模糊神经网络识别的对比。模糊神经网络既充分发挥了神经网络的学习功能,又充分发挥了模糊逻辑的推理功能,因此具有很高的识别精度。     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

基于交互式进化计算的虚拟表情建模

探讨如何训练虚拟人物表情这一新课题,提出了将TSK模糊神经网络应用于虚拟人物表情的建模研究,并用交互式进化计算对TSK模糊神经网络进行训练.实验结果表明,当该算法应用于虚拟人物表情建模时,比传统的进化计算具有更快的收敛速度,而且该算法融合了进化计算的全局优化和人的主观判断,使得表情输出更加符合用户的需要.从而使得不同的动画导演利用这个系统,能够根据自己的知识产生出符合自己要求的虚拟表情输出.     

模糊神经网络在纳税信用评估中的应用研究

由于纳税评估过程中存在不精确、模糊以及冗余信息,传统评估模型多数采用经验法和比较法,缺乏科学性和公正性,评估结果正确率低。为了提高纳税信用等级评估的正确率,提出了一种采用模糊神经网络的纳税信用等级评估模型。首先利用模糊逻辑推理对纳税评估过程中的不精确、模糊的信息进行有效的处理,然后利用训练数据对神经网络模型进行训练学习,获得纳税评估指标和信用等级间的评估模型,最后通过利用测试集对模型进行验证,结果表明,模糊神经网络方法提高了纳税信用等级评估的正确率,为税收信用评估提供有效的依据。     

改进协同微粒群优化的模糊神经网络控制系统设计

针对协同微粒群算法不能保证收敛到局部或全局最优值的问题,提出一种改进协同微粒群算法(ICPSO),并证明了该算法能以概率1收敛干全局最优解.应用ICPSO建立一类非线性对象的神经网络辨识模型,并对系统的模糊神经网络自适应控制器的参数进行了离线和在线优化.仿真结果表明,ICPSO能提高系统的建模精度,增强模型的泛化能力,而且由ICPSO训练的控制器可以达到良好的控制效果.     

基于FEBM和模糊神经网络的模糊概念识别

在基于解释的机器学习问题上,近期提出的模糊模型FEBM（Fuzzy Explanation-Based Model)为模糊概念的识别和分类提供了一种很好的解决手段。在对该模型当对象的解释谓词在[0,1]上取确值的情况时,计算“对象属于概念C的真值”的公式进行适当调整的基础上,结合神经网络可以用于模式识别和分类的特点,提出了一种基于模糊神经网络和FEBM的模糊概念识别方法。实验表明,该方法是有效的和可行的,是关于该模型应用的一个极为有意义的尝试。     

A hybrid fuzzy and neural approach for DRAM price forecasting

The trend in the price of dynamic random access memory (DRAM) is a very important prosperity index in the semiconductor industry. To further enhance the performance of DRAM price forecasting, a hybrid fuzzy and neural approach is proposed in this study. In the proposed approach, multiple experts construct their own fuzzy multiple linear regression models from various viewpoints to forecast the price of a DRAM product. Each fuzzy multiple linear regression model can be converted into two equivalent nonlinear programming problems to be solved. To aggregate these fuzzy price forecasts, a two-step aggregation mechanism is applied. At the first step, fuzzy intersection is applied to aggregate the fuzzy price forecasts into a polygon-shaped fuzzy number, in order to improve the precision. After that, a back propagation network is constructed to defuzzify the polygon-shaped fuzzy number and to generate a representative/crisp value, so as to enhance the accuracy. A real example is used to evaluate the effectiveness of the proposed methodology. According to experimental results, the proposed methodology improved both the precision and accuracy of DRAM price forecasting by 66% and 43%, respectively.     

一种改进型T-S模糊神经网络

对T-S模糊神经网络进行了分析,提出了一种新型T-S模糊神经网络,改进了前件网络的结构及学习算法,减少了模糊规则层的节点数,有效地克服了T-S模糊神经网络模糊规则冗余的缺点。这种新型T-S模糊神经网络具有学习算法简单、收敛速度快等优点。把该网络应用到卷取温度控制中进行仿真,得到了满意的结果。     

一个基于模糊神经网络的模式分类系统

目前,基于神经网络的分类系统在许多领域得到了越来越广泛的应用。但是,该系统大多采用的是离线自适应机制,即神经网络需学习新的分类知识时,要重新训练神经网络,从而大大增加神经网络的训练时间;对于重叠分类,一般是构成一个贝叶斯分类器。然而,贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识,而这些知识常常在模式分类前是难以获得的。为了解决这些问题,文中根据模糊集合理论,提出了一种基于模糊神经网络     

基于进化式模糊神经网络的时间序列预测系统

文章介绍了一种基于进化式模糊神经网络时间预测系统，它是一种快速自适应的局部学习模型；进化式模糊神经网络是一个特殊类型的神经网络，它能通过进化其结构和参数来容纳新的数据。文章重点介绍了网络结构、学习方法及创建、修剪、聚合规则节点的算法；实验结果表明：模糊隶属函数的个数，规则的修剪和聚合等训练参数，与网络的行为和预测结果有很重要的关系。     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于FNN与GA相融合的数据挖掘方法研究

模糊神经网络即具有输入信号是模糊量的神经网络,是模糊系统与神经网络相结合的产物,汇聚了二者的优点;遗传算法是一种自适应全局优化概率搜索算法。研究了基于模糊神经网络与遗传算法相融合的一种算法,在应用模糊神经网络进行数据挖掘前,应用遗传算法完成隶属函数的训练,以便更好地进行模糊神经网络学习;经过模糊神经网络学习后,提取相关规则,再次应用遗传算法,进行规则剪枝,提高数据挖掘效率。实验表明,与传统方法相比,该方法能够更快速、更加准确地进行数据挖掘,提取更精确的推理规则。     

基于人工智能的色差分类技术

利用人工智能和图像处理技术,提出了一种新的瓷砖色差自动分类方法。在传统的图像颜色直方图方法基础上,充分考虑了颜色的空间分布对人类视觉的影响,将图像主要颜色的H(色调)、S(饱和度)、P(颜色的概率)及D(颜色的空间分布)作为神经网络的输入,克服了仅仅利用颜色直方图进行颜色分类带来的因颜色空间信息丢失而无法精确分类的问题,采用模糊技术对瓷砖表面色差进行了精确分类。     

基于FNN与GA相融合的数据挖掘方法研究

模糊神经网络即具有输入信号是模糊量的神经网络,是模糊系统与神经网络相结合的产物,汇聚了二者的优点;遗传算法是一种自适应全局优化概率搜索算法.研究了基于模糊神经网络与遗传算法相融合的一种算法,在应用模糊神经网络进行数据挖掘前,应用遗传算法完成隶属函数的训练,以便更好地进行模糊神经网络学习;经过模糊神经网络学习后,提取相关规则,再次应用遗传算法,进行规则剪枝,提高数据挖掘效率.实验表明,与传统方法相比,该方法能够更快速、更加准确地进行数据挖掘,提取更精确的推理规则.     

基于T-S模糊神经网络的抽油机井故障诊断

针对油田抽油机井故障的特点,提出了基于T-S模糊神经网络的抽油机井故障诊断方法。即将神经网络的学习能力引入到模糊系统中,将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示,从而提高系统的学习能力和表达能力。提出了基于LM优化的BP算法以提高网络收敛速度,利用MATLAB神经网络工具箱建立模糊神经网络诊断模型,经仿真测试表明,所提出的故障诊断方法能有效地对抽油机故障识别,正确率较高、效果较稳定,可提高网络训练及诊断速度。     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。     

模糊神经网络在水质评价中的研究

研究水质评价问题,针对水环境保护和治理,由于水质类型和分级标准存在着模糊性,水质因子与水质类型间存在非线性关系,无法建立传统精确的数学模型。为了提高水质评价的准确性,提出模糊BP神经神经网络水质评价模型。利用模糊理论相对隶属度能反映各因子的质量相对状态,对模糊性具有很强的识别精度,可将水质因子模糊隶属度矩阵输入到BP神经网络中,通过非线性分析处理的BP神经网络进行学习和测试,得到输出水质评价等级。实验结果表明,模糊神经网络较传统的水质评价方法具有较高的识别精度,提高水质评价等级的准确性,使评价的结果更具有科学性。