基于遗传算法和模糊决策的大规模联盟伙伴选择方法研究

为解决大规模的网络制造联盟合作伙伴选择问题,在建立该问题数学模型的基础上通过分析引入遗传算法和模糊决策理论,提出一种分阶段的伙伴选择算法:通过遗传算法求解模型缩小选择的范围,利用遗传算法的解通过模糊决策考虑多个影响因素进行最后决策.对于该方法给出了具体的求解步骤,并用算例说明这种方法的可行性.这种分阶段的伙伴选择算法充分利用了数学的工具和决策者的经验,提高了决策的科学性和合理性.     

基于PSO神经网络的进化博弈研究

针对进化博弈中博弈人是有限理性的,提出了一种基于粒子群神经网络的进化博弈决策机制。该机制将神经网络技术引入到进化博弈中,并采用粒子群优化算法(PSO算法)来训练神经网络,因而可利用神经网络来模拟博弈人在进化过程中的学习和策略调整。利用该机制分别对有限理性条件下的鹰-鸽博弈和重复囚徒困境博弈进行了研究。实验表明:PSO神经网络可以准确地模拟进化博弈中博弈人的动态学习与决策过程,能有效地指导博弈人的策略选取,是进化博弈分析的有力工具。     

基于模糊神经网络的铝电解槽工作状态诊断

针对铝电解槽电压波动信号的频谱特点和工作状态的层次性,将小波理论和模糊逻辑理论引入高阶BP神经网络中,提出了一种基于小波高阶模糊神经网络的铝电解槽工作状态诊断模型,此模型运用串联方式将小波包分析、模糊逻辑和神经网络融合在一起。给出了小波高阶模糊神经网络的结构,确定了各模糊子集上的隶属度函数。并在320KA预焙铝电解槽上进行实验和仿真,理论和实验证明了该诊断方法可行性。     

基于AI的农村公路养护管理评价方法研究

综合考虑影响农村公路养护管理的各要素, 采用层次分析方法, 建立了包含目标层、准则层、 指标层的农村公路养护管理评价三级指标体系. 针对综合评价中知识学习积累问题, 研究了基于人工智能的模糊神经网络方 法在农村公路养护管理评价中的应用. 结合模糊理论和神经网络方法, 采用模块化设计思想初步建立了农村公路养护管理评价 的结构模型, 在评估系统中嵌入专家知识, 采用模糊理论对评价指标进行模糊化处理, 再利用多层神经网络进行数值分析, 最后将结果反模糊化, 实现对农村公路养护管理系统的综合评价. 同时通过实例说明了系统学习、系统评价的过程, 实例验证了所建模糊神经网络模型的可行性与有效性.     

改进的标准模糊神经网络的工程造价快速估算

在对影响建筑工程造价因素分析和标准模糊神经网络结构分析的基础上,通过增加输入层与模糊层之间的权值v,加入规则的重要度γ,对标准模糊神经网络进行了改进,并建立基于改进的标准模糊神经网络的工程造价快速估算模型。将基于这种结构的模糊神经网络的工程造价快速估算模型应用于建筑工程的投标报价中,从仿真结果可以看出该网络模型学习时间较短,学习速率较快,精度较高。     

交互学习神经网络模型及其仿真研究

研究人们交互学习过程,建立神经网络模型,利用系统仿真技术探索发现和掌握知识的基本规律,有利于促进和提高人们的智慧.用博弈理论框架模拟交互学习过程;用人工神经网络完成学习功能;建立交互学习神经网络模型.在此基础上,研究交互学习模型特性,求解了混合策略博弈过程的均衡预测问题.在神经网络学习过程中,效仿人们回顾对比的学习方法,更新神经网络连接权值.利用建立的交互学习神经网络模型,进行系统仿真研究.仿真结果表明,该模型不仅能很好的模拟人类交互与竞争学习过程,还能对博弈过程的均衡状态做出有效预测.     

基于Chebyshev基函数模糊神经网络的快速辨识方法

神经网络的非线性逼近能力的研究是神经网络成为辨识模型的理论基础。首先研究了基于正交多项式函数的神经网络逼近理论和方法,并在此基础上证明了新型Chebyshev神经网络具有良好的非线性并研究了它的全局最优逼近性质。然后提出了一种用于复杂非线性系统辨识的基于Chebyshev基函数的模糊神经网络模型和学习算法。该模型以Chebyshev基函数为隶属函数,规则后件采用输入变量的线性函数,无需调整隶属函数的参数,只是采用BP学习算法学习后件参数,因而大大减少了模型算法的计算量,学习算法简单,加快了学习收敛速度,而且不使网络结构复杂,设计简单。仿真结果表明所提模型和方法的有效性。     

多时段条件下动态物流联盟伙伴选择的模糊语言群体决策模型

动态物流联盟组建过程中的一个关键环节就是选择适当的合作伙伴,它直接关系到动态物流联盟的市场响应速度、运行绩效和成败.针对动态物流联盟合作伙伴选择过程所面临的信息不完全性、多时段性,引入模糊语言变量来描述决策者的评估信息,结合多属性群决策理论,建立多时段条件下模糊语言群体决策模型,并详尽论述了其应用过程.仿真算例表明该模型的合理性和有效性,为动态物流联盟伙伴的优化选择提供了一套切实可行的方法.     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

神经网络应用于模糊综合评价的研究

本文将神经网络理论应用于模糊综合评价, 给出了一种基于三层神经元的多用量化评价方法, 研究了三层神经网络的结构、相应的网络学习过程及其应用于模糊综合评价的计算机实现算法和应用实例。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

Intelligent control over chaos in the rolling process and its comparison with tracking control

Some existing methods for chaos control in engineering fields are analyzed and their drawbacks are pointed out. A tracking method can solve these problems to some extent, but it still depends on the mathematical model of the system to be controlled. An intelligent method based on fuzzy neural network (FNN) is used to control chaos in engineering fields. The FNN is employed to learn the inherent dynamics from the input and output of chaos, which can be used in the inverse system method, so that the method is free of the exact mathematical model of the system to be controlled. This intelligent method is compared with tracking method in the presence of measurement noise and model error. Simulation results show its superiority and feasibility.     

流体神经网络在非规范条件下的应用研究

流体神经网络是近年来发展起来的一种新兴智能搜索方法，特别适合于求解各种路径优化问题．本文运用遗传算法进行参数选择，克服了传统流体神经网络的权值矩阵对称等限制，拓宽了这种智能搜索方法的应用领域     

Global Optimization of Feedforward Neural Networks

This paper proposes the compensating methods feedforward neural networkd (FNNs)which are very difficult to train by traditional Back Propagation(BP)methods.For an FNN trappedin local minima the compensating methods can correct the wrong outputs one by one until all outputsare right,then the network is located at a global optimum point.A hidden neuron is added to     

基于模糊神经网络的无刷双馈电机的仿真研究

研究了模糊神经网络在无刷双馈电机调速系统中的应用,给出了基于神经元网络模糊控制器的基本设计方法。并利用Matlab软件对基于模糊神经网络的无刷双馈电机调速系统进行了仿真。仿真实验表明,与传统的PID控制相比,当电机在转速或者负载发生改变时,利用该控制方法可以获得更好的系统动静态性能。     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

基于谱约简的变结构模糊神经网络

在先验知识不完备和不确定的情况下,针对海量数据造成的冗余和互斥,模糊神经网络结构变得复杂化且不能很快逼近和分类输出对象的情况,提出了一种基于高阶谱规则约简的变结构模糊神经网络模型。相同结论属性的模糊规则的条件属性值,可以被认为是由若干个谐波组成的平稳信号,并且此信号可以采用高阶谱分析来估计其谐波成分,规则的最小约简集与谐波对应。在完成了谐波估计后,神经网络结构和连接权值发生改变,神经网络的性能也得到优化。最后给出了此模型在航迹融合中应用的一个例子,得到了较好的结果。