BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.     

一种模糊小波网络逼近性分析

基于多分辨率分析,本文研究了一种模糊小波网络。以B样条函数作为模糊小波网络的隶属函数,使其具有紧支撑和多分辨率特性,同时在理论上分析系统的逼近性,证明了函数集在范数空间中是稠密的和具有一致逼近能力。最后通过实验验证了其有效性。     

基于人工神经网络的传感器静态特性拟合

人工神经网络具有以任意精度逼近任何非线性函数的能力。本文分别用BP网络、RBF网络对压力传感器的静态特性作高精度拟合，改进的BP算法加速了网络的收敛。仿真结果表明，三层BP网络和RBF网络能够满足工程实际中一维数据拟合的要求，网络具有良好的泛化能力。     

基于模糊神经网络的瓦斯爆炸危险性评价模型

煤矿瓦斯爆炸事故的复杂性和随机性决定了煤矿瓦斯爆炸重大危险源的变化不会按照某一特定的规律或函数变化。模糊神经网络具有较强的非线性函数逼近能力和较强的自学习、自适应和联想能力。通过简化易燃、易爆、有毒重大危险源评价模型,确定了网络的输入参数,应用模糊神经网络对各参数之间的关系进行计算,验算结果表明：该网络模型在评价煤矿瓦斯爆炸危险性方面效果良好。     

一种新型的结构自组织基函数模糊CMAC

为提高CMAC的非线性逼近能力 ,通过引入Gauss基函数和基于相似测量的寻址策略 ,提出一种新的Gauss基函数模糊CMAC网络 (GFCMAC) ,并进一步在对Kohonen的自组织映射算法进行改进的基础上 ,提出了GFCMAC的结构自组织算法 (SOGFCMAC) .仿真结果表明 ,采用Gauss基函数和模糊技术可以显著提高CMAC算法的非线性逼近能力 ,与传统CMAC、广义基函数CMAC和FCMAC等算法相比 ,SOGFCMAC算法在收敛速度、逼近精度和结构自组织等多方面都具有明显的优越性 .     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,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。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。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。     

用遗传算法直接从数据中提取模糊规则以逼近任意非线性函数

提出一种用遗传算法直接从输出输出数据中提取模糊规则以逼近任意非线性函数的方法，该方法首先把输入空间进行模糊划分，然后用遗传算法优化各隶属函数的参数，最终得到一组模糊规则，它们能以非常高的精度逼近非线性函数。     

小波网络与模糊网络的一种融合策略

介绍了一种将模糊神经网络理论与小波神经网络技术相结合的计算方法,即小波模糊网络(waveletfuzzy net,WFN)。在充分认识小波神经网络(wavelet neural net,WNN)重要作用的基础上,将高木-管野模糊模型引入小波网络,在不增加小波基函数的前提下提高了网络逼近函数的精度。该计算方法在机器人等领域有广泛的应用价值。     

基于类高斯隶属函数的模糊万能逼近器性能分析

为了验证由三角形和高斯型隶属函数构造的逼近器均能以任意精度逼近非线性连续系统,引入了一种基于类高斯隶属函数的模糊逼近器设计方法,借助参数可调性来构造隶属函数的“泛模型”,从而实现三角形到高斯型两类隶属函数的切换.由类高斯隶属函数、单值模糊器、乘积型推理和中心平均解模糊器构成模糊逼近系统,并由万能逼近定理指出逼近精度及模糊子集数目的确定方法.与神经网络、决策树和小波级数等非线性万能逼近器相比,模糊系统具有可解释性强和可利用语言信息的独特优势.分别以一维和二维非线性系统为例进行模糊逼近设计与分析,逼近效果体现了不同的控制特性,证明了类高斯函数用于模糊隶属函数表示的合理性和有效性.     

基于模糊逻辑的电路非线性动态特性模型

该文提出了一种基于模糊逻辑的电路动态特性行为建模方法.该方法基于非线性动态系统辨识理论,以精心设计的激励信号下的瞬态响应的抽样值为样本,利用模糊逻辑系统的万能函数逼近能力来逼近电路外部端口的动态特性.介绍了建模的原理与过程,给出了一个具体电路的例子,证明方法是可行的.     

基于BP神经网络的模糊PID风量控制

针对煤矿主风机通风系统多变量、非线性、时变滞后性等问题,提出一种基于BP神经网络的模糊PID算法。该算法综合神经网络、模糊控制与PID调节的各自优点,既具有神经网络的自学习和自适应能力,又具有模糊控制的非线性控制作用,同时兼备PID调节的广泛性。仿真结果表明,该算法的响应速度、稳态精度均优于传统的PID调节,取得比较理想的控制效果。     

基于模糊对向网络的非线性动态系统辨识新算法

以模糊对向网络为辨识模型,利用它所具有的模糊逻辑系统和神经网络两者的优点,在模糊C－均值聚类方法的基础上引入新的聚类目标函数,并证明了它的优化条件,将模糊聚类和最小二乘法相结合,提出一种模型参数学习的新算法,在直流电弧燃弧时间建模研究中的应用结果表明提出的算法是有效的。     

基于T-S逻辑的新型模糊神经网络模型

模糊神经网络是神经网络与模糊逻辑系统的有机结合,具有强大的自学习和自整定功能.针对目前模糊逻辑与神经网络技术在融合中存在的问题,根据模糊逻辑与神经网络的本质和内在联系,提出了一种新型的结构优化的模糊神经网络,用模糊系统理论中的Stone-W eirstrass定理证明了该网络能以任意精度逼近任意一个定义在致密集上的实连续函数.仿真实验表明该网络模型算法是可行且有效的.     

非线性智能组合预测模型及其应用

在现有智能预测理论的基础上，将模糊集理论、神经网络理论和遗传算法相结合，建立了非线性智能组合预测模型，并应用于黄河凌汛预测中．结果表明：非线性智能组合预测模型的预测精度高于单一预测模型和线性组合预测模型．     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

Elman神经网络在中厚板轧机宽展预测中的应用

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用Elman神经网络建立中厚板轧机宽展预报模型的方法。通过实例比较了Elman模型与BP模型的预测效果。结果表明,所建立的Elman神经网络模型收敛速度和预测精度均高于BP网络模型。     

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。     

噪声有源控制的模糊神经网络方法

使用Filter-X算法研究有源噪声控制问题，存在需要较高阶次的滤波器和当主噪声路径是非线性时控制效果不佳的缺陷，为此提出了一种基于模糊神经网络的非线性噪声有源自适应控制方法，并给出了一种基于误差梯度下降的学习算法，一个非线性的仿真例子表明，模糊神经网络控制方法对于非线性噪声控制效果明显。