模糊强化学习在机器人导航中的应用

提出了一种基于自适应模糊RBF神经网络的Q学习算法。在模糊神经网络中引入Q学习,赋予模糊神经系统自学习和自适应能力。详细研究了模糊RBF神经网络的五层结构以及Q学习算法,给出了算法设计的流程图,所提算法对移动机器人在未知环境的自主导航,在未知环境中的自学习和自适应具有重要的应用价值。     

前向神经网络的神经元分层逐个线性优化快速学习算法

本文提出了一种新的前向神经网络快速分层学习算法.在此学习算法中,其优化策略为对输出层和隐层神经元的连接权值交替优化.对输出层权值优化算法采用基于广义逆的最小二乘递推算法,对隐层神经元的连接权值采取则对每个神经元逐个进行优化,而且采用正交变换加快每一步学习的计算速度和提高算法的数值稳定性.当学习过程停滞时采用随机扰动的方法摆脱过早收敛.数值实验表明,与BP动量因子法、牛顿型方法和现有的分层优化算法相比,新算法不仅学习速度快学习时间短,而且当网络规模增大时仍然比较有效.     

一种基于L-M算法的组合神经网络模糊控制器

提出了一种基于L-M算法的神经网络模糊控制器。用两个相同的三层前向神经网络①和②来生成E和EC的隶属度，用三层前向神经网络③来实现模糊控制规则并生成控制输出，经过研究和对比选择了对于这3个网络来说最好的训练算法Levenberg-Marquardt算法。仿真结果表明了该控制器极好的控制性能。     

一种新型的动态递归-直觉模糊神经网络及其学习算法

通过对直觉模糊集理论和动态递归神经网络理论的研究,提出了一种新型的动态递归-直觉模糊神经网络,并根据动态递归-直觉模糊神经网络的数学模型推导其改进的动态反向传播学习算法.     

基于模糊神经网络的液压挖掘机节能控制器研究

针对国内液压挖掘机电子节能控制系统水平相对落后的现状,提出了一种模糊神经网络的液压挖掘机节能控制系统,采用基于标准模型的模糊神经网络作为控制器,应用多层前馈网络的反向传播算法(BP算法)作为学习算法.仿真结果表明:该控制系统具有较好的快速性和稳定性,使变量泵的扭矩始终追踪发动机的扭矩,稳定发动机的转速,从而达到节能的目的.     

基于模糊神经网的决策树生成

数据挖掘技术能从大量数据中挖掘和发现有价值和隐含的知识,因而得到广泛的研究和应用。提出了一种基于五层模糊神经网络的决策树生成方法：首先运用五层模糊神经网络学习变量间的模糊映射关系。然后从中生成模糊决策树。这种方法利用了五层模糊神经网络学习的模糊映射强度,并能实现模糊决策树的剪枝优化,提高了算法的正确率和效率。     

基于Takagi-Sugeno型自适应模糊神经网络的模拟电路故障诊断

该文提出了一种基于Takagi-Sugeno型自适应模糊神经网络故障诊断方法。首先通过电路仿真获得故障样本,其次利用主成分分析对故障样本进行降维处理,减少自适应模糊神经网络的输入,降低训练时间,然后采用BP算法与最小二乘法相结合的混合学习算法训练自适应模糊神经网络的连接权值和隶属度函数。仿真结果表明,此方法能够快速有效地对模拟电路的故障进行诊断和定位,表现出了很好的应用潜力,在容差模拟电路故障诊断领域具有较好的应用前景。     

一种模糊小波神经网络辨识器的设计与应用

针对现有模糊神经网络的语言变量层隶属函数的不足,借鉴小波变换良好的尺度变换和伸缩平移特性,提出了一种新的模糊小波神经网络模型,并研究了其结构和相应的优化算法.将该模糊小波神经网络作为系统辩识器进行计算机仿真,仿真结果表明所研究的模糊小波神经网络结构及其学习算法简单有效,系统辩识准确.     

基于改进模糊神经网络的输电线缆制造质量预测方法

针对输电线缆制造质量预测问题,采用制造工艺关键指标数据基于改进模糊神经网络对制造质量合格率进行预测。首先通过引入模糊化层和模糊规则计算层建立模糊神经网络的结构,采用高斯函数建立模糊化层的隶属度函数,构建了隶属度函数均值和宽度的训练过程;接着基于帝国竞争算法对模糊神经网络中的隶属度函数学子因子和后件网络权重学习因子进行优化,优化目标为最小化神经网络收敛误差;采用改进模糊神经网络设计输电线缆制造质量预测流程。最后通过一个仿真算例验证了所建立的模型相比于传统神经网络以及基本模糊神经网络在输电线缆制造质量合格率的预测效果上更优,验证了所建立模型的有效性。     

动态系统多层网络模型的递推辨识算法研究

本文基于对多层前向神经网络学习训练获得最优权集合过程看成是非线性动态系统模型参数自组织、自学习的辨识过程，阐述了基于多层前向网络描述体系的定常和时变非线性动态系统的ＧＢＰ（广义反向传播算法）自适应递推辨识算法和模型的校验。ＧＢＰ递推算法包括在采样时间段上的纵向参数辨识过程和时序上的横向滑动辨识过程，它是现有多层网络学习算法的拓广，仿真研究表明该算法的有效性。     

多模式对连接权矩阵的一种神经网络学习算法

该文提出多模式对连接权矩阵的一种神经网络学习算法,并给出了严格的理论证明。该算法能够将多个模糊模式对可靠地编码存储到尽可能少的连接权矩阵中,从而大大地减少存储空间,而且容易实现,并举例验证了它的有效性。     

计算机科学数学基础

0102794基于模糊神经网的决策树生成[刊]/唐斌//红外与激光工程.—2000,29(5).—52～55(E)数据挖掘技术能从大量数据中挖掘和发现有价值和隐含的知识。因而得到广泛的研究和应用。提出了一种基于五层模糊神经网络的决策树生成方法:首先运用五层模糊神经网络学习变量间的模糊映射关系,然后从中生成模糊决策树。这种方法利用了五层模糊神经网络学习后的模糊映射强度.并能实现模糊决策树的剪枝优化.提高了算法的正确率和效率。参6     

一种基于高阶矩的神经网络参数估计器

本文提出了一种可控学习的两级多层神经网络模型,由此设计出一种基于高阶矩匹配的神经网络参数估计器;并对该神经网络模型的学习算法进行了研究,提出了一种自适应并行学习算法。仿真结果表明,这种利用神经网络进行模型参数估计的方法是可行的。     

方向估计的神经网络计算

本文给出一种借助于二维神经网络构成的混合系统,用它来完成几种方向估计算法,这些算法包括：最大似然法,交替投影最大似然法,Ｍａｒｃｏｓ等人提出的无需特征分解的“传播算法”。利用神经网络对某些算法的快速性,该系统为实时实现目标的精确定位提供了一条新的,有效的途径。     

多字体字符识别的模糊神经网络模型

提出了一种用于多字体字符识别的模糊神经网络模型．通过对一个３ 层ＭＬＰ的输入层、输出层以及学习算法的模糊化,构造出能有效处理具有模糊边界的模式分类问题的模糊神经网络．经过大量实际采样多字体字符样本的测试表明,该模型能对字体字符识别取得很高的识别率,对加噪字符的识别试验还表明该模型具有较好的鲁棒性．     

基于FKCNN的模拟电路故障诊断方法

研究一种将模糊c均值聚类算法与神经网络相结合的模糊聚类神经网络(FKCNN),在分析该网络的结构和学习方法的基础上,对FKCNN的学习算法进行了一定的改进,并将改进后的模糊聚类神经网络应用于模拟电路的故障诊断,探讨了实现方法,设计了算法步骤,并举例对算法有效性进行了验证.结果表明,运用模糊聚类神经网络能够实现对具有状态可测性的模拟电路的故障诊断.     

基于模糊神经网络的传感器置信度的求取

根据模糊逻辑规则中传感器置信度与其前件的单调关系 ,构造了一种基于内插求值的模糊神经网络 (FNN)。详细描述了网络各层神经元的内部结构和层间关系 ,并给出了网络的学习算法。最后通过仿真验证了网络的可行性。     

基于UKF的自组织直觉模糊神经网络

模糊集在语义描述上存在不足,因此,如何对模糊神经网络进行扩展是当前模糊神经网络研究的热点,针对这一问题,本文提出了基于UKF的自组织直觉模糊神经网络。首先,给出了直觉模糊神经网络的结构和各层的含义;其次,推导了直觉模糊神经网络的学习算法,用LLS和UKF分别学习线性和非线性参数;然后,给出了模糊规则生成的准则,并用误差下降率方法作为规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近、系统辨识和时间序列预测实例,表明本文算法得到的直觉模糊神经网络的结构更为紧凑,泛化性能也更佳。     

一种动态筛选样本的前向神经网络快速学习算法

从理论上讨论了一类隐含层激励函数满足Mercer条件的前向神经网络学习问题,分析了提高网络学习速度的途径,提出了一种动态筛选样本的前向神经网络快速学习算法。它大大提高了网络学习速度,克服了传统的基于梯度下降的网络学习方法存在的诸多弊端。算法还具有动态确定隐含层神经元数的自构性优点。文中通过具体数值试验验证了上述算法的可行性和优越性。     

基于BP神经网络的大规模电路模块级故障快速诊断方法

根据大规模电路故障诊断网络撕裂法和交叉撕裂搜索方法,采用基于误差反向传播算法的多层前向神经网络(BP神经网络)记载多次撕裂信息,提出了一种新型基于BP神经网络的大规模电路模块级快速诊断方法。该方法能快速有效地并行处理定位故障模块,具有测前工作量小,实时诊断性强等优点。