一种基于粒子群算法的模糊隶属函数优化方法

在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时又考虑到图像在空域中划分区域时随隶属函数变化而变化的情况。这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。另外,根据图像增强算法中使用double型数据类型的特点,采用改进粒子群优化算法寻求隶属函数的最优参数。将新算法应用于图像增强中,取得了优于现有大多数模糊增强算法的效果。     

基于Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.     

关于二型模糊集合的一些基本问题

采用集合论的方法给出了单位模糊集合和二型模糊集合及其在一点的限制等定义,使得二型模糊集合更易于理解.通过定义嵌入单位模糊集合来描述一般二型模糊集合,并给出离散、半连通二型模糊集合的表达式.根据论域、主隶属度及隶属函数的特性将二型模糊集合分为四种类型:离散、半连通、连通及复合型,并根据连通的特点将连通二型模糊集合分为单连通及多连通两类.利用支集的闭包（Closure of support,CoS）划分法表述主隶属度及区间二型模糊集合.提出了CoS二、三次划分法分别来表述单、复连通二型模糊集合,并使每一个子区域的上下边界及次隶属函数在该子区域上的限制分别具有相同的解析表述式.最后,探讨了二型模糊集合在一点的限制、主隶属度、支集、嵌入单位模糊集合之间的关系.     

利用数据产生模糊推理系统的自适应学习方法

利用数据设计模糊推理系统分为两个主要内容: 结构辨识和参数优化. 论文首先通过定义隶属度函数和模糊规则简单地给出了一种初始模糊推理系统结构. 然后, 为了提高基于梯度的学习算法的收敛速度、减少振荡, 提出了一种产生模糊推理系统的改进梯度下降方法, 并对算法的收敛性和振荡情况进行了系统分析; 利用这些优化分析结果能够进一步确定在输入变量空间的哪一个区域中模糊规则的密度应该加强, 以及在哪一个输入变量上用于划分其论域的模糊子集的数目应该增加, 从而获得一个新的更精确的模糊推理系统结构. 最后将所提出的方法用于解决非线性函数的逼近问题.     

基于信息熵的FCM聚类算法

针对模糊聚类存在的数据收缩问题的不足,提出了一种改进现有模糊聚类算法的方法,并进行仿真实验研究.模糊C-均值(FCM)算法主要通过目标函数的迭代优化来实现集合划分,以信息熵作为模糊C-均值算法的约束条件,给出改进算法的推导过程,得出改进后的模糊C-均值算法的隶属度和聚类中心,实现了模糊C-均值的改进算法.实验结果可以表明,改进的模糊C-均值算法是有效的,能够表现出比模糊C-均值算法更好的性能,在实际应用中可以取得较好的聚类效果.     

一种广义线性隶属函数的设计及应用

研究模糊控制器问题,针对广泛应用的三角形和梯形隶属函数存在的问题,为提高控制器的控制性能,设计并研究了一种将三角形和梯形隶属函数作为特例的广义线性隶属函数,并将它作为输入隶属函数,应用于两输入一输出的典型模糊控制器.基于模糊控制器的解析结构,在不增加模糊规则的情况下,增加模糊子空间的划分,使用合适的隶属函数提高模糊控制器的控制性能;同时,证明了输入为广义线性隶属函数的模糊控制系统的解析结构是全局多值继电器和局部PI控制器之和.最后,仿真结果证明了设计的有效性,并为线性隶属函数的模糊控制器起到了优化性能的作用.     

一种控制机械手的自调节模糊逻辑控制器

介绍了一种机械手的模糊逻辑控制的新方法.它能根据系统的前期响应自动修改 误差变化率的隶属函数来获得理想的控制特性.在研究隶属函数对控制特性影响的基础上, 首先确定一族参数化的隶属函数.然后,用Nelder-Mead单纯形算法优化模糊逻辑控制器. 最后,用该模糊控制器控制一个具有非线性动力学特征的两自由度机械手,验证了所提方案 的有效性和鲁棒性.     

数字图像盲取证对样本合成修复应用的篡改区域检测算法

提出了一种图像盲取证算法, 用于检测利用样本合成修复技术制作的伪造图像. 该算法采用零连通特征来描述修复技术导致的图像块之间异常的相似性, 然后构建升半梯形隶属函数将该相似性特征转换成块属于篡改块的模糊隶属度, 通过截集划分并结合高隶属度块的位置信息, 进行伪造图像的检测和篡改区域的定位. 实验结果表明该算法能够有效区分自然图像和修复伪造图像, 并可进一步定位图像的篡改区域.     

一种基于模糊感知器的模糊神经分类器

隶属函数应能客观反映模式的不确定性分布情况,模糊神经分类器中为每个输入特征划分相同数量的模糊变量显然是不合理的.针对这一问题,根据模糊积分的思想,本文通过分析隶属函数的变化曲线来确定模糊密度,以此为依据为输入特征划分合适的模糊变量,并以Iris数据集为例验证了该方法的有效性.     

一种基于模糊感知器的模糊神经分类器

隶属函数应能客观反映模式的不确定性分布情况, 模糊神经分类器中为每个输入特征划分相同数量的模糊变量显然是不合理的. 针对这一问题, 根据模糊积分的思想, 本文通过分析隶属函数的变化曲线来确定模糊密度, 以此为依据为输入特征划分合适的模糊变量, 并以Iris数据集为例验证了该方法的有效性.     

Image segmentation in the presence of uncertainty

This article incorporates fuzzy set theory into the task of image segmentation. the basic concept is to allow the fuzzy membership function to model the uncertainty and vagueness of definition of objects in digital images. We define a fuzzy segmentation as a fuzzy c-partition of an image and incorporate this definition and fuzzy criteria into several image segmentation techniques including segmentation by clustering, region growing, and relaxation labelling. the algorithms are tested on digital forward looking infrared (FLIR) images and digital subtraction angiographic images. These techniques are shown to perform at least as well as their crisp or probabilistic counterparts when converted to a crisp partition. However, the real advantage to a fuzzy methodology is that the degree of membership provides a model of uncertainty and can subsequently be used by feature extraction and object recognition algorithms to increase the amount of information available in decision processes.     

基于清晰半径的模糊点二次聚类算法

针对模糊C-均值(FCM)聚类算法在模糊边界上容易出现划分错误的问题,提出一种对模糊点进行二次处理的改进算法。该算法以各类中的数据分布密度为依据,首先利用清晰点构成超球体中心区域,然后基于中心区域的清晰半径定义一种新的相似性距离,并利用该距离对模糊点的隶属度进行二次计算,重新确定其类别归属。实验结果显示,改进算法能有效纠正分类错误,提高模糊点的清晰度,在密度差异较大的数据集上具有一定的应用潜力。     

变权划分系数及其分类效果评价

针对模糊C-均值聚类算法对初始化分类参数(包括起始聚类中心位置和初始化分类隶属度矩阵)的选择比较敏感而导致分类结果差异性较大，以及错误分类会给解决实际问题带来难以预料后果的不足，本文从反映数据聚类后类间分离性测度的划分系数入手，提出了可变加权划分系数的新概念，并用于数据分类效果的评价。实验结果表明，本文提出的评价方法不仅是可行的，而且比模糊C-均值聚类算法的目标函数作为数据分类效果的评价准则更好。     

基于局部隶属度和邻域信息的GIFP-FCM图像分割算法

基于一般化的模糊划分GIFP-FCM聚类算法是模糊C均值算法(FCM)的一种改进算法,一定程度上克服了FCM算法对噪声的敏感性,但由于其没有考虑图像的邻域信息,对含有较大噪声的图像分割效果不理想。为此,提出将局部隶属度和局部邻域信息等引入到GIFP-FCM算法的目标函数中,通过重新计算每个像素的局部隶属度和邻域信息,较好地克服了噪声影响。利用该算法对合成图像、脑图分割的实验结果表明,对于含有高斯噪声、椒盐噪声和混合噪声的图像,新算法得到的划分系数值最大,划分熵最小,是一种去噪效果较好的图像分割算法。     

A novel fuzzy logic system based on N-version programming

For the consideration of different application systems, modeling the fuzzy logic rule, and deciding the shape of membership functions are very critical issues due to they play key roles in the design of fuzzy logic control system. This paper proposes a novel design methodology of fuzzy logic control system using the neural network and fault-tolerant approaches. The connectionist architecture with the learning capability of neural network and N-version programming development of a fault-tolerant technique are implemented in the proposed fuzzy logic control system. In other words, this research involves the modeling of parameterized membership functions and the partition of fuzzy linguistic variables using neural networks trained by the unsupervised learning algorithms. Based on the self-organizing algorithm, the membership function and partition of fuzzy class are not only derived automatically, but also the preconditions of fuzzy IF-THEN rules are organized. We also provide two examples, pattern recognition and tendency prediction, to demonstrate that the proposed system has a higher computational performance and its parallel architecture supports noise-tolerant capability. This generalized scheme is very satisfactory for pattern recognition and tendency prediction problems     

Fuzzy local linearization and local basis function expansion innonlinear system modeling

Fuzzy local linearization is compared with local basis function expansion for modeling unknown nonlinear processes. First-order Takagi-Sugeno fuzzy model and the analysis of variance (ANOVA) decomposition are combined for the fuzzy local linearization of nonlinear systems, in which B-splines are used as membership functions of the fuzzy sets for input space partition. A modified algorithm for adaptive spline modeling of observation data (MASMOD) is developed for determining the number of necessary B-splines and their knot positions to achieve parsimonious models. This paper illustrates that fuzzy local linearization models have several advantages over local basis function expansion based models in nonlinear system modeling.     

一种扩展的条件模糊C-均值聚类算法

在综合分析标准的模糊C-均值聚类算法和条件模糊C-均值聚类算法基础上,对模糊划分空间进行修改,进一步弱化模糊划分矩阵的约束,给出一种扩展的条件模糊C-均值聚类算法。算法的划分矩阵和原型不依赖于背景约束及模糊划分矩阵的隶属度总和。实验结果表明：该算法可以得到不同的聚类原型,并具有很好的聚类效果。     

POPFNN-CRI(S): pseudo outer product based fuzzy neural network using the compositional rule of inference and singleton fuzzifier

A pseudo-outer product based fuzzy neural network using the compositional rule of inference and singleton fuzzifier [POPFNN-CRI(S)] is proposed in this paper. The correspondence of each layer in the proposed POPFNN-CRI(S) to the compositional rule of inference using standard T-norm and fuzzy relation gives it a strong theoretical foundation. The proposed POPFNN-CRI(S) training consists of two phases; namely: the fuzzy membership derivation phase using the novel fuzzy Kohonen partition (FKP) and pseudo Kohonen partition (PFKP) algorithms, and the rule identification phase using the novel one-pass POP learning algorithm. The proposed two-phase learning process effectively constructs the membership functions and identifies the fuzzy rules. Extensive experimental results based on the classification performance of the POPFNN-CRI(S) using the Anderson's Iris data are presented for discussion. Results show that the POPFNN-CRI(S) has taken only 15 training iterations and misclassify only three out of all the 150 patterns in the Anderson's Iris data.