基于遗传算法的模糊神经网络控制器的仿真

对遗传算法（GA）和模糊神经网络控制器的结构进行了说明,为了克服以反向传播算法（BP）的缺点,通过遗传算法对模糊神经网络控制器的参数进行优化,亦即对模糊神经网络进行训练,用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象,仿真结果证实了其性能较常规模糊控制器优越。     

基于模糊神经网络的系统模糊建模方法

提出了一种基于模糊聚类和模糊神经网络的模糊建模方法,该方法首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经来调整模型的前件参数和后件参数,给出了详细的算法,并对仿真实例进行了研究,仿真实例表明,采用聚类技术能够获得好的初始值,使得计算加快,能够取得满意的结果。     

基于模糊神经网络的模糊辨识方法及其应用

利用模糊神经网络（ＦＮＮ）的学习能力从控制操作的现场数据中获取模糊规则，并自动调节隶属函数，把建模的过程转化为ＦＮＮ网络结构参数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题，取得了满意的结果。     

基于模糊神经网络的模式识别方法

讨论了3种模糊神经元和由其构成的模糊神经网络的基本原理及其学习和自适应机制,针对模糊模式识别问题,建立了一种基于BP学习算法的模糊神经网络模式识别系统,该系统兼有模糊逻辑控制和神经网络两种技术的优点,提高了模糊模式识别的准确性。     

应用模糊神经网络完成模糊控制器的设计和仿真

介绍了模糊神经网络的基本结构,讨论了利用模糊刘经网络技术通过离线学习的设计模糊控制器的方法。     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

模糊神经网络控制器的仿真研究

简要介绍了一般模糊神经网络控制器的设计理论 ,仿真给出了基于 MATLAB控制器的模糊神经控制流程和算法 ,仿真实验表明该模糊神经网络控制器具有良好的动、静态性能、抗干扰性能和鲁棒性能     

基于模糊-RBF神经网络优化的PID控制

采用模糊控制和RBF神经网络训练相融合的方法,应用于对PID控制器参数的调整中,对非线性系统的控制仿真试验结果表明,该方法的控制性能优于单独采用RBF神经网络的控制。     

基于一种混和遗传算法的模糊神经网络的优化

将遗传算法引入到模糊神经网络的学习过程中,提出了一种综合遗传算法和梯度下降法优势的混和遗传算法,它一方面改善了梯度法的收敛性,使模糊系统对专家知识的依赖性大为降低,提高了系统的智能化水平;另一方面有效提高了遗传算法的搜索效率,强化了系统的学习能力.仿真结果证明了算法的有效性.     

用于最小加权距离译码的神经网络方法

构造了用于最小加权距离译码的神经网络，并证明了所构造的神经网络的收敛性，最后给出了用所构造的神经网络进行最小加权距离译码的算法。     

基于模糊神经网络及证据推理的数据融合系统

在研究战术弹道导弹电子对抗条件下作战仿真运用问题时,我们成功地将模糊神经网络与证据推理相结合,弥补了传统多传感器数据融合系统未考虑外界环境因素影响的缺陷,提高了数据融合系统的抗干扰能力,最后简单介绍了仿真系统软件的实现流程。这是作战仿真方法研究及实现的新途径。     

基于区间值模糊的改进模糊神经网络研究

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,结合区间值与粗糙集理论,通过简化网络结构,改进输入条件,提出基于区间值推理的改进的模糊神经网络.通过仿真实验,验证了该方法的可行性.这一结果为研究模糊神经网络提供一种新的方法.     

A Direct Feedback Control Based on Fuzzy Recurrent Neural Network

A direct feedback control system based on fuzzy-recurrent neural network is prosed, and a method of training weights of fuzzy-recurrent neural network was designed by applying modified contract mapping genetic algorithm. Computer simulation results indicate that fuzzy-recurrent neural network controller has perfect dynamic and static performances .     

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.     

基于神经网络的并行诊断推理

将人工神经网络（ANN）技术用于不确定性的诊断推理中，该方法综合了ANN和专家系统（ES）的优点，模拟结果表明，本文提出的方法是很有效的。     

基于模糊神经网络的煤矿瓦斯预测

针对瓦斯爆炸为煤矿安全生产中主要事故的现状,提出基于TS型模糊神经网络的煤矿瓦斯预测算法.通过样本学习,在线修正TS型模糊系统的隶属函数参数,形成TS型模糊神经网络算法,将该算法应用于煤矿瓦斯的预测,掌握和捕捉影响煤矿瓦斯安全主要因素的内在联系.仿真结果表明,该方法能够准确预测煤矿瓦斯的安全等级,平均误差较小.     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节.介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型.实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用.     

基于遗传算法的模糊神经网络控制

在研究遗传算法、模糊神经网络及两者之间融合技术的基础上，设计了基于遗传算法的模糊神经网络控制系统。并通过仿真模拟实例对其功能特性进行了分析。     

基于神经网络的自学习模糊控制

将神经网络与模糊控制相结合，提出了一种基于神经网络实现自学习模糊控制的方法，并给出了神经网络训练、控制器离线自学习、控制器在线自学习的相应算法，利用该方法，可以实现控制器的离线自学习和在线自学习，从而在控制对象发生变化时，通过控制器自学习改善系统的控制性能，仿真结果表明了该方法的有效性。     

一种基于模糊神经网络的PID控制器

利用神经网络自学习自适应能力和快速计算能力,提出一种基于模糊神经网络的PID智能控制器．该系统将模糊技术、神经网络与PID控制结合起来,实现了PID控制的自适应和智能化．通过仿真实验表明,该控制方案与传统PID控制系统相比,无论是超调量还是稳定时间,效果都要好得多．