基于TS模糊神经网络的Fuzzy规则自动获取研究

Fuzzy规则的获取一直是模糊智能系统的一个瓶颈。醉在深入研究TS模糊神经网络的物理意义的基础上,给出了使用遗传算法优化模糊规则集的算法并提出了从训练后的TS模糊神经网络中抽取Fuzzy规则的可操作方法。分析和实验证明,这种方法可以实现且是有效的,对于Fuzzy规则自动获取的研究具有积极的借鉴意义。     

一种短语结构规则的自动获取方法

文中提出一种新的知识获取方法,即从完全没有任何标注的生语料库中,采用ＮＡ假设自动构造带标训练数据,利用基于多特征的相似评估技术自动获取名词短语结构规则,该方法具有两个特点：（１）由于从没有任何标注的生语料库中自动获取带标训练数据,促使带标数据规模可以很大,且容易构造不同领域的带标语料库;（２）所获取的短语结构规则具有概率属性,可用于分类检索等应用中的名词短语抽取,为论证方法有效性,采用美国Ｂｅｒｉ     

基于遗传算法获取模糊规则

针对传统利用遗传算法(GA)直接获得的模糊规则所具有的局限性问题,提出了一种带有加权因子的模糊控制规则计算方法,并利用遗传算法对加权因子进行全局寻优,最终由最优加权因子计算生成模糊规则。该计算方法针对不同的模糊输入等级施加不同的加权因子,并能够利用加权因子的相关性与对称性完整地评估所有的模糊规则,减少无效规则对系统响应所造成的影响。性能对比实验表明,该模糊规则所构成的模糊控制系统在控制过程中超调量小,调节时间短,在模糊控制的应用中具有可行性;不同激励的仿真实验表明,该模糊规则所构成的模糊控制系统的控制效果不依赖于系统的激励信号,跟踪效果好,具有很强的鲁棒性。     

工程图对象识别规则自动获取方法的研究

分析了工程图中工程对象的构图特点，设计了适用于识别的对象特征组结构．提出了通过抽取对象特征组、由特征组自动生成识别规则的方法．提出了在识别系统中加入对象特征抽取以及识别规则自动生成与调整功能使识别系统能方便地适应新图例从而提高适应能力的方法．该方法已应用于一个建筑工程图自动分析软件并取得了较好的效果．     

基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题,提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法,利用该算法同时优化模糊加权神经网络的结构和参数,最后说明了从网络中提取模糊规则的方法,从而自动获得最优的模糊规则。分析和实验结果表明,本文方法在规则提取和分类准确性等方面比其他方法更好。     

基于模糊加权神经网络的模糊规则自动获取

如何实现模糊规则的自动获取一直是模糊系统中的一个难题，文中在充分研究了模糊加权神经网络和遗传算法的基础上，给出了一种能够自动获取模糊规则的剪枝算法，并以此建立了新的网络模型。模拟结果验证了该模型的有效性。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘。在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生。以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性。     

基于场景及规则获取模板的知识获取方法

产生式规则作为知识库系统进行推理的常用的、可读性好的知识表示形式,在构建知识库系统时有极大的优越性.提出一种基于场景及规则获取模板的知识获取方法,并以某高分子复合材料的加工专家为知识获取对象.该方法通过分析、记录领域专家进行设计的过程、解决问题的过程和动作,将领域问题按层次细化为一系列子问题,并在子问题场景下结合场景模型及知识获取模板来获取规则性知识.采用该方法可以辅助领域专家在明晰领域知识结构的基础上,逐步挖掘领域中细粒度的规则性知识.     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘.在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生.以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性.     

基于量化规则格的关联规则之分布式获取

在形式概念分析中,提取关联规则是构造概念格的目的之一。量化规则格是为了便于提取规则的扩展概念格。概念格分布处理是先分布构造多个部分概念格,再合并构造出完整概念格,以提高构造格的速度。本文提出一种规则合并技术和相应的算法,由部分量化规则格提取部分关联规则,然后直接进行部分关联规则的合并,得到完整的关联规则,即对关联规则进行分布提取。由于无需构造完整格,并且直接再利用已有的部分关联规则,从而降低了利用概念格提取关联规则的复杂度。最后,给出一个简单的实例,说明算法的正确性,并通过实验验证了算法的有效性。     

基于递阶遗传算法的模糊控制器的规则生成和参数整定

提出了一种基于递阶遗传算法的模糊控制器的优化设计方法．采用具有层次结构染色体编码方式的遗传算法来设计模糊控制器，实现了语言控制规则的自动生成和隶属函数参数的自动整定．设计过程无需系统的先验知识和训练数据，具有自组织、自学习的特点．仿真结果表明，该方法优化得到的模糊控制器结构简单、性能优良．     

基于遗传算法的模糊规则的生成

模糊控制是人工智能的一重要研究领域,已经在很多方面得到了应用。模糊规则是一个智能系统的核心部分,所以模糊规则自动生成的研究一直以来吸引了很多的学者。遗传算法(Genetic Algorithm,GA)是模拟达尔文的遗传选择和自然淘汰的生物进化进程的计算模型,它是一种高度并行的随机化搜索的自适应的组合优化算法。该文提出了一种利用遗传算法自动生成模糊规则的方法,因为遗传算法的全局优化能力,所以可以得到相对较为合适的模糊规则,通过仿真结果,也可以看出它确实是一种切实可行的方法。     

基于遗传算法和 FCM 的图像自动标注*

为了缩减图像底层视觉特征与高层语义之间的“语义鸿沟”及减少聚类的不稳定性,论文提出了一种基于遗传算法和FCM的图像自动标注方法。该方法首先提取图像的颜色和纹理特征,然后运用遗传算法和FCM 相结合的方法对图像进行聚类。最后通过支持向量机学习训练库的图像特征构造简单的多类支持向量机模型实现图像的自动标注。实验表明,该方法具有很好的图像标注性能。     

一种模糊规则提取方法的研究

提出了一种基于改进的模糊 C 均值聚类的模糊规则提取方法。然后基于所提取的模糊规则给出了一种分类算法,并利用 IRIS 数据对此分类算法进行了仿真测试。结果表明,该算法在训练祥本较少的情况下,仍能得到很好的分类效果,由此说明所提出的模糊规则生成方法有效。     

基于FNN与GA相融合的数据挖掘方法研究

模糊神经网络即具有输入信号是模糊量的神经网络,是模糊系统与神经网络相结合的产物,汇聚了二者的优点;遗传算法是一种自适应全局优化概率搜索算法.研究了基于模糊神经网络与遗传算法相融合的一种算法,在应用模糊神经网络进行数据挖掘前,应用遗传算法完成隶属函数的训练,以便更好地进行模糊神经网络学习;经过模糊神经网络学习后,提取相关规则,再次应用遗传算法,进行规则剪枝,提高数据挖掘效率.实验表明,与传统方法相比,该方法能够更快速、更加准确地进行数据挖掘,提取更精确的推理规则.     

基于FNN与GA相融合的数据挖掘方法研究

模糊神经网络即具有输入信号是模糊量的神经网络,是模糊系统与神经网络相结合的产物,汇聚了二者的优点;遗传算法是一种自适应全局优化概率搜索算法。研究了基于模糊神经网络与遗传算法相融合的一种算法,在应用模糊神经网络进行数据挖掘前,应用遗传算法完成隶属函数的训练,以便更好地进行模糊神经网络学习;经过模糊神经网络学习后,提取相关规则,再次应用遗传算法,进行规则剪枝,提高数据挖掘效率。实验表明,与传统方法相比,该方法能够更快速、更加准确地进行数据挖掘,提取更精确的推理规则。     

基于Rough Set理论的增量式规则获取算法

从Rough set理论出发,讨论在新增数据时,新数据与已有规则集的关系、属性约简以及值约简的变化规律.并在此基础上提出一个新的基于Rough Set理论的增量式算法.从理论上和实验上对新算法和传统算法在算法复杂度上做了分析与比较.     

基于遗传算法的模糊聚类分析

模糊C-均值聚类(FCM)应用广泛,但是它容易陷入局部最优,且对初始值很敏感。该文提出了一种基于遗传算法的模糊聚类方法,首先用遗传算法对模糊聚类中聚类中心的个数和聚类中心的选取进行指导,然后利用FCM进行聚类。实验结果表明：该方法可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,效果很好。     

模糊自适应遗传算法的原理和发展

模糊自适应遗传算法是将模糊控制器应用于遗传算法性能和参数控制的新型进化算法。该文论述了模糊自适应遗传算法的定义和基本原理,并根据规则基不同的产生方式对其进行了系统分类,最后提出了模糊自适应遗传算法性能改进和应用研究的发展方向。