基于遗传算法的Fuzzy规则自动获取的研究

为了实现Fuzzy规则自动获取,进而构造高性能智能系统和解决智能系统的瓶颈问题,研究了利用遗传算法自动获取规则的方法以及遗传算法的组合优化能力.模拟结果表明,这是一种有效地获取Fuzzy规则的方法.     

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。     

智能系统中获取模糊规则的神经网络方法

智能系统中一类重要的定性知识要用模糊集理论中的模糊语言进行描述。本文在研究模糊定性知识形式描述和自组织竞争神经网络特性的基础上，提出了一种从一组具有数值特性的训练样本集中获取隶属函数和模糊规则的神经网络模型和方法。通过对Ｉｒｉｓ数据集的应用实验表明了该方法能对这一类数据进行有效的描述。     

基于SOM规则自动生成的模糊神经网络模型

1 引言模糊系统建模一般将经过系统结构辨识和系统参数估计两个阶段。在辨识阶段,主要决定输入变量及其相互关系、模糊规则数、输入输出空间划分和系统参数的初值;在估计阶段,主要用来调整系统参数以使得系统的输出与目标输出的差值尽可能小。对于系统参数估计阶段的参数调整,人们已提出一些自动方法。对于系统结构辨识阶段,也产生了如模板法、聚类法和决策树法等,但这些方法一般都需要人工干预。其中模糊规则的生成与调整以及隶属度函数的选取是系统结构辨识阶段的主要问题,文提出了用神经网络自动生成模糊规则并进行隶属度形状调整,从而构成模糊神经网络。Wang提出自动分割输入空间的方法,Lin提出三阶段学习算法的模糊神经网络。     

神经网络规则抽取

神经网络是一种黑箱模型，其学习到的知识蕴涵在大量连接权中，不仅影响了用户对利用神经计算技术构建智能系统的信心，还阻碍了神经网络技术在数据挖掘领域的应用，由于对神经网络规则抽取进行研究有助于解决上述问题，因此该领域已成为机器学习和神经计算界的研究热点，介绍了神经网络规则抽取研究的历史，综述了国际研究现状，对关于这方面研究的不同看法进行了讨论，并指出该领域中一些值得进一步研究的内容。     

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。     

模糊规则自动获取及其性能的分析

提出了一种基于模糊神经网络获取模糊规则及其进行模糊系统参数学习的方法,通过实例进行了自动列车运行系统仿真,总结了这种方法的特点。结论表明,所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

一种基于神经网络的知识获取方法研究与应用

提出了一种基于神经网络的知识获取方法,该方法利用语言神经元,对具有开区域的连续输入变量,自动产生相应的语言变量输出,讨论了相应的神经网络训练和知识获取方法,所获取的知识以If-Then的规则形式表示,具有简洁、紧凑、不必进一步化简、易于理解等特点,并给出一个在教学型专家系统中获取专家领域知识的应用实例。     

一种基于模糊加权型推理法的模糊神经网络

本文在Ｍａｍｄａｎｉ模糊推理法的基础上,给出了改进的模糊加权型推理法－广义模糊加权型推理法。     

神经网络的规则提取研究

文中论述了作为解决神经网络“黑箱问题”有效手段的规则提取方法,分析了基于结构分解和输入输出映射的神经网络规则提取的各种算法,概括了它们的基本思想并分析了它们的优劣,在相似权值法的基础上提出ＣＳＷ算法,有效解决了连续值输入网络的规则提取问题,将ＣＳＷ算法应用于ＩＲＩＳ分类问题提取了良好的效果。     

基于模糊神经网络的飞机某系统故障诊断研究

提出一种基于模糊神经网络的飞机某系统故障诊断方法。利用改进的模糊C均-值聚类算法进行结构辨识,从而自动获得模糊规则库,并得到模糊模型的初始参数;然后生成与之相匹配的初始模糊神经网络,并通过学习算法训练网络来进行参数辨识,得到一个精确的模糊模型。将该系统地面实测数据作为样本数据,建立起了基于模糊神经网络的飞机某系统故障诊断模型。最后对该模型进行测试与分析,结果表明该方法具有抗噪、抗敏感、诊断准确度高等优点。     

改进的动态模糊神经网络及其在人脸识别中的应用

结合动态模糊神经网络和补偿模糊神经网络,提出一种改进的动态模糊神经网络。首先介绍动态补偿模糊神经网络的结构和学习算法,然后将其用于人脸识别。对Weizmann人脸数据库和ORL人脸数据库的人脸图像识别实验表明,动态补偿模糊神经网络分类器算法性能优于一般的动态模糊神经网络。     

基于神经网络的自适应模糊控制器

本文提出了一种基于神经网络的自适应模糊控制器，控制器为５层前向结构，其输入和输出均为数值量。根据给定的训练数据，通过学习算法，能够实现前件参数和后件参数的辨识，提取控制规则，最后通过仿真实验证明了这种方法的有效性。     

神经网络的模糊规则提取

神经网络的“黑箱问题”为该技术的广泛应用带来了一定限制,由于神经网络在一定条件下可与模糊系统相互转换,从神经网络中提取模糊规则为“黑箱问题”的解决提供了有效手段。本文在阐述基本概念的同时,分析了把连续值网络转化为二值网络和从神经网络到模糊系统的转换进行模糊规则提取的两类方法,通过解决Iris问题的实验结果比较了两类方法的性能。     

基于遗传神经网络的地震预测研究

分析遗传算法(GA)及BP神经网络的结构特性,提出利用具有全局搜索能力的遗传算法来弥补BP网络的不足,克服BP(Error Back Propagation)算法收敛速度慢,易陷入局部极小点的缺点,优化神经网络的连接权值和阈值.针对地震预测中,震级预测的困难性等问题,将具有全局搜索能力的遗传算法和具有深度搜索能力的BP算法相结合实现地震震级预测建模.通过实验比较得到了较好的预测结果,该模型是可行、有效的.     

基于快速模糊规则搜索的快速模糊系统建模

本文提出了一种基于快速模糊规则搜索的快速模糊系统建模方法,首先使用本文提出的快速模糊规则搜索方法进行模糊规则的粗略搜索,然后基于所得到的模糊规则集建立模糊神经网络模型,即利用规则前件确定网络结构,规则后件初始化部分网络权值。使用遗传算法对网络模型的权值和阈值进行学习训练。实验结果验证了快速模糊系统建模方法在描述较大规模非线形系统中的实用性和有效性。     

基于模糊神经网络味觉信号识别的研究

文中提出了一种基于模糊神经网络方法的味觉信号识别模型,利用小波变换实现了对传感器所采集的味觉信号进行数据压缩及特征抽取,以模糊神经网络作为味觉信号的识别工具。