模糊神经网络用于SARS疫情系统的辨识和预报

提出了模糊神经网络用于SARS疾病疫情非线性系统建模和预报的思想,该方法可以推广到各种流行性疾病的预防和控制中.模糊神经网络主要应用于非线性系统的建模、预报和控制,特别适合于不同输入类型的模型系统.而流行性疾病的传播规律与模糊神经网络模型特点相符合,这里提出将模糊神经网络用于SARS疾病疫情非线性系统的辩识和预报的观点,相应的也可推演到其它流行性疾病传播规律中.     

模糊神经网络用于SARS疾病疫情非线性系统的辨识和预报

论文提出了模糊神经网络用于SARS疾病疫情非线性系统建模和预报的思想,同时该方法可以推广到各种流行性疾病的预防和控制中。模糊神经网络是近年来发展起来的新兴学科,它主要应用于非线性系统的建模、预报和控制,特别适合于不同输入类型的模型系统。而流行性疾病的传播规律较好地与模糊神经网络模型特点相符合,所以在这里提出用模糊神经网络用于SARS疾病疫情非线性系统的辩识和预报的观点,相应的也可推演到其它流行性疾病传播规律中。     

基于RBF辨识的模糊神经网络控制器的设计与实现

随着众多新型模糊神经网络被提出,针对模糊神经网络具有的典型特点,即需要对输入输出数据范围进行转化和处理,所涉及到的对量化因子和比例因子的实时调节问题,该文提出一种优化方案。其依据神经网络具有的自学习能力,通过增加模糊神经网络的层数,提出一种包含对量化因子和比例因子调节的改进型模糊神经网络,以减少系统的辅助优化环节。同时,引入辨识性能较好的径向基函数神经网络（RBF）为系统提供精确的Jacobian信息,取代常规的近似做法。最后结合实例仿真证明了该优化方案的合理性。     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

一种径向基函数神经网络生成模糊系统的方法研究

如何建立合适的模糊规则.是模糊系统设计的关键和难点。传统的方法是依靠统计分析或经验建立模糊规则库[lJ,不仅难度大,而且建立的模糊系统缺乏适应能力。人工神经网络(ANN)技术的发展为模糊规则的自动获取提供了一条新途径.许多学者研究ANN与模糊系统的融合问题,其主要目的就是利用ANN的学习能力和自适应能力,从样本中提取模糊规则.形成具有自适应能力的模糊系统。尽管利用多层前馈网获取模糊规则口     

基于模糊对向神经网络的非线性动态系统辨识器

模糊对向神经网络（ＦＣＰ）在功能上同模糊逻辑系统的ＴＳ模型是等价的,它具有神经网络和模糊逻辑系统各自的优点,因而适宜作辨识模型。     

一种新型模糊神经网络函数逼近器

论文提出了一种新型模糊小脑模型神经网络(NFCMAC),它采用模糊隶属度函数作为接收域函数,能够获得较常规CMAC连续性强且有解析微分的复杂函数近似,具有计算量少,学习效率高等优点。同时研究了NFCMAC接受域函数的映射方法、隶属度函数及其参数的选取规律和学习算法。仿真结果表明NFCMAC具有良好的泛化能力和逼近精度,具有较高的收敛速度。     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

基于模糊聚类的模糊神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构。仿真研究证明该方法是有效的和可行的。     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

模糊系统和神经网络的特征与比较

概述了模糊、神经网络 和人工智能技术之间的关系，尤其探讨了模糊系统和神经网络的特性；指出了模糊系统和神经网络的结合方式，分析了它们的特征。     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。     

模糊神经网络建模方法的研究

近年来神经网络在建模中得到了广泛地应用,但其学习过程需要大量的训练样本以保证其结果的正确性,在工业过程建模中,神经网络因可采集与训练样本数少,且信息不全等困难,难以建立一定正确度的模。针对这一问题,本文以Ｇａｕｓｓ函数为隶属度函数形式改进模糊聚类的Ｃ－平均法,提出了模糊ＣＧ－平均法,对一同组数据的聚类结果证明了此方法的有效性,模糊神经网络在化工中的研究尚处于初级阶段,本文将模糊ＣＧ－平均法与神经网络结合,构造由模糊化层、隶属度生成层、推理层及反模糊化输出层构成的模糊神经网络,实例表明本文所构造的模糊神经网络在使用较少训练样本的条件下仍能取得理想的结果,有助于直接从生产中建立所需的模型。     

模糊CMAC神经网络用于MIMO非线性系统的反馈线性化

针对一类多输入多输出（ＭＩＭＯ）连续时间非线性系统,应用模糊ＣＭＡＣ神经网络,给出一种状态反馈控制器,用于使状态反馈可线笥化的未知的非线性动态系统儿得要求的患 很弱的假设条件下,应用李雅普诺夫稳定性理论严格地证明了闭环系统内的所有信号为一致最终有界（ＵＵＢ）。     

多变量系统的模糊神经网络控制模型及其应用

本文综合模糊控制系统与人工神经网络的优点，提出了一种多变量系统的模糊神经网络控制模型并给出了其建模方法，该方法适合于多变量系统的建模及其模糊控制器的设计。笔者以此方法建立了渣贫化电炉生产过程的模糊神经网络控制模型并开发出相应的决策支持系统，该系统自１９９２年６月投入生产现场使用以来，一直稳定可靠地正常运行，取得了令人满意的效果和显著的经济和社会效益。     

Intelligent Adaptive Motion Control Using Fuzzy Basis Function Networks for Electric Unicycle

This paper presents two intelligent adaptive controllers, called self‐balancing and speed controllers, for self‐balancing and motion control, respectively, of an electric unicycle using fuzzy basis function networks (FBFN), which are employed to approximate model uncertainties and unknown friction between the wheel and the terrain surface. Both controllers are established based on the linearized model of the vehicle whose model uncertainties and parameter variations are caused by different riders and terrain. An adaptive backstepping controller together with online learning FBFN and sensing information of the rider's body inclination then is presented to achieve self‐balancing motion control. By adding an electronic throttle as the input device of speed commands, a decoupling sliding‐mode controller with online learning FBFN is proposed to accomplish self‐balancing and speed control. The performance and merit of the two proposed control methods are exemplified by conducting four simulations and three experiments on a laboratory‐built electric unicycle.     

模糊人工神经网络方法在QSAR研究中的应用

使用模糊神经网络提取易于理解的“IF－THEN”模糊规则，并用于亚苄丙二腈类衍生物活性的预测，结果较好。