基于Hash函数改进遗传算法的 IPv6下模糊异常检测模型

为了实现基于IPv6的异常检测，设计了一种新的高效异常检测模型．针对传统遗传算法编码效率低下的不足进行了改进．该模型使用基于遗传算法的IPv6模糊异常检测规则生成技术，采用Hash函数进行初始种群优化、随机实数编码进行种群编码，提高了检测准确性．使用实时网络数据流对原型系统和Snort进行对比测试，结果表明所提出的模型在检测效率上有明显改善．     

模糊自适应算法的神经网络图像重建

在12电极ECT系统中,采用BP神经网络进行图像重建时以一定原则选取学习样本,并引入模糊自适应算法以加快训练的收敛速度,获得较满意的重建图像效果．     

基于模糊遗传算法的XNOR/OR展开式最小化研究

提出一种改进的模糊遗传算法用于求解XNOR/OR展开式最小化问题. 在算法进化过程中,采用模糊规则对交叉率和变异率进行修正, 以提高算法的收敛速度, 并在一定程度上抑制了局部收敛现象的发生. 并采用8个MCNC Benchmark电路对该算法进行测试, 结果表明: 所提算法具有较好的优化效果和较高的收敛速度.     

多层前向神经网络的自适应遗传算法训练

提出了一种改进的自适应遗传算法 Ｉ Ａ Ｇ Ａ，它利用网络结构的特点，采用前向自适应技术，实现对神经网络的有效训练．实验表明，该算法优于 Ｂ Ｐ算法、标准遗传算法 Ｂ Ｇ Ａ 和普通自适应遗传算法 Ａ Ｇ Ａ，网络训练质量和效率都有很大提高     

基于多值逻辑方法的模糊逻辑函数规范展开

首先提出了模糊逻辑和多值逻辑的相似性，并建立了三值逻辑函数文字运算和模糊逻辑函数短语的对应关系，进而提出了从三值逻辑函数的规范展开式求得模糊逻辑函数展开式的算法，并用该算法对几个模糊逻辑函数实例进行了规范展开，实例操作表明，该算法具有简单、规范、方便快捷的特点，是获得模糊逻辑函数规范展开式的一种有效的方法。     

模糊神经元PID在培养箱温控系统中的应用

针对传统PID控制算法难以实现对非线性、慢时变以及大惯性的婴儿培养箱温度控制系统的高精度控制问题, 设计了一种模糊神经元PID控制算法. 采用模糊算法在线调整神经元PID控制算法的比例系数、比例学习效率、积分学习效率和微分学习效率, 并结合机理分析和阶跃响应法构建婴儿培养箱温度控制系统数学模型, 运用MATLAB进行控制仿真. 实验表明, 该控制算法具有控制精度高、稳定性好以及响应速度快的特点.     

一种基于动态模糊Kohonen网络的聚类模型及应用

提出一种基于动态模糊Kohonen神经网络聚类模型,针对传统的Kohonen神经网络(KNN)聚类需要预先确定聚类数的问题,提出采用树形动态自组织映射网络算法(TGSOM)来确定聚类数,并且利用模糊Kohonen神经网络(FKNN)聚类结果与输入顺序无关的优势进行网络优化,得到更优的聚类结果。该模     

模糊神经网络在复合地基沉降量预测中的应用

复合地基后期沉降变形对于建筑物设计及安全具有重要意义,针对通过长期沉降观测以得到复合地基的最终沉降需要耗费较多资源的问题,提出了一种基于模糊神经网络的预测方法.该方法考虑沉降变化过程有较大的随机性和模糊性,直接将样本数据进行模糊化,所得的模糊数代表了样本点集与控制点集中各分量之间的相关度,并依此建立模糊BP神经网络进行学习和估算.实验结果表明了该方法对沉降进行预测是可行与有效的,且在相对误差的有效控制方面优于BP网络方法与灰色方法.     

基于模糊神经网络的电气化铁路接触网安全评估

传统铁路接触网的安全评估方法往往只考虑某一个方面的影响,没有综合考虑多个内外影响因素。针对该问题,提出一种基于模糊神经网络的综合安全评估方法。首先建立了一套有效的安全评价指标体系,包括企业管理、人员素质、设备性能以及外部环境4大类该安全评价指标体系能够从主观和客观较为全面地反映铁路接触网的运行管理情况;其次,根据评价指标的特点,采用模糊神经网络算法建立安全评估模型,较好地实现评价指标与安全等级之间的非线性映射。实验结果表明,基于安全评估指标体系所建立的模糊神经网络评估模型,能够很好的对铁路接触网的安全等级做出评估,且评估效果良好。 更多还原     

一种新型的自适应入侵检测系统的研制

针对当前入侵监测系统存在的自适应能力较差、扩展性差的问题，基于面向混合类型数据的快速启发式聚类算法FHCAM和属性约束的模糊规则挖掘算法ACFMAR，提出了一种采用数据挖掘技术的自适应入侵检测系统DMAIDS．该系统通过划分聚类的方法划分出异常入侵记录；模糊关联规则的方法提取入侵模式．通过对1999年举行的数据挖掘大赛所使用的10%子集进行实验，结果表明该系统平均检测率和平均误检率比大赛获得冠军检测方法准确率提高了近2倍，检测率从数据子集1的65．25％自适应提高到数据子集9的85．7％能自适应的检测各种攻击，表明该系统具有很好的应用前景。     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。     

以Bernstein多项式为规则后件的模糊系统构造及算法

以多元多项式为规则后件的模糊系统是区别于Mamdani型和T-S型的一类模糊系统,在模糊控制器及其应用中具有重要的理论价值.首先,以Bernstein多项式为规则后件建立了一类新的多输入单输出模糊系统,进而证明了该模糊系统对n维单位正方体上的连续函数具有逼近性.其次,利用随机剖分数所确定的Bernstein多项式给出了这类模糊系统的输出算法,并通过实例说明该算法是有效的.     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。     

折线Mamdnai模糊系统及其权值参数的萤火虫优化算法

折线Mamdnai模糊系统是基于折线模糊数的线性运算构造的系统模型,其主要特点是前件模糊集及后件中心连接权均取值于由有限个有序点决定的折线模糊数.依据折线模糊规则建立了折线Mamdnai模糊系统模型,进而基于适应度函数、荧光素和决策半径设计了该系统权值参数的萤火虫优化算法,以优化该系统的后件中心连接权参数.最后,通过一个双输入单输出仿真实例,验证了该萤火虫优化算法的有效性.     

基于多重模糊属性的彩色图像分割

提出了一种综合考虑多重模糊属性的彩色图像分割算法.该算法定义了像素的邻域模糊距离,并根据同一区域内部消除亮度信息后彩色部分相关性非常高的原则,利用区域生长方法产生准种子区域和模糊像素集.对于这些准种子区域按照面积大小进行区域提纯,从而得到确信度很高的种子区域;对于模糊像素,利用合理的目标函数确定出它们的区域属性.讨论了区域的紧性和相邻区域之间颜色相似度的权重关系,并用于区域合并.实验表明,算法的分割结果与人的主观视觉感知具有良好的一致性.     

模糊控制中的参数模糊化新方法研究

提出了一种基于参数正态分布的模糊化新方法，并建立了模型。该模型首先将参数正态分布化，然后确定各模糊集对应的积分区间，最后通过积分求出参数属于各模糊集的隶属度，从而实现了参数的模糊化。这种模糊化方法数学物理意义明确，算法统一，便于计算，可操作性强，解决了模糊控制系统中参数模糊化时隶属度难于确定的实际问题。特别适用于对那些有一定正态离散性的参数(如误差型或概率型参数)进行模糊化。通过模糊化实例计算表明该方法有效、可行。     

一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。     

一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。