模糊神经网络优化的研究

模糊神经网络具有强大的自学习和自整定功能,然而,随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参教,并对非线性系统进行仿真实验,达到控制要求.     

利用GA—BP算法对模糊神经网络进行优化

分析了ＢＰ算法和遗传算法（ＧｅｎｅｔｉｅＡｌｇｏｒｉｔｈｍｓ,以下简称ＧＡ）各自的优缺点,将改进的ＧＡ与ＢＰ算法相结合,提出了一种新的ＧＡ－ＢＰ算法,并将其应用于模糊神经网络的参数优化,仿真结果验了本算法的有效性。     

多输入模糊神经网络结构优化的快速算法

采用规则前件提取,以获得较少的高效规则,对模糊神经网络(Fuzzy Neural Network)进行结构优化,解决了在多输入模糊系统中因规则数多导致的结构庞大问题,使之适用于多输入模糊系统．结构学习中采用竞争算法优化隶属函数,保证规则前件提取的高效;参数学习中采用梯度下降法调整网络参数。     

前馈神经网络的逐层优化学习算法

提出了求解前馈神经网络的逐层优化学习算法，首先对输出层权值进行优化，然后再对隐层权值进行优化，如此交替迭代直至求出最优解。在分层优化过程中，对节点激池数进行了线性，同时为防止由于线性化造成较大的误差，在目标函数中加入惩罚项。     

一种模糊神经网络的改进学习算法

针对前人（Ｃ．Ｔ．Ｌｉｎ， ｅｔ ａｌ． Ｉｎ ＩＥＥＥ Ｔｒａｎｓ ＯｎＣｏｍ ｐｕｔｅｒ， １９９１， Ｖｏｌ．４０， Ｎｏ．１２） 提出的模糊神经网络结构，改进了已有的学习算法，新算法更加简洁有效。利用新算法，可以自动获取模糊规则。通过函数模拟实验，验证了新算法的有效性。提出了网络的分解与综合方法，避免了模糊神经网络用于实际复杂问题时，模糊规则的组合爆炸问题。该模糊神经网络可应用于换热器受热面的结垢过程模拟。     

基于Takagi-Sugeno模型的模糊神经网络的学习算法

选用正态函数作为模糊变量的隶属函数 ,给出了基于Takagi_Sugeno模型的模糊神经网络的用于学习的性能指标 ,并对其性质进行了分析 .在此基础上将二阶段变半径随机搜索法用作模糊神经网络的学习算法 .这种方法简便易行 ,可使模糊神经网络达到较高的精度 .该文给出了神经网络记忆容量的定义并求出了基于TS模型的模糊神经网络的记忆容量 .     

结构等价型模糊神经网络算法及其应用

提出一种结构等价型模糊神经网络的学习算法。等价型神经网络根据模糊系统的推理规则,决定等价的神经网络结构参数。     

基于模糊神经网络的混沌优化算法在动力配煤中的应用

针对燃煤结焦过程的模糊性和非线性特点,采用模糊神经网络评估混煤的结焦特性,并用结焦倾向性指标作为动力配煤的约束条件．然后基于混沌优化算法在解空间的遍历性优势,以混煤煤价最低为目标,结合罚函数处理的约束条件方法,对电站动力配煤优化问题进行寻优．结果表明,模糊神经网络结合变尺度混沌算法对电站动力配煤问题具有相当好的实用性和适应性,它能在较短的时间内获得相对最优解,有利于对实时配煤进行在线监测．     

模糊超球神经网络的条件重叠学习算法

模糊超球神经网络的聚类学习算法采用形状因子θ实行有指导的学习.针对θ的引入所带来的问题,提出一种新的无指导学习算法--条件重叠学习算法.算法不受模糊超球形状因子θ的影响,学习速度快,学习后的模糊超球个数更少,识别正确率更高.     

全局优化学习算法下的高阶神经网络模型

研究了一个高阶神经网络模型，该模型采用全局优化学习算法，能使所有学习图样都成为系统的稳态吸引子，其存储容量远高于Ｈｅｂｂ－ｒｕｌｅ－ｉｌｋｅ型学习算法下的高阶神经网络模型，并能存储识别相关图样，对由３０个神经元组成的二阶神经网络系统进行了计算机模拟，模拟结果证实了上述结论。此外，还分析了初始突触强度对学习效果的影响，计算不同存储力图样数目下的平均吸引半径。     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

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。     

模糊神经网络的局部调整快速学习算法

神经网络的学习速度是影响其在实时控制中应用的重要原因之一,在文中提出了一种基于局部调整方法的模糊神经网络快速学习算法．该算法通过采用对输入数据进行判别的方法来选择每次学习时所需调整的有效规则,大大减少了学习中调整的规则数,从而加快了模糊神经网络的学习速度．同时,通过这一判别还可进一步确定是否需增加新规则以及增加的规则数,因此该算法不仅能够进行模糊神经网络的参数调整,还能实现神经网络的结构自适应调整功能．随着神经网络的输入维数以及初始规则数目的增加,算法的上述优点更加明显．最后采用快速算法与普通算法分别对单输入及多输入系统进行了辨识,仿真结果证明了上述结论：在初始规则数较少,普通算法无法收敛时,应用快速算法则可以收敛;随着规则数目与输入维数的增加,算法的快速性与精度跟普通算法相比优势明显     

T—S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求。仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度。     

采用免疫BP算法的模糊神经网络PID控制器

文章在传统PID控制器的基础上,结合模糊控制和神经网络控制理论设计出自适应模糊神经网络PID控制器,并将免疫反馈机制应用到BP学习算法中,通过自适应调整学习速率,改善算法的收敛性;通过Matlab仿真验证了引入免疫反馈机制的BP算法的优越性.仿真及实际应用结果表明,采用免疫BP算法的模糊神经网络PID控制器响应速度快,...     

基于神经网络与模糊逻辑的智能控制算法

研究了将神经网络与模糊逻辑融合交叉而形成的神经网络－模糊智能控制算法的特点和优越性。提出基于小脑模型关节控制器（ＣＭＡＣ）与模糊逻辑相结合原理的新型智能控制器的结构与算法。     

火灾探测的一种模糊神经网络方法

根据火灾信号的特点,建立了用于火灾探测的模糊神经网络,给出了处理火灾信号的模糊推理计算模型,并采用模糊运算,对于不同种类的火灾信号进行了综合分析,随后推导出用于自动生成隶属函数和提取模糊规则学习算法的计算模型。     

模糊神经网络控制及其学习方法的研究

对模糊神经网络的学习方法进行了研究.该方法中,在分层训练的基础上通过改变隐层节点数目、训练样本数目和BP算法参数来对网络进行训练.仿真结果表明该方法精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时控制系统提供了可能的条件.