一种新的模糊多层自组织神经网络图像目标检测方法

神经网络方法和模糊集理论用于图像处理和目标检测时各有优势,文中提出了一种将神经网络和模糊集理论集成的混合方法,即模糊多层自组织神经网络法。该方法将模糊测度作为神经网络的目标函数,网络包括多层结构,任一层中的一个神经元对应图像中的一个像素,该神经元只与前一层的对应元素及其邻域元素连接。针对遥感图像的实验处理过程证明该方法能够有效地进行目标检测和提取,并且具有良好的噪声免疫力。

基于有效性分析的自组织模糊神经网络建模方法

提出了一种基于有效性分析的自组织模糊神经网络(self-organizingfuzzyneural network based on effectiveness analysis, SOEFNN)建模方法。首先,提出了一种针对模糊规则的有效性评价指标,利用样本与规则层输出之间的映射关系进行网络模型的有效性分析,通过累积触发的方式实现相应模糊规则的增加或删减,使网络模型在能够处理复杂非线性问题的同时降低其冗余性,使模型更为紧凑。采用梯度下降算法对网络模型进行训练。然后,对所提出的SOEFNN模型进行非线性系统仿真实验和污水处理过程中的出水生化需氧量预测建模,并与其他自组织模糊神经网络模型进行对比。仿真结果表明,所提出的SOEFNN模型能够很好地实现结构和参数的自适应调整,并且具有较好的逼近能力。

基于模糊神经网络的数字媒体数据自动化采集系统设计

为了改善数字媒体数据传输效果,确保系统安全、稳定运行,设计基于模糊神经网络的数字媒体数据自动化采集系统。构建数字媒体数据自动化采集系统框架,数据采集层利用数据采集卡获取不同渠道的数字媒体数据,由数据处理层的数据融合模块调用改进模糊神经网络算法完成数字媒体数据的融合处理后,通过数据传输层的分层自组织无线网络将其传输至存储应用层,实现数字媒体数据的存储、查询、显示与输出。实验结果表明:该系统采集的音频信号波形规律、曲线平滑、功率均值波动误差在(0,0.14),满足允许误差范围;数据传输效果优于采用DSR协议的单点传输方式,当数字媒体数据源为3时,平均峰值信噪比指标最高;具有数字媒体数据查询功能。

模糊自组织神经网络在航空发动机故障诊断中的应用

介绍了模糊自组织神经网络在航空发动机故障诊断中的应用方法 ,并通过实例验证了该方法在发动机故障分类中的实用性。该方法具有结构算法简单、无监督自学习和侧向联想等功能。它有很好的应用前景 ,可以广泛应用于发动机的故障诊断。

基于粒子滤波的自组织模糊神经网络算法研究

为了得到结构更加紧凑、泛化性能更强的自组织模糊神经网络,提出了基于粒子滤波(particle filter,PF)的自组织模糊神经网络训练算法。其能够对模糊规则进行自动生成和增删。文中给出了模糊规则生成准则,应用误差率下降方法作为模糊规则增删策略,删除作用不大的规则。建立了以隶属函数宽度参数为状态,以理想输出为量测的动力学模型,利用PF对参数进行了学习。最后,对两个实例进行了仿真,从仿真结果可以看出,与D-FNN、SOFNN、EKF-SOFNN等算法相比,其在结构紧凑性以及泛化性能上都得到了提高,从而证明了PF-SOFNN的有效性。

目的层预约的模糊神经网络电梯群控策略

根据目的层预约电梯系统的新型客流分配模式,分析并归纳出目的层预约情况下电梯群控系统的特征属性,提出一种多目标模糊神经网络电梯群控策略.把目的层预约电梯系统的特征属性作为多目标模糊神经网络的输入,建立并训练模糊神经网络,最后利用该模糊神经网络进行派梯计算.仿真试验证明该群控策略可得到满意的效果.与传统电梯群控策略以及其他目的层预约电梯群控策略的对比试验证明,该方法在提高电梯平均系统时间、长候梯率、长乘梯率及节约能耗等方面都体现出较好的性能优化效果,对高峰交通流模式下的电梯群控系统效果显著.

基于UKF的自组织直觉模糊神经网络

模糊集在语义描述上存在不足,因此,如何对模糊神经网络进行扩展是当前模糊神经网络研究的热点,针对这一问题,本文提出了基于UKF的自组织直觉模糊神经网络.首先,给出了直觉模糊神经网络的结构和各层的含义;其次,推导了直觉模糊神经网络的学习算法,用LLS和UKF分别学习线性和非线性参数;然后,给出了模糊规则生成的准则,并用误差下降率方法作为规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近、系统辨识和时间序列预测实例,表明本文算法得到的直觉模糊神经网络的结构更为紧凑,泛化性能也更佳.

应用自组织模糊神经网络估计卫星姿态系统执行机构故障

自组织模糊神经网络可以根据系统状态在线更新权值和调整节点,优化网络结构.文中针对某卫星姿态控制系统提出了基于两个自组织模糊神经网络的执行机构故障诊断方法.网络SOFNN1用于健康系统的离线训练,估计出系统的不确定项和扰动项,网络输出结果作为故障检测的阈值参考.网络SOFNN2在网络SOFNN1的基础上估计执行器故障.仿真表明,在噪声干扰和系统参数不确定的情况下,在线自组织模糊神经网络结构的方法能很好地估计系统执行机构故障,比固定结构的模糊神经网络估计速度快,因此更具优越性.

模糊神经网络系统在优选压裂井层中的应用

油井压裂选井选层是一项复杂有难度的技术。目前一般采用定性分析结合经验判断进行 ,随意性大。考虑到选井选层各项指标具有较大的模糊性 ,应用模糊神经网络系统 (FNNS)来获取各项指标与压裂效果的关系模型和预测模型 ,从而优选施工井层。实践证明 ,该方法技术适应性强、成功率高、效益显著。

基于自组织模糊神经网络的出水总磷预测

针对污水处理过程出水总磷预测问题,本文提出一种基于改进Levenberg--Marquardt(improved Levenberg--Marquardt,ILM)学习算法和奇异值分解(singular value decomposition,SVD)的适于在线建模的自组织模糊神经网络(fuzzy neural network,FNN)预测方法.ILM-SVDFNN采用改进LM学习算法对隶属函数中心、宽度和输出权值进行训练.在参数自适应学习的同时,采用单边Jacobi变换实现规则层输出阵的奇异值分解,根据奇异值定义增长和修剪指标实现规则层神经元在线动态调整.此外,证明了所提方法在网络结构固定和调整阶段的收敛性.最后,利用典型非线性系统辨识、Mackey-Glass时间序列预测和实际污水处理过程出水总磷预测实验进行验证.仿真结果显示所设计的自组织模糊神经网络结构紧凑且预测精度较高,较好地满足了污水处理厂对出水总磷检测精度和实时性的要求.

模糊神经网络的结构自组织算法及应用

提出了一种新的模糊神经网络自组织算法,该算法能够基于输入输出数据自动进行结构辨识和参数辨识.首先采用一种自组织聚类方法建立起网络的结构和各参数的初值,然后采用监督学习来优化网络参数.通过对非线性函数逼近的分析,证明了该自组织算法的有效性,并与其他算法作了比较.最后,以某污水处理厂的实际运行数据为对象,应用该模糊神经网络建立了活性污泥系统出水水质预测模型,仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测.

自组织模糊CMAC神经网络及其非线性系统辨识

针对 CMAC的特点 ,提出了联想度的概念 ,并由此设计了一种自组织模糊 CMAC神经网络 ( SOFC-MAC)及其学习算法 ,证明了 SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快 ,逼近精度高及局部泛化能力等特点。

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。

船舶操纵的神经网络自组织模糊控制器研究

针对船舶操纵这种非线性、时变参数控制对象， 提出了一种神经网络的自组织模糊控制方法，给出了这种模糊神经网络的结构、知识表达．

一种神经网络自组织模糊控制

本文提出一类基于神经网络的模糊控制．首先，它利用具有动态结构的ＢＰ网络进行模糊推理，实现模糊控制的最优推理过程．其次，它采用另一具有动态结构的ＢＰ网络校正现有的控制规则，实现规则自组织，在控制过程中不断优化控制性能，从而使控制的效果更加理想．

基于模糊神经网络的水淹层自动识别

针对油田水淹层识别存在的模糊性和多解性，提出了一种基于模糊神经网络的水淹层自动识别方法。该方法将神经网络技术所具有的高度自适应性、容错性及固有的并行处理能力与模糊逻辑所具有的模拟人类思维中的模糊综合判别特点有机地结合，实现了多因素模糊综合判断推理来完成水淹层自动识别。采用该方法，对大庆油田135个地层样本进行处理，符合率达87．6％。结果表明该方法对解决水淹层自动识别问题具有良好的适应性，可提高水淹层自动识别的精度。

自组织区间二型模糊神经网络及其自适应学习算法

针对复杂不确定非线性系统的辨识问题,提出一种基于聚类的自组织区间二型模糊神经网络学习算法.首先采用具有两个不同加权参数的FCM算法对输入数据进行划分来获取规则前件的不确定均值,同时结合聚类有效性标准确定模糊规则数目,从而自动完成神经网络的结构辨识和规则前件参数辨识;随后给出了基于梯度下降法和Lyapunov函数稳定收敛定理的规则后件权向量学习速率的自适应学习算法.通过非线性系统辨识实例,验证了该算法与其他方法相比具有更快的收敛速度和更高的逼近精度;并且利用该算法建立了某市电力短期负荷预测模型,结果表明该模型具有较高的预测精度,泛化性能更佳.

自组织递归区间二型模糊神经网络在动态时变系统辨识中的应用

针对动态时变系统辨识过程中存在噪声干扰的问题,本文将区间二型模糊集结合到递归神经网络中,提出了自组织递归区间二型模糊神经网络以增强动态时变系统的抗噪能力。该自组织递归区间二型模糊神经网络由前件和后件两部分构成:前件为区间二型模糊集模型,用于将每个规则的激活强度反馈到自身构成内反馈回路,其参数学习采用梯度下降算法;后件为带有区间权值的Takagi-Sugeno-Kang(TSK)模型,其参数学习采用有序规则卡尔曼滤波算法,且网络初始规则数为零。所有规则均通过结构学习和前后件参数同时在线学习来产生,其网络结构学习采用的是在线区间二型模糊群集。为验证提出的神经网络的优越性,将其应用到单输入单输出动态时变系统的辨识中。实验结果表明,相对于前馈一型/二型模糊神经网络、递归一型模糊神经网络,该神经网络的辨识能力强,即使在存在白噪声的条件下,也能减小测试及训练误差。

基于自组织模糊神经网络的汽轮发电机组振动故障诊断系统

针对目前汽轮发电机组振动故障的模糊诊断系统精度较低的问题,将模糊理论与神经网络技术结合,构造了适合于大型复杂系统故障诊断的自组织模糊神经网络系统的体系结构。在此基础上,提出了一种新型的样本模糊自组织方式,利用快速傅里叶变换(FFT)分析方法和图形分析法提取足够多的故障征兆,再采用聚焦式模糊分段算法对故障征兆进行模糊化处理,然后建立合理的训练样本库,并将经过确认的故障数据增加到标准案例库中,以提高整个系统的诊断能力。其中, 聚焦式模糊分段算法对故障征兆中正常与不正常的转折部分进行非线性聚焦,即离正常与不正常的分界值越近时,故障征兆的特征抽取密度越大,使得原来模糊的分界部分被清晰化,大大提高了诊断精度。最后,以108DAI专用检测系统作为硬件支持,设计和实现了600 MW汽轮发电机组常见振动故障的模糊诊断系统,并利用现场故障数据验证了该系统的有效性。

基于模糊分类器及多层前馈神经网络混合结构的说话人辨认

提出了基于模糊超椭球聚类算法的说话人辨认新方法。该算法首先将某一类的训练数据分成若干子类, 对每一子类在其中心周围定义具有超椭球区域的模糊规则。实验表明,该系统可以较快的聚类速度取得与HMM 相当的识别效果。进一步的研究表明,基于模糊超椭球聚类算法的说话人辨认系统与传统的基于HMM的识别方法存在一个共同的缺点,即抗噪性能较差。为此,通过引入多层前馈神经网络(MLFNN)与模糊超椭球分类器构成混合模型,使系统的识别性能和抗噪能力显著提高。