基于模糊神经元网络的图像融合滤波

为解决图像滤波处理过程中噪声的有效去除和图像细节保留两者难以兼顾的问题,引入了神经网络信息融合技术,通过设计的模糊神经元网络(FNN)对多级F IR中值混合滤波(M FMHF)和5×5中值滤波进行融合,使融合图像在噪声滤除和细节保留上获得较好的平衡。实验仿真表明,FNN网络的融合有效,而且FNN网络的融合性能和学习效率比BP网络更好。

巷道围岩稳定性模糊神经元网络模式识别模型

提出了一种模糊神经元网络．运用该网络，通过对典型样本的学习，建立了巷道围岩稳定性模糊神经元网络模式识别模型．研究结果表明：该模型映射精度高，可依据矿山地质因素正确推理出围岩稳定性类别，而且能描述巷道对于每一类别聚类中心的相对隶属程度．

感应电动机直接转矩控制的模糊神经元网络实现

针对感应电动机直接转矩控制模糊实现中模糊规则的参数难以设计等问题,本文提出了一种基于直接转矩控制的模糊神经元网络实现方法,用来自动调整模糊系统中设计参数。由于直接转矩控制模糊实现中模糊推理和解模糊化函数具有不可导性,本文提出了一种"软最大化"算子。并根据模糊实现及该算子,设计了一个六层模糊神经元网络,对该模糊神经元网络采用改进动态学习率的BP算法进行学习。仿真试验表明:利用学习过的模糊神经元网络可以改进系统的控制性能。

基于直接转矩控制的感应电动机模糊神经元网络实现

针对感应电动机直接转矩控制模糊实现中模糊规则的参数难以设计等问题 ,文章提出了一种基于直接转矩控制的模糊神经元网络实现方法 ,来自动调整模糊系统中设计参数。在直接转矩控制模糊实现中 ,由于模糊推理和解模糊化函数具有不可导性 ,文章提出了一种“软最大化”算子。并根据模糊实现及该算子 ,设计了一个 6层模糊神经元网络 ,对该模糊神经元网络采用改进动态学习率的 BP算法进行学习。仿真试验表明 :利用学习过的模糊神经元网络可以改进系统的控制性能。

一种自组织模糊神经元网络控制学习方法及其应用

提出一种自组织模糊神经元网络控制学习方法，该方法由自组织模糊神经元网络（ＳＯＮＦ）和基于径向函数网络（ＲＢＦ）组成，具有自适应和自学习的特点．其中ＳＯＮＦ网络具有初始的网络结构与启发式模糊控制规则，能够进行结构学习与参数学习；ＲＢＦ网络用于控制对象模型的辨识，并为ＳＯＮＦ网络提供示教信号．仿真结果表明，所提出的方法控制学习效果较好．

模糊神经元网络的统一模型

提出了一种模糊神经元网络的统一模型 ,它能表示现有的多数神经元网络模型 ,既可以实现传统神经网络的代数运算 ,又能进行模糊神经网络的逻辑推理运算 .应用这种模型可将模糊神经元的运算归结为 3种基本运算算子的复合 ,这三种算子的不同表现形式的组合可以表示形式各异的模糊神经元模型 。

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中,将模糊控制技术与神经元网络技术相结合,构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点,既具有模糊控制器简单和有效的非线性控制作用,又具有神经元网络自学习和自适应能力,改善了控制系统的性能.

一种新的模糊神经元网络建模方法

基于零阶 T- S模糊模型 ,本文指出了一种实用的输入输出数据进行复杂系统的模糊神经元网络建模的方法 .该方法的主要目的是解决模糊神经元网络中结构辨识的困难 .一种所谓语言模型被用来寻找系统输入变量的最佳组合 .这样 ,使得在输入变量选择阶段 ,我们既不需要估计模糊模型的参数 ,也不需要确定模糊规则数 .由于预先运用基于 FCM的自适应模糊聚类方法确定模糊神经元网络合理的结构 ,并设置网络的初始权值 ,从而可提高网络的训练速度 .此外 ,为提高模糊神经元网络的辨识精度 ,本文还提出了一种改进的隶属函数 .一个实际建模问题的仿真验证了本文方法的有效性 .

基于模糊神经元网络的信息融合模型

为了解决对象是庞大数据的复杂的工业生产过程的建立模型困难的问题,提出了基于势场拓扑的层次聚类算法和模糊c均值聚类算法融合,结果表明:通过两次聚类算法的融合,获得精确的聚类个数和隶属度,以此来确定模糊神经网络的结构模型,并将得到的隶属度作为依据,建立基于多判据信息融合和模糊技术构建神经元网络模型,通过对实际地下开采生产过程的仿真,结果验证了模型的有效性。该成果对煤矿开采具有一定的参考价值和指导意义。

基于模糊神经元网络的信息融合模型

神经元网络应用于一般工业过程建模比较有效,但对于对象是庞大数据的复杂的工业生产过程就明显力不从心,提出了基于势场拓扑的层次聚类算法和模糊c均值聚类算法融合,以获得精确的聚类个数和隶属度,基于多判据信息融合和模糊技术构建神经元网络模型,通过对实际地下开采生产过程的仿真,结果验证了模型的有效性。

一种新的模糊神经元网络学习方法

提出了一种模糊神经元网络的学习算法即利用多层模糊IF/THEN规则表达专家知识的神经网络学习方法。在以此构造的基于多源信息融合的分类系统中,采用了多层模糊IF/THEN规则进行分类。为了处理模糊语言值,提出了一种能够控制模糊输入矢量的神经网络体系结构,该方法能够对非线性实间隔矢量和模糊矢量进行分类。工程实验表明,此学习算法是切实可行的。

基于模糊神经元网络的智能车辆个性自动驾驶系统的设计与实现

介绍了一种利用模糊神经元网络实现车辆自动驾驶的设计方案．其基本设计思想是首先通过模糊逻辑描述驾驶者的驾驶行为，然后利用驾驶者实际驾驶时采集的车辆运行情况作为训练数据，通过神经元网络的自学习功能修改和改进模糊控制所需的输入／输出信号的隶属度函数以及模糊推理的运算关系，做到简单控制实现与复杂学习算法的有效结合，从而实现模糊神经元控制．本方案为智能车辆实现个性化自主或辅助自动驾驶提供了一种非常有效的机制．

基于模糊神经元网络的球磨机自动控制系统

针对水泥厂球磨机生产过程中控制参数复杂的情况 ,本文提出了一种新型的模糊神经元网络控制方案。利用模糊逻辑控制系统与神经元网络控制系统的结合 ,能够减少球磨机系统参数之间的耦合和干扰 ,通过仿真研究表明 ,获得了良好的效果。

基于模糊RBF神经元网络的冷连轧板形板厚多变量控制

针对板带材轧制是一个复杂的非线性过程,板形控制（AFC）和板厚控制（AGC）又是相互耦合的一个综合系统等特点,提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控制系统.仿真结果证明了此AFC-AGC控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制.

具有正态模糊参数的模糊神经元网络学习机制

描述一个多层前馈式模糊神经元网络的学习机制．首先给出网络结构，其连接权值和阀值均为正态模糊数；然后采用模糊数学中区间数运算规则，对传统的ＢＰ算法进行了扩展，提出多层前馈式模糊神经元网络的基于正态模糊数的学习算法，用该算法训练后神经元网络能够完成确定或不确定的信息输入到近似结果输出的非线形映射；

一种模糊计算过程神经元网络及其应用

针对带有过程性模糊规则的时变信息处理问题,提出了一种模糊计算过程神经元网络。该模型将模糊神经网络推广到时域空间,可实现对过程性定量与定性混合信息的模糊计算。给出了一种5层结构的模糊计算过程神经元网络模型,并针对网络结构的优化问题给出了该网络模型的规则层节点的选取方法和相应的学习规则,对于具有较少输入节点的情况,网络有较快的训练速度。模糊过程神经元网络将传统模糊神经网络的模糊函数映像关系推广为模糊泛函映像,增强了对各种过程信息的综合处理能力。实际应用结果验证了模型和算法的有效性。

洪灾经济损失快速评估的混合式模糊神经网络模型

针对洪水灾害和洪灾损失评估的特点,采用混合式模糊神经网络数学模型对一典型流域洪灾经济损失进行评估,并且与BP网络评估损失模型进行了比较。虽然混合式模糊神经网络模型在洪水经济损失评估中是初次尝试,但评估结果表明模型从收敛速度和评估精度都取得了较好的效果,为洪水经济损失评估提供了新的方法、新的思路。

基于模糊神经网络的煤层冲击地压预测模型研究

煤层冲击地压是煤矿重大灾害之一。冲击地压的发生是由多方面因素造成的,具有模糊性、动态性,表现为一个复杂的非线性动力学过程,这使得冲击地压预测系统的数据处理不能按照常规的线性系统法进行处理。文章提出了多源信息融合的模糊神经元网络算法,且基于势场拓扑层次聚类融合FCM算法的聚类思想,将模糊集合理论引入神经元网络,构成基于多判据信息融合的模糊神经元网络模型,并对该网络进行了优化。通过仿真试验,验证了该模型的有效性。

高速路入口匝道的模糊神经网络自适应协调控制

为了实现高速公路多路段入口匝道的协调控制,提出了一种基于模糊神经网络的自适应协调控制方法.该方法首先利用模糊规则实现了相邻路段间交通状态的协调,并对匝道排队进行调节,使其不超过最大排队长度.然后,在神经网络权值优化过程中,采用遗传算法对隶属度函数进行优化,避免算法收敛于局部最优解.该方法具有不依赖于系统的精确模型、控制算法能自适应外界变化、可实现多路段间协调控制等优点.仿真结果表明,该方法对3个路段的高速公路入口匝道能够较好地实现自适应协调控制;与经典的ALINEA方法相比,优化速度更快,在抑制交通密度波动和排队长度增长方面效果更好,对道路容量的利用也更加充分.

基于自适应模糊神经网络的弹药消耗预计模型

根据我军弹药消耗预计方法的现状,利用模糊控制和神经元网络原理,提出了一种新的预计方法.量化的作战条件作为系统的输入,预计值作为系统的输出,根据历史的输入、输出数据确定系统的特性,建立预计模型.利用此种方法建立的模型根据历史数据训练后,输入现有战斗估计条件,即可对部队日平均作战消耗做出预计.