一种基于模糊感知器的模糊神经分类器

隶属函数应能客观反映模式的不确定性分布情况 ,模糊神经分类器中为每个输入特征划分相同数量的模糊变量显然是不合理的 .针对这一问题 ,根据模糊积分的思想 ,本文通过分析隶属函数的变化曲线来确定模糊密度 ,以此为依据为输入特征划分合适的模糊变量 。

模糊神经网络分类器的主动学习方法

针对模糊神经网络分类器设计过程中所遇到的样本采样与标注过程耗时、代价大的问题,提出了一个新颖的模糊神经网络分类器主动学习方法,以最小-最大边界法以及确定样本的不确定性阈值两个新概念为主动样本选择准则,确保选择其中信息量尽可能大的样本进行标注,使得网络设计过程中对未标注样本的标注工作量和时间大为减少.实验结果表明,该方法与模糊神经网络的被动学习模型相比,训练样本数目大为减少,训练时间大大缩短.

基于交叉熵和新转移函数的模糊神经网络分类器

针对目前普遍采用的误差平方和准则及Sigmoid转移函数在BP算法应用中存在的缺陷和不足,提出了基于交叉熵准则和新的S型转移函数构建的模糊神经网络分类器,并将这种分类器应用于心肌梗死的定位诊断,结果表明其训练效率和识别性能都明显优于传统的模糊神经网络。

一种多分辨率组合的模糊神经网络分类器

提出一种多分辨率组合的分类器 (MRCC)模型和相应的学习算法 ,发展了Simpson的模糊最小最大神经网络 (FMM)方法 .它克服了原始模型的几个缺点 :训练结果不依赖于训练样本出现的次序 ,超盒扩张不受一个固定的最大尺度限制 .和原始模型的超盒相比较 ,新模型的超盒中引入了一个参数表示超盒对于训练样本的分类正确率 ,称为超盒置信度 .新的学习算法假设样本在一定尺度下均匀分布 ,从而能够在线调整超盒置信度参数 .新的学习算法采用多分辨率组合的方法 ,消除了原始算法中选择超盒最大尺度限制参数的困难 .实验表明 ,MRCC模型与原始FMM模型相比 ,分类性能更好 ,学习算法的自适应能力更强 ,建立的模糊超盒数更少 ,并行处理能力更强 .

基于模糊神经网络分类器的精馏塔温度控制器设计

文章对精馏塔温度控制中所遇到的参数耦合严重、非线性高、数学模型难以建立的问题,提出了一个基于模糊神经网络分类器的控制方案,以精馏塔温度、流量、液位作为输入,导热油阀门开度作为输出,通过对人工操作的自适应学习和模糊化处理,实现对精馏塔温度的智能控制。实验结果表明,该方案能够模仿人工操作,智能学习的精度很高。

基于模糊感知器的神经模糊分类器

针对一类基于模糊感知器的神经模糊分类器 ,分析了隶属函数限制条件对分类结果的影响 .并根据模糊密度的概念 ,提出一种为输入特征选择合适的模糊划分的方法 .

时频参数和模糊分类器在词边界检测中的应用

词边界检测误差是语音识别中产生错误的主要原因之一。常规的检测算法在低信噪比尤其在背景噪声能量可变的环境下不能有效工作。本文提出用语音信号的精确时频参数和过零率来训练模糊神经分类器,进行词边界检测。不同背景噪声下的实验结果表明,该方法可适应背景噪声能量的变化,得到高正确率的词边界检测。

一种新的基于模糊RBF神经网络的人脸识别方法

对基于模糊RBF神经网络的人脸图像分类器进行研究。模糊RBF神经网络一般采用BP算法进行学习,收敛速度慢,因此本文提出了一种改进的Levenberg-Marquart优化算法(简称L-M算法)对神经网络进行学习,改进的L-M算法在学习次数和准确度方面都优于BP算法。在ORL人脸图像库上的实验结果表明了此方法的有效性。