模糊竞争神经网络在线辨识及在CSTR中的应用

基于改进的T-S模糊模型构造了一种自适应模糊竞争神经网络模型(FCNN),给出了网络的连接结构和学习算法。它依据模糊竞争学习算法确定系统的模糊空间和模糊规则数,得出每个样本对每条规则的适用程度,并利用卡尔曼滤波算法在线辨识FCNN的后件参数。将其应用于化工过程连续搅拌反应器(CSTR)的建模中,仿真结果表明,FCNN具有结构简洁、收敛速度快、辨识精度高等特点,可当作复杂系统建模的一种有效手段。

NFCNNC：一种新的模糊竞争神经网络聚类模型及其在文本聚类中的应用

提出了一种新的模糊竞争神经网络聚类模型NFCNNC，并将其应用到文本聚类中。NFCNNC将模糊中心聚类（FCC）算法得到的模糊聚类中心向量作为神经网络的权值，通过比较隶属度值得到获胜神经元。网络中仅两个神经元同时调节权值。隶属度值最大的神经元以较大的学习率调整权值，隶属度次大的神经元以较小的学习率调整权值，其他神经元权值不变。按照FCC算法调整模糊聚类中心向量值（即权值）和神经元的隶属度，当网络稳定时，即可确定聚类数。与传统模糊神经网络模型相比，本文的模糊神经网络模型具有结构简单、运行效率高、聚类精度高的优点，同时克服了传统算法需预先指定聚类数的局限性。通过对文本聚类的实验验证，本算法取得了良好的效果。