一种适用于模式分类的模糊粗隶属函数神经网络

在设计模式分类器时,由于很难甚至不可能获得实现精确分类的所有必要的本质特征属性,使得在进行分类时出现模糊不确定性和粗糙不确定性并存的情况.基于模糊粗糙集理论,本文构建了一种模糊粗隶属函数神经网络FRMFN.该网络融合了模糊信息和粗糙信息的处理能力,在对加拿大Norman Wells地区的红外波段合成图像进行分类的测试中,显示FRMFN网络具有比相应RBF网络更好的分类精度,同时保留了RBF网络学习速度快的优点.

基于改进深度动态模糊神经网络的信息综合分析算法

针对传统人力资源评价算法的主观性强,难以反映员工真实能力的问题,提出了一种结合深度动态模糊神经网络和粒子群优化的算法。该算法对传统模糊神经网络进行了改进,并使用动态结构来增强原模型训练能力,通过对隶属函数层的优化,使模型具备了处理广域数据的能力。为了提高算法的运行效率,还采用误差下降法对模型的规则权重进行排序并完成剪枝操作,同时利用粒子群算法实现对模型参数的优化。实验测试结果表明,所提算法的训练时间仅需7.8 s,性能与效率指标则均优于对比算法,且与人工评价法得到的指标大致相同,可以作为电力人才评价的辅助数据参考。

高斯隶属度函数模糊神经网络在肺癌诊断中的应用

选用隶属度函数为高斯函数的模糊神经网络用于肺癌诊断,尝试提高诊断的正确率.对于非二值输入参数,首先用高斯隶属度函数模糊化,然后与二值参数一起作为BP神经网络的输入参数.所用病例被随机分为训练集和证实集,训练模糊神经网络,用证实集测试该网络区分肺癌与非肺癌的能力.结果表明,用高斯隶属度函数的模糊神经网络比作为对照的三角形隶属度函数模糊神经网络诊断正确率有所提高,而且对病例如何分组不敏感.

球磨煤机隶属函数型模糊神经网络解耦控制方法

设计适合于火电厂球磨煤机的解耦控制方法,有利于提高热工自动化水平。依据模糊控制技术和跟踪解耦的思想并结合神经网络控制,介绍了一种不依赖于被控对象精确数学模型的隶属函数型模糊神经网络多变量解耦控制方案。将该种方法应用于球磨煤机解耦控制系统,对耦合强烈的磨煤机出口温度、入口负压子系统进行解耦,获得期望的多环结构。对解耦结果进行了仿真研究。对比试验显示该解耦方法具有满意的动态特性和较强的鲁棒性。

基于交互式隶属函数调整的模糊神经网络

对基于模糊神经网络的人脸识别方法进行了研究,提出的模糊神经网络在高维空间(如人脸)上进行模糊规则获取中得到的最终隶属度函数值并不合理,易得到零值的情况,对模糊规则获取过程中的隶属度函数初始值进行人为地调整.在ORL人脸库的实验结果表明,该方法具有良好的性能.

基于卷积神经网络的不良驾驶行为辨识

为量化描述驾驶员驾驶行为的动态变化过程与不良程度,研究了不良驾驶行为谱的构建与分析方法,用于不良驾驶行为的实时辨识。首先,基于拉格朗日插值法对轨迹数据清洗处理后提取特征指标参数构建驾驶行为谱,采用风险度量法对急转向、急加速、急减速、超速4种不良驾驶行为进行量化表达。其次,使用大样本统计分布的IQR(interquartile range)与客观赋权的CRITIC(criteria importance though intercrieria correlation)方法确定不良驾驶行为特征指标参数阈值与权重,结合隶属度函数构造模糊综合评价模型对不良驾驶行为谱特征值进行确定以标定不良行驶车辆。最后,将不良驾驶行为谱特征值作为输入,基于人工智能卷积神经网络(convolutional neural networks,CNN)算法对不良驾驶行为进行辨识,并与SVM(support vector machine)、RF(random forest)、BP(back propagation)等传统机器学习算法在辨识误差上进行比较。结果表明:CNN算法对不良驾驶行为辨识的理论误差值MAE(mean absolute error)为0.059、RMSE(root mean squared error)为0.084、R 2高达0.911。可见,不良驾驶行为谱作为一种客观量化不良驾驶行为的方法与CNN算法相结合,能依据车辆运行轨迹对不良驾驶行为进行自动辨识,具有客观性、可靠性与适应性。

模糊神经网络自动生成隶属函数的MATLAB实现

模糊控制是人工智能的一重要研究领域,将遗传算法、神经网络用于模糊控制,可实现模糊规则的在线修改和隶属函数的自动更新,使模糊控制具有自学习和自适应能力.用遗传算法优化具有全局性的隶属函数参数,一方面提高模糊控制的性能;另一方面也充分利用了操作人员的操作经验.本文用MATLAB语言编程来实现隶属函数的自动更新.仿真结果表明,用遗传算法来离线优化隶属函数是切实可行的.

基于模糊统计的隶属函数神经网络实现方法

采用模糊统计方法获得有限对离散的隶属函数关系，并用神经网络将此关系综合成连续函数表达形式。这一方法进一步完善了隶属函数的统计求法，丰富了经典插值方法，有利于模糊数学理论应用于希望实现并行处理的模式识别等研究领域。我们将这种方法应用于语音识别研究，取得了较好的结果。

模糊神经网络系统的隶属函数初始化算法研究

给出一种新颖的模糊神经网络系统的隶属函数初始化算法,并分析了算法的收敛问题,与文[1]及常规自组织映照算法相比,不但每步的计算量大大减小,得到的初始化结果也更优。模拟仿真结果是令人满意的。

基于粗糙集理论的模糊神经网络构造方法

构造模糊神经网络时确定初始的隶属函数是一个难点,提出了一种新的基于粗糙集理论的隶属函数获取算法,该算法根据粗糙集理论中基于属性重要性的离散化方法确定条件属性的断点,再通过断点确定各模糊集合隶属函数的中心和宽度,同时给出了网络各参数的修正公式;仿真结果证明,该算法在学习的快速性和精度上具有良好的性能。

一种新型模糊-粗神经网络及其在元音识别中的应用

为度量模糊粗不确定性信息,引入了模糊粗隶属函数.基于模糊粗糙集理论构建了一种新型的模糊-粗神经网络(FRNN),该网络融合了模糊信息和粗糙信息的处理能力.对5个元音字母的语音识别进行测试,结果显示FRNN网络不仅训练速度快,而且分类性能优于BP网络、RBF网络和贝叶斯分类器.

基于具有加权模糊隶属函数的神经网络的混沌时间序列预测

本文提出了以时间延迟坐标嵌入方法为基础的周期性波动预测模型。此模型使用一种叫作具有加权模糊隶属函数的神经网络的神经模糊网络(NEWFM)。在主要综合指标的预处理时间序列中使用了时间延迟坐标嵌入方法,并将此序列用作此神经模糊网络的输入数据来预测商业周期。以小波变换为基础使用其他方法进行了对比性研究,并对性能比较进行了主成分分析。使用线性回归分析来测试预测结果,以比较输入数据与目标类别,国内生产总值的近似值。另外两个模型忽略了基于混沌的模型捕捉非线性动态模型和系统中的相互作用。检验结果表明基于混沌的方法能够有效地增强预测能力,因此表明此方法比其他方法具有更优越的性能。

模糊粗糙神经网络特征选择方法研究

实际采集的数据中往往存在模糊不确定性和粗糙不确定性,为全面度量数据的不确定性,引入了模糊粗糙集中的模糊粗糙隶属函数概念,并结合容错能力较强的神经网络设计了一种新的模糊粗糙神经网络.该网络不仅训练速度快,且具有较好的分类效果.利用该网络设计了一种新的特征选择算法,根据精度下降指标对输入节点进行结构修剪,实现最优特征子集的搜索.通过UC I数据集实验,并与RBF网络选择结果进行比较,表明该算法具有精度高、速度快、泛化性能好等优点,是有效的.

模糊可靠性分析中基于神经网络技术的隶属函数确定方法

简要介绍了人工神经网络技术的含义,提出了基于神经网络技术的隶属函数求解方法,并用实例证明了该方法的实用性和可靠性。

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法,该方法使用模型参考自适应方法辨识转子磁场位置和转速,采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明,当系统参数动态变化或受到外部不确定性因素的影响时,利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值,使系统仍将具有很好的动静态性能。

桥梁承载能力状态评估的模糊神经网络推理方法

在综合现有的状态评估理论方法的基础上,提出了基于层次分析的承载能力状态评估模型.结合模糊理论和神经网络技术,建立了一套基于监测信息输入的模糊神经网络推理系统框架,并利用模糊规则生成的规则库作为神经网络训练和学习的样本.利用实例验证了采用此智能评估技术进行承载能力状态评估的可行性和实用性.

一种基于模糊神经网络的融合故障诊断方法

通过构造模糊神经网络分类器,将基于模糊神经网络的数据融合方法引入到故障诊断中。通过在机组中设置温度传感器测量冷却介质进口温差、定子温度、冷却介质出口温差等模拟量,并求出各传感器对故障的隶属度,然后通过基于信息融合故障诊断算法确定故障 原因,并且通过单传感器与多传感器融合结果的对比表明,多传感器数据融合诊断比单个传感器具有更高的准确性。

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。

基于模糊神经网络的边坡稳定性评价方法

针对边坡稳定与其影响因素间复杂的模糊性和非线性关系,结合模糊分析与神经网络技术,提出了基于模糊神经网络的边坡稳定性评价方法。方法将模糊推理过程溶入神经网络结构中,使神经网络的神经元和权值物理意义明确,学习速度加快。同时神经网络计算又能克服模糊分析计算精度低、学习能力差等缺点,实现了计算方法的优势互补。实例研究中,模型计算的回判检验无误,边坡稳定性评价准确率达到100%,且网络每一步的最大计算误差仅0.25%,表明模型的学习性、记忆性、稳定性高,泛化能力较强,能够满足实际工程的评价需求。

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法,采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算;在训练网络时,部分参数采用Levenberg-Marquardt算法来训练,另一部分采用一阶梯度下降法。最后用该建模方法建立了聚合反应中熔融指数的软测量模型,并与一般的模糊神经网络软测量模型进行比较。结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性,同时还能达到指定的预测精度,很适合工程应用。