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。

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.

基于自组织神经网络的模糊聚类同调机群识别

给出了一种利用基于融合自适应共振理论和Kohonen网络基本思想的自组织神经网络(简称自组织神经网络)的模糊聚类方法识别电力系统同调机群的算法。首先对输入数据进行模糊预处理,即采用最大–最小法建立能够反映发电机组间同调程度的模糊相似矩阵;然后将其每行或每列输入自组织神经网络模型进行训练,最终竞争获胜的输出层神经元代表不同的动态类型,即不同的同调发电机组;最后在EPRI-36节点系统上分别对自组织神经法和自组织神经模糊聚类法进行了仿真计算。结果表明:自组织神经模糊聚类法的识别结果比自组织神经法更加接近基于时域仿真的结果,没有出现误判,且自组织神经法能在更大时间范围内对同调机群进行准确识别。

基于自组织竞争神经网络技术的模糊聚类研究

本文对常规模糊聚类方法进行了深入的研究,提出了一种基于自组织竞争神经网络技术的模糊聚类方法。仿真结果证明,这种方法可以有效地进行模糊聚类。

基于自组织神经网络和模糊聚类的校园无线网用户学习兴趣度行为分析

针对如何分析校园无线网络数据、挖掘数据中蕴藏的学生行为,更好地辅助教学管理,提出了在Hadoop平台构建基于自组织神经网络的模糊C-均值聚类算法。该算法采用自组织神经网络与模糊C-均值聚类算法相结合,避免了模糊C-均值聚类算法初始化不当带来的误差。考虑到无线用户网络行为数据规模庞大,采用了Hadoop平台并行运行聚类算法,有效地降低了分析时间。通过采集用户校园无线网络数据,利用聚类算法评估了学生群体的学习兴趣度。实验结果表明,提出的算法提高了聚类结果的准确性,分析平台为学校管理层有效地作出决策提供了依据,研究方法为其他高校解决类似问题提供了有益的参考思路。

自组织神经网络在模糊聚类中的应用研究

聚类是按照事物的某些属性,把事物分类,使类间的相似性尽量小,类内的相似性尽量大。将事物通过适当聚类,才能便于研究事物的内部规律,但客观世界中存在着大量界线不分明的问题,研究模糊聚类的方法正是为了解决这类问题。在对常规模糊聚类方法分析的基础上,提出了一种将自组织竞争神经网络技术运用于模糊聚类的一种方法,并以100种动物分类为例,进行了模拟试验,仿真结果证明这种方法进行模糊聚类的思想正确,方法可行,效果较好。

基于进化树型自组织神经网络聚类分析

SOM是当前最著名的基于神经网络的用于数据可视化、聚类等任务的数据分析工具之一,为了克服传统SOM模型需要预选指定的限制,特别是在大的映射网络中寻找最佳匹配结点将会很耗时,所以提出一种新的进化树型自组织神经网络ET-SOM。通过对人工数据和工业数据进行实验证实了模型的有效性。

永磁同步直线电机自组织概率型模糊神经网络控制

针对永磁同步直线电机易受参数变化和外部扰动等非线性因素影响的问题,本文采用了一种自组织概率型模糊神经网络控制方法来提高伺服系统的控制性能。概率型模糊神经网络(PFNN)可以有效地对系统中的不确性因素进行估计,且相比于神经网络(NN)有较强的鲁棒性,但是结构固定、隶属度低的节点对当前系统的控制力较差,难以调整系统动态过程中的稳态误差,因此本文在此基础上采用了一种自组织概率型模糊神经网络控制器(SOPFNN)。在对参数学习的情况下,同时采用了一种结构学习算法,来保证控制过程中每一节点都能发挥最大作用,进一步提高系统的跟踪性能。仿真结果表明,自组织概率型模糊神经网络控制不仅改善了系统的位置跟踪性能,还提高了系统的鲁棒性。

自组织竞争人工神经网络在土壤分类中的应用

利用自组织特征映射网络 (SOM网络 )的聚类功能 ,应用 MATL AB 5 .3软件编程 ,对三江平原地区的 2 1个土壤采样进行了分类 ,并与有关文献的模糊聚类分析结果进行了比较 ,指出 SOM网络可以很好地反映、提取土壤样本间复杂的信息 ,分类效果较好 。

改进型T-S模糊神经网络风电功率预测模型的研究

为了提高风电功率的预测精度,在分析其主要影响因素的基础上,针对T-S模糊神经网络收敛速度慢、计算量大等缺点,提出了一种改进型T-S模糊神经网络风电功率预测模型。首先采用椭圆基函数作为隶属函数,扩展其接收域;其次利用模糊C-均值聚类确定其中心值;然后引入惯性项加快网络的收敛速度;最后分别对四季短期风电功率进行预测。仿真结果表明,改进型T-S模糊神经网络有效地提高了短期风电功率的预测精度,具有一定的实用价值。

基于区间值模糊逻辑神经元的区间值模糊C-均值聚类神经网络

本文提出了一种基于区间值模糊逻辑神经元的三层前馈自组织神经网络模型，用来实现区间值模糊C-均值聚类分析.网络第一、二层神经元的输入、输出和权连接取值属于区间值模糊集I[0，1].第一层神经元为区间值线性神经元;第二层为区间值模糊相等神经元，其功能是实现输入样本与各类的匹配运算.本文采用区间值模糊相等关系作为匹配的指标为了定义区间值模糊相等神经元，本文在点值模糊相等关系的基础上推导了区间值模糊相等关系的计算方法;第三层神经元为模糊竞争神经元，各神经元的输出代表输入样本的模糊分类结果此外.本文提出了一种区间值模糊竞争学习算法用于区间值模糊C-均值聚类神经网络的训练.

基于模糊聚类神经网络的镜头突变检测算法

讨论了采用无监督的模糊竞争学习算法,并结合自组织竞争网络构成的一种新型模糊聚类神经网络模型,提出了一种基于该网络模型的镜头突变检测算法。该算法通过对线性特征空间进行由粗到细的两步模糊聚类实现镜头突变的检测。实验结果表明该算法是可行和有效的。

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性,研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用,提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法.仿真结果表明本算法能在多目标环境下取得较好的跟踪效果.

基于模糊自组织神经网络的土地用途分区研究

传统土地用途分区方法存在人为主观因素影响较大、操作性不强且过于粗略等缺陷。为了克服上述不足,将模糊自组织神经网络算法引入土地用途分区问题中,建立用途分区模型,构建分区问题与神经网络的映射关系,设计了顾及空间及属性的聚类距离,并制定了用途分区确定规则。实验选取湖北省陆溪镇以验证模型的有效性。结果表明模型合理地划分了基本农田保护区、一般农地区、林业用地区、城镇建设用地区、乡村建设用地区、独立工矿区、水区域7个土地用途区,分区结果与农用地分等定级结果基本相符,模型能够有效提高用途分区的确定效率。

模糊神经网络在机载相机稳像中的应用

针对解决微型飞行器空中拍摄的图像抖动问题,采用自组织递归区间二型模糊神经网络的函数逼近及泛化能力对微型飞行器上的相机振动规律进行模拟,预测机载相机的振动矢量.该自组织递归区间二型模糊神经网络的初始规则数为零,所有规则都是通过结构和参数同时在线学习来产生,网络结构学习采用的是在线区间二型模糊群集,提高自组织递归区间二型模糊神经网络的稳定性及计算精度.仿真结果表明:将自组织递归区间二型模糊神经网络与双BP神经网络进行对比,利用自组织递归区间二型模糊神经网络对微型飞行器相机振动矢量进行预测的精度高.

基于事例推理模糊神经网络的中压配电网短期节点负荷预测

根据认知科学理论,在并行分布处理(PDP)模型基础上,提出了一种基于事例推理的模糊神经网络(CBRFNN)。分析了CBRFNN的原理,定义了CBRFNN的基本结构,并提出一种混合(有监督/无监督)学习算法,使得CBRFNN具备了很好的泛化能力。CBRFNN中的所有节点通过快速、增量式的学习过程动态生成,并可通过网络自组织来有效抵御坏数据的影响。所提方法很好地解决了中压配电网短期节点负荷预测这类信息不完备、不精确问题。

算法改进的自组织神经网络曲面重构

为提高神经网络法三角网格曲面重构的效率,提出自组织神经网络算法与模糊聚类算法相结合的改进算法.应用改进算法对大规模散乱点云曲面及花瓶实例进行了网络训练及三角网格重建,在初次网络训练收敛后,加入模糊聚类计算模块,由模糊聚类算法中隶属度计算来确定输入样本是否可用.与自组织神经网络算法训练特性进行了比较,结果表明:改进后算法避免了以往算法的重复循环,减少了计算量,加快了网络训练收敛速度和三角网格曲面重构的速度.仿真重构结果表明:改进后的自组织神经网络算法可实现不同疏密程度的三角网格曲面重建,并可在保持原数据特征的前提下实现数据精简,较通常算法收敛速度快.

基于深度学习及改进模糊KMeans的寻常型银屑病智能诊断方法

为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。

基于自组织神经网络的火电厂健康状态数据提取算法

火电厂设备健康数据提取是火电厂设备状态评估数据处理的一个关键步骤,有利于提高设备状态评估的准确性与效率。将设备状态数据首先利用R型层次聚类进行特征参数选取与冗余数据清除,再采用自组织神经网络筛选异常值。利用所诉方法对某发电厂的汽泵前置泵设备的监测数据进行健康状态数据提取,发现清除的异常数据远远大于提取出的健康数据,表明该方法清除的数据满足预期,为后续健康状态评估提供了准确的参照数据,并且降低监测数据维度提高评估效率。

基于FCM的神经网络建模及其在智能驾驶中应用研究

首先对模糊 c-均值聚类算法进行了分析 ,然后把改进的 FCM算法和 RBF神经网络结合起来建模 ,得到一种映射能力较强的自组织 RBF神经网络 .最后把它应用到智能驾驶中对驾驶员的熟练程度和疲劳程度进行识别 。