基于平淡粒子滤波的自组织模糊神经网络算法

提出一种基于平淡粒子滤波(UPF)的自组织模糊神经网络(SOFNN)训练算法——UPF-SOFNN。分析了基于误差下降率的模糊规则增删策略和神经元增加和删除准则,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,并利用UPF对神经元参数进行学习。分别以非线性系统函数逼近和系统辨识为例,对UPF-SOFNN算法进行了仿真验证,表明UPF-SOFNN算法具有更紧凑的结构和较强的泛化性能。

基于EKF的自组织T-S模糊Elman网络

针对模糊神经网络结构设计问题及模糊集在语言描述上存在的不足,提出一种基于扩展的卡尔曼滤波(EKF)的自组织T-S模糊Elman网络,并推导了网络训练算法.分别采用递归最小二乘法和EKF对线性参数和非线性参数进行更新;基于模糊规则生成准则和误差下降率修剪策略实现了模糊规则的增删减.最后通过系统辨识和污水处理建模实验,表明了该算法在保证网络精度和泛化能力的同时,可以有效地简化网络结构.