基于减法聚类和自适应神经模糊推理系统的递阶模糊系统的设计

提出了一种设计递阶模糊系统的简易而有效的方法.在得到一个单级模糊系统的基础上,用灵敏度分析法对每一个输入变量的重要性进行排序,从而确定每一级子系统的输入变量.利用减法聚类和自适应神经 模糊推理系统逐级对子系统进行训练.所得到的递阶模糊系统可进一步得到简化.仿真实例证实了设计方法的有效性.

基于聚类算法的神经模糊推理系统结构和参数的优化

根据神经网络与模糊逻辑系统的各自特性,在分析了扩展RBF网络与T-S型模糊逻辑系统功能等价性的基础之上,提出了扩展RBF网络与T-S型模糊逻辑系统相互融合的一种新的自适应模糊逻辑系统。考察了系统现有的结构和参数优化方法,提出采用基于山峰函数的减法聚类算法与由梯度下降算法和最小二乘算法所组成的混合学习算法来对模糊推理系统进行训练,从而优化自适应模糊推理系统的结构和参数。最后,针对一非线性函数逼近问题进行了验证,仿真取得了很好的结果,系统的逼近精度和收敛速度获得了明显的提高,从而表明本文提出的算法是有效性和可行性。

基于自适应神经模糊系统的足球机器人射门点的确定

针对足球机器人射门行为中运算的高复杂性和反应延迟的局限,引入一种基于类高斯函数的自适应神经模糊推理系统(ANFIS),用于确定最合适的射门点.系统由前件网络和后件网络构成,结合模糊逻辑理论,建立基于人类语言描述的射门行为模型.采用实际的比赛记录作为训练数据,离线地拟合系统输入与输出之间的映射关系,经训练的系统能够自动地调整前期隶属度函数的形状和后期的自适应权值.仿真结果表明,射门成功率和反应速度都能够达到预期的效果,方法的有效性得到了验证.

自适应神经模糊推理系统用于症候诊断的研究

提出了基于T-S模型(Takagi-Sugeno型)的自适应神经网络模糊推理系统(AdaptiveNetwork-basedFuzzyInferenceSystem,ANFIS),介绍了高木—关野(Takagi-Sugeno型)模型结构和自适应神经网络模糊推理系统的结构和算法。该文采用减法聚类初始化模糊推理系统模型,把神经网络学习机制引入到逻辑推理中,使传统的逻辑推理不仅具有逻辑思维及语言表达能力而且具有自学习和联想能力,通过2型糖尿病症候数据库验证了ANFIS用于症候诊断的合理性和有效性。提示自适应神经网络模糊推理系统适合中医症候诊断的研究。

基于模糊聚类和自适应神经模糊推理的MPPT研究

针对光伏系统最大功率点跟踪过程中电导增量法和模糊控制法存在的不足,结合模糊聚类和自适应神经模糊推理系统提出一种新型MPPT算法,对实测数据模糊聚类后,提取模糊控制规则,确定隶属函数,通过神经网络训练生成模糊推理系统。仿真结果表明,该算法能够实现对最大功率点的快速跟踪,对环境变化的抗干扰能力强,控制效果良好,具有一定的应用价值。

基于一种改进自适应模糊神经技术的PEMFC系统建模和控制

从质子交换膜燃料电池(PEMFC)实际应用的角度出发,应用自适应模糊神经网络技术对PEMFC系统进行建模与控制.在建模过程中,同时应用实验数据和专家经验对模型进行辨识,使模糊节点具有明确的物理意义和初始参数的选择更加容易.在控制过程中,将训练好的网络模型作为PEMFC控制系统的参考模型,采用自适应神经网络学习算法(ANA)在线对控制器参数进行自适应调整,采用最近邻聚类算法(NCA)对控制器的模糊规则库进行更新.在仿真实验中,将自适应模糊控制算法与PID和传统模糊算法进行比较,结果表明本算法控制性能优良.

基于自适应神经模糊推理系统的视频烟雾检测

提出一种基于自适应神经模糊推理系统的视频烟雾检测算法。从视频图像中提取烟雾特征,采用减法聚类确定模糊规则数,建立初始模糊系统。通过神经网络的自学习机制调整前提参数和结论参数,确定模糊推理规则。实验结果表明,与传统BP神经网络算法及支持向量机算法相比,该算法具有较优的ROC曲线特性。

基于自适应神经模糊推理系统的风电功率预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。文中对多步滚动预测模式进行了分析,并建立了ANFIS(自适应神经模糊推理系统)预测模型,进而实现对风电功率的实时滚动预测。以吉林省西部某风电场的实测数据为例进行算例分析,其中在形成初始模糊推理系统结构时,采用的算法是减法聚类,该算法有效的避免了人工设定结构法产生的组合爆炸问题。将基于线性回归法、滑动平均法和持续法进行风电功率实时多步滚动预测时得到的预测结果与利用所提出的ANFIS预测方法得到的结果进行比较,结果表明后者的预测精度更高,进一步说明了ANFIS预测模型的有效性。

基于自适应混合变异进化策略的神经模糊系统及应用研究

针对现存神经模糊系统中存在的问题,提出了基于自适应混合变异进化策略的神经模糊系统:采用改进的最近邻域聚类算法对输入空间进行模糊聚类,确定模糊规则数以及模糊规则前件,这样做精简了模糊规则,不会因输入变量的增加而造成“维数灾难”;采用自适应混合进化策略确定模糊规则的后件,明显提高了算法的收敛速度和精度。将本文提出的基于自适应进化策略的神经模糊系统用于某炼油厂航煤干点的软测量建模,结果表明,该系统具有结构简单、建模精度高、泛化能力强等优点。

应用聚类和模糊神经网络设计模糊系统

基于聚类技术和一类模糊神经网络提出一种设计模糊系统的混合方法 .通过一个无监督的聚类算法自组织地确定模糊规则的数目及生成一个初始的模糊规则库 ,构造一类模糊神经网络 ,通过调整网络的权值 ,使规则库中的参数更加精确 .

基于聚类的模糊神经网络预测系统

本文在Ｔａｋａｇｉ提出的神经网络驱动的模糊推理基础上，提出了基于聚类的新模糊神经网络结构和学习算法．该模糊神经网络能够利用聚类信息大大减少网络的学习量，并使得系统的应用性能有所提高．该结构和算法非常适合于大型复杂系统的自适应建模和数据开采等领域．

类模糊神经网络与非线性系统的在线控制

以实现非线性动态系统的在线控制为目的 ,提出了一种具有隐层数少、运算简便和逼近能力强等优点的神经网络———类模糊神经网络 ,并就非线性动态系统的在线控制给出了基于类模糊神经网络控制的选择记忆算法 。

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。

基于多项式系的类模糊神经网络与非线性系统的控制

提出一种新的神经网络枛类模糊神经网络,并以基于多项式系的类模糊神经网络为例作了 讨论。该网络具有隐层少,运算简单和函数逼近能力强的特点。就一类非线性系统的在线控制,给出了类模糊神经网络控制的选择记忆算法,并证明了这种算法的收敛性,使一类非线性系统的在线控制问题得以初步解决。

电液伺服阀故障模式识别的自适应神经—模糊推理系统

基于MATLAB模糊逻辑工具箱 ,利用维数缩减技术和模糊减法聚类法 ,对表征电液伺服阀工作状态的实测样本数据进行聚类分析 ,实现合理的特征空间划分和寻找适当的规则数目 ,从而实现了自适应神经—模糊推理系统 (即 :ANFIS)的结构辨识。在此基础上 ,利用BP算法与最小二乘法相结合的混合算法 ,实现ANFIS的参数辨识 ,建立了适用于电液伺服阀的故障模式识别的ANFIS ,从而有效地解决了电液伺服阀故障的多样性和不确定性的难题 。

基于减法聚类的自适应模糊神经网络评定织物起皱等级

提出了一种基于减法聚类的自适应模糊神经网络,用于织物起皱等级评定.首先利用减法聚类方法确定模糊神经网络的结构,再结合模糊推理系统进行模式识别,并详细介绍了其基本原理和学习算法,最后引入4种起皱特征参数对真实织物进行验证.实验表明,该方法有效且可行.

基于自适应神经模糊系统的电力系统短期负荷预测

提出基于T-S模型(Takagi-Sugeno)的自适应神经模糊系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。应用武汉地区2005年夏季负荷数据对网络进行训练和检测,所得仿真结果表明此预测方法有效。

基于聚类与自适应神经模糊推理的车速预测

针对道路交通系统的非线性和随机性特点,设计一种具有学习能力的车速预测方法。首先,对交通流历史特征数据采用模糊聚类的方法进行状态分类并确立模型结构。然后,建立交通流状态预测的自适应神经模糊系统,以实测交通流数据进行系统参数优化训练。最后,利用MATLAB进行系统的仿真及检测。检测的预测结果表明系统具有良好的应用性能。

一种用于非线性复杂系统辨识的自适应模糊神经网络

该文提出一种用于复杂的非线性未知系统辨识的混合神经网络模型—自适应模糊神经网络(AFNN)。AFNN网络结构简洁,具有通用逼近的特性,能够克服由于突变点的存在而对系统辨识所带来的误差,提高整个系统的辨识精度。对空空导弹攻击区辨识的仿真结果验证了AFNN网络的有效性。

基于聚类和模糊神经网络的模糊系统设计及应用研究

利用聚类技术和模糊神经网络的学习能力从模糊控制系统的现场数据中获取模糊规则,自动调节隶属函数,把被控对象的建模与控制规则的建立统一为模糊神经网络结构参数的生成和学习问题。用于一个化工过程控制问题,取得了满意的结果。