基于类高斯隶属函数的模糊万能逼近器性能分析

为了验证由三角形和高斯型隶属函数构造的逼近器均能以任意精度逼近非线性连续系统,引入了一种基于类高斯隶属函数的模糊逼近器设计方法,借助参数可调性来构造隶属函数的"泛模型",从而实现三角形到高斯型两类隶属函数的切换.由类高斯隶属函数、单值模糊器、乘积型推理和中心平均解模糊器构成模糊逼近系统,并由万能逼近定理指出逼近精度及模糊子集数目的确定方法.与神经网络、决策树和小波级数等非线性万能逼近器相比,模糊系统具有可解释性强和可利用语言信息的独特优势.分别以一维和二维非线性系统为例进行模糊逼近设计与分析,逼近效果体现了不同的控制特性,证明了类高斯函数用于模糊隶属函数表示的合理性和有效性.

双输入型模糊前向神经网络的构建

利用高斯型隶属函数作为隐层神经元激励函数,构建了四层模糊前向神经网络.根据从训练数据集中提取出的插值样本数量来确定隐层神经元个数.网络结构确定后,基于二元函数逼近论确定最优权值,得到双输入型近似插值神经网络,说明了最优权值的双输入型模糊前向神经网络的实现过程.计算机数值仿真实验表明所构建的网络在运行时间、逼近精度与去噪效果等方面是有效的,丰富了多输入神经网络的构建方法.

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.

基于高斯隶属度的融合算法在改进Leach中的应用

无线传感器网络中节点采集的数据具有较高的冗余度,对数据进行融合处理后再传送到汇聚节点,能有效地降低能量消耗,延长网络生命周期。设计了一种基于高斯隶属函数的数据融合算法,并改进无线传感网络Leach协议,对传感器节点进行二级分簇,多跳通信延长网络生命周期。在一级簇头节点依据分布图法剔除疏失数据,进而利用高斯隶属函数求得权系数,对采集到的有效数据进行加权融合。经实验仿真证明:该融合技术有效地消除了传感器的测量误差,提高了融合数据的精确度,降低了无线传感网络的能量消耗。

一种模糊森林学习方法及其行人检测应用

针对随机森林学习方法训练数据时存在的过拟合问题,通过改进各决策节点的决策函数设计一种模糊森林学习方法。利用高斯隶属度函数构建决策树上各节点的决策函数,将确定决策路径转换为模糊决策路径。根据样本从根节点到叶节点所经过的所有决策节点的模糊决策值乘积生成模糊路径。结合各模糊路径与相应叶节点预测参数得到预测结果。将模糊森林学习方法应用到行人检测领域,分别对Haar特征和方向梯度直方图特征进行学习与分类。实验结果表明,与经典的Adaboost、支持向量机和随机森林分类器相比,模糊森林方法可有效提高行人检测的识别率。

基于风能转换系统的模糊PID自适应控制

以额定风速以下风能的最大捕获为目标,设计了基于模糊PID自适应控制的桨距控制器。以发电机产生的电能与理论计算的风轮最大捕获的风能误差为输入设计控制器,该控制器在运行时根据风况在线调整PID参数,实现自整定。仿真结果表明,在额定风速以下,基于高斯型隶属度函数的模糊控制方法能够将风能转换系数控制在最优值0.476附近,叶尖速比可以维持在最优值7附近,能够实现额定风速以下的最大风能捕获。

高斯隶属度优化的超分辨率随机森林学习算法

随机森林学习算法是一种有效的单图像超分辨率方法,然而其决策函数是确定的二值函数,这对某些图像块的确定性划分并不是最优的选择。为提升单图像超分辨率性能,采用高斯隶属度函数构建随机森林各决策节点的决策函数,将决策函数的输出值由0和1的确定值转换到0-1之间的概率值,并在叶节点上依据数据划分路径上各决策节点概率的乘积进行预测,依据最小经验冒险准则学习决策参数,使随机森林能更好学习不同的样本数据。实验结果表明,与随机森林学习等目前主流单图像超分辨率方法相比,该方法可以提升超分辨率图像的峰值信噪比,同时运算效率与传统随机森林学习算法相当。

基于演进向量量化聚类的增量模糊关联分类方法

为了提高动态数据集上模糊关联分类器(FAC)的建模效率,提出了一种基于演进向量量化(eVQ)聚类的增量模糊关联分类方法。首先,采用eVQ聚类算法增量更新数量属性上的高斯隶属度函数参数;然后,扩展早剪枝更新(UWEP)算法,使之适用于增量挖掘模糊频繁项;最后,以模糊相关度(FCORR)和分类规则前件长度为度量方式裁剪并更新模糊关联分类规则库。在4个UCI标准数据集上的实验结果表明,与批量模糊关联分类建模方法相比,所提方法能够在保证分类精度和解释性的前提下,减少模糊关联分类器的训练时间;基于eVQ的高斯隶属度函数的增量更新有助于提高动态数据集上模糊关联分类器的分类精度。

基于多参数融合和组合赋权的风电机组健康状态评估

针对目前风电机组健康状态无法准确评估的问题,提出一种基于多参数融合和组合赋权的风电机组健康状态评估方法.根据故障频次与时长构建风电机组健康状态评估指标体系,通过将灰色关联分析法的参数层指标客观权重与层次分析法的参数层主观权重对应结合,再与上层指标权重综合,归一化得到组合指标权重,应用高斯函数确定指标对各状态等级的隶属度,采用参数-部件-系统逐层对风电机组开展健康状态评估,选取新疆某风电机组SCADA数据进行验证.结果表明:该方法可在故障发生前得出状态劣化的趋势,对机组早期的故障发出报警,从而达到整机状态预警的目的.

结合MACH滤波最大池化及多类SVM的行为识别

提出一种人体行为识别方法。构建MACH滤波器组,对视频片段的三维时空体进行滤波,得到时空相关体;采用三层最大池化方法提取时空相关体的特征向量,采用高斯隶属函数对池化特征向量进行扩展;构建多类SVM分类器并进行特征分类,识别行为类别。在ADL和UCF Sports两个国际上通用的人体行为数据集上进行人体行为识别实验,实验结果表明,该方法的识别率高于现有的人体行为识别方法,对不同人体行为的区分能力更强。

基于改进PSO与规则约简的模糊系统优化算法

模糊系统是一种具有强可解释性和高鲁棒性的智能方法,但目前仍存在精度不高、产生的模糊规则太多等缺陷。针对目前存在的问题,论文通过改进粒子群优化算法优化模糊系统高斯型隶属度函数的参数,以及计算规则支持度约简模糊规则,提出了CPSFS和SPSFS两种模糊系统优化算法。在两个不同领域的经典数据集上的研究结果表明:1)CPSFS算法在训练集和测试集上的预测精度明显优于传统的BP神经网络、RBF神经网络、线性回归等算法;2)CPSFS算法与SPSFS算法减少了大量模糊规则,保证了模型的可解释性;3)CPSFS算法在约简模糊规则后预测精度依然表现最优,符合新时代下回归问题对于AI技术的要求。