分享到:

T-S型模糊RBF神经网络的结构研究

文献[1]针对多维模糊推理中推理规则庞大的问题提出了一种新的模糊推理模型,称为Takagi-Sugeno(T-S)模型.T-S型模糊推理模型结论部分用线性局域方程取代了一般推理过程中的常数.因此,T-S模型可用少量的模糊规则生成较复杂的非线性函数.这在处理多变量系统时能有效地减少模糊规则个数.但是,由于结论参数是线性函数而非模糊数,在实际系统中,结论部分不能直接从专家经验和操作数据中得到,必须通过一定的算法进行提炼.因此,模型参数的辨识成为建立T-S型模糊系统的主要问题.本文将T-S型模糊系统与RBF神经网络相结合,构成T-S型模糊RBF神经网络,应用神经网络的学习方法解决T-S型模糊模型的辨识问题.文中提出的输入空间模糊最优聚类学习算法基于整体最优化方法,辨识精度较高.仿真结果验证该学习方法可以有效地辨识模糊神经网络系统模型,使T-S型模糊RBF神经网络能在精度下逼近任意的非线性、多变量函数.1T-S型模糊RBF神经网络1.1...  (本文共3页) 阅读全文>>

东北大学
东北大学

T-S型RBF神经网络在电解液成分建模中的应用研究

在铜电解精炼过程中,电解液中的铜酸浓度直接影响着阴极铜的质量,对铜酸浓度的监测成为净液调度和质量管理过程中的一项重要的日常工作。铜酸浓度主要通过电解液的循环和净化工序进行调节,由于目前尚没有对铜酸浓度可靠的在线测量仪表,各电解企业仅通过间断采样再化验的方式得到铜酸浓度的变化趋势。通常该化验过程耗时几个到十几个小时,使电解液的循环和净化过程难以实现及时、准确的控制与优化。近年来,模糊理论和神经网络技术的进步,推动了复杂非线性系统建模技术的发展。在冶金电解领域,过程机理知识与智能建模技术的结合已成为建模研究的热点。论文的选题从电解机理分析出发,结合智能建模技术为补偿,旨在建立电解液成分混合预测模型。本文首先介绍了工业建模的基本方法和各自特点,然后着重对电解过程建模中和电解液成分相关的影响因素进行机理分析,得到先验模型以保证混合模型的全局特性。针对电解系统存在的数据量大、影响因素复杂、非线性和时滞性强的特点,智能建模部分选用T-S型R...  (本文共67页) 本文目录 | 阅读全文>>

《系统仿真学报》2007年19期
系统仿真学报

自适应T-S型模糊径向基函数网络

引言T-S型模糊推理系统适于处理多维模糊逻辑推理中推理规则庞大的问题,可用少量的模糊规则生成较复杂的非线性函数,这在处理多变量系统时能有效减少模糊规则个数[1]。但是,由于模糊规则的结论是线性函数而非模糊数,在实际系统中结论部分不能直接从专家经验和操作数据中得到,必须通过一定的算法进行训练,因此模型参数的辨识成为建立T-S型模糊系统的主要问题。径向基函数(Radial Basis Function,RBF)网络是一种多层前向神经网络,和其它前向网络相比,它具有结构简单,全局逼近能力强,训练方法快速易行的优点,在系统辨识及函数逼近等领域得到了广泛的应用[2]。为此,在T-S型模糊推理系统与RBF网络函数等价原理的基础上[3],将两者相结合构成的T-S型模糊RBF神经网络模型,可以有效解决T-S模型参数的辨识问题[4-5]。在使用T-S型模糊RBF网络时,常遇到前向网络普遍面临的如何确定隐层(规则层)节点个数(网络结构学习)的问题。...  (本文共5页) 阅读全文>>

《计算机系统应用》2010年12期
计算机系统应用

Levenberg-Marquardt算法在T-S型模糊RBF神经网络训练中的应用

Application of Levenberg-Marquardt Algorithm to Training of T-S Fuzzy Model 1引言1985年Takagi和Sugeno提出了一种分段线性模糊模型,即Takagi-Sugeno(T-S)模型[1],因为它能够使用较少的模糊规则为一个复杂的非线性对象建模,所以得到的数学模型比一般模糊模型更为简洁,因而更加有利于数学分析,所以,与一般模糊模型相比,T-S模型更适合为非线性系统建模。然而正如文献[2]所言:如同一般模糊模型,T-S模糊模型同样存在参数辨识困难的问题。神经网络与T-S模糊模型相结合,可以取长补短,组成T-S型模糊神经网络,使它在具备T-S模糊模型的可解释性、灵活性和简洁性的前提下,可以使用神经网络的自学习能力优化T-S模糊模型的参数。T-S型模糊RBF神经网络即是T-S型模糊神经网络中的一种,因其训练便捷易行、收敛速度快,而且容易避免局部极小点,所...  (本文共5页) 阅读全文>>

《兰州理工大学学报》2004年02期
兰州理工大学学报

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大的问题,Takagi和Sugeno于1985年提出了一种新的模糊推理模型,称为T S模型[1,2].T S模型的模糊规则的“IF”部分与Zadeh规则的“IF”部分相似,但它的“THEN”部分是精确函数,通常是输入变量多项式.因此,T S模型中第j条模糊规则的形式为:IFx1isAj1,x2isAj2,…,xnisAjn,THENyj=aj0+aj1x1+…+ajnxn.T S型模糊推理模型的结论部分用线性局域方程取代了一般推理过程中的常数.因此,T S模型可用少量的模糊规则生成较复杂的非线性函数,这在处理多变量系统时能有效减少模糊规则个数.但是,由于结论参数是线性函数而非模糊数,在实际系统中结论部分不能直接从专家经验和操作数据中得到,必须通过一定的算法进行训练,因此模型参数的辨识成为建立T S型模糊系统的主要问题.神经网络的出现解决了T S模型参数难辨识的问题[3,4].本文将T S型模糊系统与...  (本文共4页) 阅读全文>>

《清华大学学报(自然科学版)》198S年10期
清华大学学报(自然科学版)

从神经网络中抽取可理解的符号规则

从神经网络中抽取可理解的符号规则*陆玉昌,张朝晖,周远晖清华大学计算机科学与技术系;智能技术与系统国家重点实验室,北京100084收稿日期:1997-10-14第一作者:男,1937年生,教授*国防预研基金项目,96J16.5.2JWO112文摘神经元网络由于分类精度高及具有并行性、容错性等优点,在模式识别、组合优化等许多领域得到了成功的应用,但是由于它的结果难以理解而影响了它的可信度及其实用性。该文主要是应用多策略学习方法,经过对神经网络进行训练、剪枝,然后从中抽取出符号规则,以解决神经网络的这种“黑箱”问题。文中讨论了几种方法的紧密结合,有效地应用了各种方法的优点,实验也证明了方法的有效性。关键词神经网络;符号规则;遗传算法分类号TP301神经网络由于具有并行性、容错性、自适应性、自组织性等优点,在模式识别、组合优化等许多领域得到了成功的应用。但是,它也有很大的缺点,如训练时间长、初始参数极大地影响学习效果、没有一个独立于问...  (本文共4页) 阅读全文>>

《同济大学学报(自然科学版)》1998年04期
同济大学学报(自然科学版)

模糊-神经网络技术及其用于结构主动控制的仿真研究

提出了一种基于神经网络调整规范化因子的模糊一神经网络控制策略,并以表面布置压电片的梁结构为控制对...  (本文共1页) 阅读全文>>