基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步：结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

利用遗传算法优化的ARIMA-BP组合模型预测手足口病发病趋势

目的 探讨ARIMA模型及遗传算法优化的ARIMA-BP神经网络组合模型在传染病预测与预警中的应用,为相关部门制定防治措施提供参考. 方法 选择某市2009～ 2013年的手足口病发病数作为研究对象,首先建立ARIMA模型,得到的拟合值作为神经网络输入值,真实观测值作为输出值,带入通过遗传算法优化的BP神经网络中训练,并比较两种模型的预测精度. 结果 对建立的ARIMA（1,0,0）（1,1,0）12模型预测的相对误差为39.89％,决定系数为0.786,经统计检验残差为白噪声序列;组合模型预测的相对误差为26.25％,决定系数为0.852. 结论 该组合模型的预测精度高于ARIMA模型,且对于极值的预测较为精确,可以为其他传染病的预测及建立统计预警提供参考.     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型。量子神经网络分类器是将量子迁移（量子间隔）概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移（量子间隔）思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌。当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度。将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度。     

基于模糊分类变系数的铅锌烧结过程综合透气性状态预测

针对铅锌烧结过程的强非线性、时变等特点,运用智能集成建模的思想,提出一种模糊分类变系数透气性状态预测方法。首先深入机理分析和工况参数相关性分析研究,采用神经网络方法建立工艺参数和时间序列透气性预测模型;然后借助于模糊组合器实现两个子模型的有机组合,设计了模糊分类变系数综合透气性集成预测模型结构,其中加权系数由工况波动程度确定。运行结果表明:提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果,该模型具有一定的灵敏度和鲁棒性。     

基于多模型模糊核聚类方法的污水处理过程软测量建模

针对污水处理过程高度非线性及强耦合性的特点,基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出了一种基于 模糊核聚类的多最小二乘支持向量机的软测量建模方法。该方法根据不同工况使用模糊核聚类算法对输入数据进行聚类划分,针对 每个聚类子集用最小二乘支持向量机方法建立子模型,最终通过子模型切换策略得到系统输出。在污水处理过程仿真平台展开验证 工作,对生化需氧量BOD的软测量进行建模,获得了良好的实验结果。     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题。因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关键问题。根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模。该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果。应用结果表明：该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要。     

基于模糊c均值聚类的多模型软测量建模

根据几个模型相加可提高模型的预测精度及鲁棒性的思想,提出了一种非线性软测量建模的新方法。即先用模糊ｃ均值聚类将训练集分成具有不同聚类中心的子集,每一子集用ＲＢＦ网络或部分最小二乘法进行训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果,此算法通过一个复杂非线性函数的仿真建模和一个分馏塔柴油倾点软测量建模的工业实例研究,结果表明比其它算法具有更好的泛化结果和预报精度,具有     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。     

遗传算法优化BP神经网络的老年痴呆症智能诊断

为了提高BP神经网络对疾病诊断的效率和预测准确率,提出一种遗传算法优化BP神经网络的老年痴呆症智能诊断模型,并以医院电子病历数据挖掘为例,对老年痴呆症诊断建立预测模型。该方法首先利用遗传算法的搜索寻优技术进行特征约简,然后将约简后的特征作为BP神经网络的输入变量,训练和构建BP神经网络模型。仿真实验在Matlab软件平台上进行,结果表明：与单BP神经网络相比,遗传算法优化BP神经网络能够降低模型训练时间、提高预测精度,是一种切实可行的老年痴呆症辅助诊断方法。     

细乳液法制备聚硅氧烷-Ag纳米复合微球及其抗菌性

模糊建模是一种有效的非线性系统建模方法,因为非线性系统的复杂性,仍有很多问题难以处理。针对T-S模糊模型,提出了一种改进的建模及优化方法。首先,将快速搜索密度峰聚类和模糊C均值聚类(FCM)算法相结合,使用快速搜索密度峰聚类算法找到聚类个数和初始聚类中心后,再用FCM算法进行聚类;然后,通过最小二乘法辨识结论参数得到初始T-S模糊模型,使用改进的差分进化(DE)算法整体优化模型的结构和参数,获得最终的T-S模型;最后,选择代表性实例,使用MATLAB程序进行仿真分析和比较,验证了本文方法能有效提高T-S模糊模型的辨识精度和速度。     

一种烧结终点模糊滑模控制策略及其在烧结过程中的应用

烧结过程具有强非线性、时滞和时变等特性。在分析烧结过程热状态的基础上,提出了一种烧结终点的模糊滑模控制策略,将模糊逻辑和滑模控制方法结合起来,并将其应用在某烧结厂烧结机的台车速度控制中。这种控制方法能在线调整参数,对烧结过程中大惯性、大滞后对象进行有效控制,在对象参数变化或存在较大扰动的情况下,能保持较好的控制品质。结果表明:这种方法稳定了烧结生产,为实现烧结过程的智能优化控制奠定了基础。     

基于加权模糊聚类的污水处理过程故障检测

模糊C均值（FCM）聚类是一种常用的聚类方法,在工业应用时,常因数据的强噪声和非线性导致聚类效果不够理想。提出了一种密度加权、核理论和可能性模糊C均值聚类（PFCM）相结合的聚类方法。该方法采用核函数,将数据映射到线性空间进行聚类分析,消除非线性影响;通过引入点密度概念,加快算法迭代,增强可分性,提高聚类准确率。将该聚类算法用于污水处理过程的故障检测,结果表明该方法不仅能解决非线性问题,而且能有效加快收敛速度。     

一种用于非线性系统辨识与控制的自组织模糊神经网络

提出了一种自组织模糊神经网络（Self-Organizing Fuzzy Neural Network,SOFNN）,采用了误差反向传播算法与带遗忘因子的递推最小二乘法相结合的混合优化算法优化系统的模糊规则库及其参数,此外,也引入SRIC（Schwarz&Rissanen Information Criterion）准则设计模糊系统。将本文提出的方法应用于非线性系统的辨识与控制,并讨论了阈值参数对该方法性能的影响。仿真结果表明,本文方法能有效地防止模糊模型过拟合,提高模糊系统的泛化能力,进而提高控制性能。     

基于特征聚集度的FCM-RSVM算法及其在人工焊点缺陷识别中的应用

针对人工焊点缺陷识别方法进行研究,提出了一种基于特征聚集度的模糊C均值聚类(FCM)与松弛约束支持向量机(RSVM)联用的分类识别算法。在提取人工焊点特征向量的基础上,算法首先对样本特征数据进行模糊C均值聚类,依据样本隶属度函数计算不同特征的特征聚集度,并由特征聚集度指标改进RSVM算法中的松弛量参数,建立最终的分类器模型。实验结果表明:本文提出的算法建立了泛化能力更强的分类模型,能有效抑制噪声及模糊边界点对分类模型的影响,在人工焊点缺陷识别的应用中获得了满意的识别结果。     

脉象特征人工神经网络分类器

以人工神经网络为手段，以提取脉象信息为目的，由临床采样数据形成了网络训练输入特征向量库，不以单一脉本身为分类对象，而考虑它是否是某些可识别特征的组合，建立了浮沉、弦滑、迟数等一组脉象特征网络。证实了人工神经网络用于具有模糊性的脉象特征的识别和分类是可行的，带智能处理的特色。其分辨准确率可达９０％。     

基于广义动态模糊神经网络的聚乙烯分子量分布软测量

分子量分布（MWD）是聚合物的重要质量指标,但由于实时检测的困难,MWD的预测成为聚合过程先进控制和优化面临的重要挑战。为解决聚乙烯分子量分布预测的实时性和精度问题,本文结合过程信息和反应机理建立了分子量分布预测的混合模型。首先通过机理分析,在假设不同催化剂活性位个数的情况下拟合MWD,通过误差分析获得合理的催化剂个数及分布函数参数,同时操作条件与分布函数参数之间的关系通过广义动态模糊神经网络（GDFNN）描述。在GDFNN中,利用K-means初始化其网络结构,训练过程中,充分利用历史数据和新息决定是否增加新规则,减少冗余规则的频繁生成,并通过分级学习机制,前期提高全局学习率,后期提高局部学习率。最后通过实际工业数据的仿真实验证明了该混合模型的有效性。     

模糊遗传人工神经网络算法提取乳腺微钙化点的效果

 【目的】微钙化点是早期乳腺癌的重要征象之一，本研究联合运用遗传算法、模糊数学和人工神经网络，建议一种乳腺微钙化点提取的新方法，为乳腺病变的自动识别提供前期处理，为早期乳腺癌的临床诊断提供帮助。【方法】首先利用随机方法产生大量的样本，然后，利用模糊遗传算法对产生的随机样本进行分类，将分类后的样本输入人工神经网络进行训练，将310幅乳腺图像的感兴趣区域输入训练后的人工神经网络分类器进行分类。【结果】与微钙化点提取方面的同类文献相比较，结果表明该算法在相同误检率下得到较高的阳性检出率。【结论】研究表明综合运用遗传算法、模糊数学和人工神经网络进行乳腺微钙化点提取比单纯运用人工神经网络提取效果好。