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。     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法，采用模糊C均值聚类(FCM)算法划分输入输出数据空间，最后将该算法应用于丙烯腈收率的预报，仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。     

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。     

基于粗糙集的T-S模糊神经网络在回转窑烧结过程中的应用

基于粗糙集理论的知识约简方法和T-S模糊神经网络的非线性映射理论,针对回转窑烧结过程被控对象复杂、各参数之间相互耦合及难以建立精确数学模型的特点,提出一种RS-FNN智能控制策略。采用基于一种新的聚类有效性准则函数的模糊C均值聚类算法对连续属性进行离散化;然后利用粗糙集理论由历史数据样本提取约简规则集,对应的T-S模型具有反映数据特征的良好拓扑结构;最后T-S模型参数由梯度下降混合最小二乘法进行精调。该方法应用于铁矿氧化球团回转窑生产过程控制取得了良好效果,增强了系统容错及抗干扰的能力。     

一种基于LDA和FCM的BPA多模型软测量方法

模糊C-均值聚类(FCM)算法是数据预处理中常用的一种方法,但用这种方法进行数据聚类,各类别边界信息间往往存在干扰,模型精度不能得到很好改善。本文采用一种改进的线性判别分析(LDA)方法,用于扩大样本类别间的距离,使聚类更为精确。将FCM算法与改进的LDA算法结合提取样本特征,然后通过多模型融入到SVM算法中。通过对双酚A软测量建模的仿真研究表明该方法具有较好的效果。     

基于直方图统计快速FCM算法的医学脑部图像分割

针对模糊聚类算法（FCM）在脑部MRl图像分割中存在计算量大的缺点,提出了一种结合直方图峰值信息和统计信息的快速FCM（HF—KFCM）算法。算法首先利用多尺度窗口遍历的方法找到直方图的峰值点,然后将其作为模糊聚类的初始化中心。并采用基于直方图统计的快速聚类方法减少每一次迭代的运算量。仿真结果表明,相比于FCM算法和其他改进FCM算法,该算法的分割结果在聚类有效性和模糊性上提高显著。     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型，然后通过调整聚类半径优选模糊规则数，以取得具有良好泛化性能的模型，之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模，结果表明能较快确定优化模型，并能满足软测量建模精度要求。     

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。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法，神经网络采用RBF网络结点结构，聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中，仿真结果表明具有并行实时性、聚类能力强的特点。     

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。     

基于粒计算的模糊神经建模方法在电能输出预测中的应用

准确地预测电厂的电能输出可以节约成本从而获得最大利润,因此建立一个模型来预测电厂的满载电功率输出是非常重要的。粒计算(Granular Computing, GrC)是一种新型的数据挖掘方法,它将具有类似特性的对象组合在一起,通过选择合适的粒度提取核心信息,减少冗余,降低问题求解的复杂度。本文使用GrC方法,从复杂多维数据集中以信息粒的形式建立初始的模糊推理系统,再通过模糊神经网络学习方法对系统参数进行优化。这种基于GrC的模糊神经(Granular Computing based Neuro-Fuzzy, GrC-NF)建模方法,不仅可以降低问题求解的复杂度,而且可以保持模糊逻辑系统的可解释性,将其与模糊神经网络的结合又提高了建模精度。本文将该方法用于建立电功率输出的预测模型,通过其预测精度的比较表明了该方法的优越性。     

基于改进云粒子群优化的模糊神经网络在甲醇合成转化率软测量中的应用

针对基本PSO算法早熟、搜索精度不高与易陷入局部最优的缺点,结合云滴的随机性、稳定倾向性,提出了一种改进粒子群优化算法(ICPSO)。将改进算法用于模糊神经网络的参数优化,并应用于甲醇单程转化率建模中。仿真实验结果表明：该模型具有较高的精度和较好的泛化能力,能够实现甲醇转化率的实时监测。     

一类参数不确定T-S模糊系统的鲁棒控制及仿真

针对一类具有参数不确定的T akag i-Sugeno(T-S)模糊系统,基于模糊区域的概念研究了其鲁棒控制问题。通过将不确定T-S模糊模型转换为不确定T-S模糊区域模型,并利用Lya-punov稳定性理论,导出了线性矩阵不等式(LM I)形式的鲁棒控制器设计方法。相对于传统设计方法,降低了采用线性矩阵不等式方法求解的难度,并具有良好的鲁棒性能。仿真结果验证了该方法的有效性。     

二型模糊理论在乙烯裂解炉过程监控中的应用

利用区间二型模糊C 均值聚类的方法,将过程数据进行聚类,并且聚类过程采用自适应的方法选择聚类数,由此区别不同的工况;利用局部切空间排列算法(LTSA)分别对聚类之后的每一类数据进行降维处理,然后利用每一类降维后的数据,使用支持向量数据描述(SVDD)的方法构建多个模型,并建立相应的统计量与统计限,完成离线建模过程。在线监控过程中首先判断过程数据属于哪一种工况,然后利用相应的模型来计算统计量并判断是否故障,利用乙烯裂解炉的过程数据进行了仿真研究,验证了方法的可行性。     

基于改进分布估计算法的带并行机模糊混合Flow Shop调度

针对处理时间不确定情况下带并行机的混合Flow Shop调度问题,基于模糊规划理论,采用一种模糊数排序的方法建立了调度模型;以最小化加权模糊最大完工时间的平均值和不确定度作为调度目标,提出一种改进分布估计算法(IEDA)求解上述问题。 IEDA算法采用基于NEH(Nawaz Enscore Ham)和破坏重建策略的初始化方法,对较优个体进行变邻域局部搜索以提高算法的局部搜索能力,同时采用破坏重建策略增加种群多样性,在最优解连续若干代没有改进时对其进行基于破坏重建策略的变邻域局部搜索,增强算法跳出局部最优的能力,并用正交设计的方法调节算法参数。仿真实验结果验证了本文算法的优越性。     

Variances Handling Method of Clinical Pathways Based on T-S Fuzzy Neural Networks with Novel Hybrid Learning Algorithm

Clinical pathways’ variances present complex, fuzzy, uncertain and high-risk characteristics. They could cause complicating diseases or even endanger patients’ life if not handled effectively. In order to improve the accuracy and efficiency of variances handling by Takagi-Sugeno (T-S) fuzzy neural networks (FNNs), a new variances handling method for clinical pathways (CPs) is proposed in this study, which is based on T-S FNNs with novel hybrid learning algorithm. And the optimal structure and parameters can be achieved simultaneously by integrating the random cooperative decomposing particle swarm optimization algorithm (RCDPSO) and discrete binary version of PSO (DPSO) algorithm. Finally, a case study on liver poisoning of osteosarcoma preoperative chemotherapy CP is used to validate the proposed method. The result demonstrates that T-S FNNs based on the proposed algorithm achieves superior performances in efficiency, precision, and generalization ability to standard T-S FNNs, Mamdani FNNs and T-S FNNs based on other algorithms (CPSO and PSO) for variances handling of CPs.