模糊逻辑在企业评价系统中的应用

利用现代数据挖掘技术构建企业经营状况评价体系模型。给出决策系统中常用的算法——模糊神经网络，分析、说明该算法具有精确、可靠、快速的优点。提出一种专家系统中常用的学习型评价系统的建立方法，完整模糊神经网络模型。该模型适用于以语言型变量为主的系统的评价问题。样本数据集的建立及语言型变量的描述，通过挖掘专家知识，建立符合其偏好的隶属函数实现的，从而得到与决策者的评价结论相同的评价结果。该体系模型由7个定量指标和2个定性指标组成，利用专家样本数据训练神经网络，使训练出来的神经网络可以像专家一样进行评价活动。     

基于遗传算法的网络入侵检测方法研究

针对目前大多数入侵检测系统存在的局限性,本文依据通用入侵检测框架提出了一种利用遗传算法的入侵检测模型,分析了入侵模糊特征、模糊神经网络的学习优化问题。给出了此模型中模糊神经网络模块的训练算法。仿真实验结果表明该检测算法可以有效地进行入侵检测,检测效率达到92%以上。     

粒子群优化神经网络在财务困境分析中的应用

目前BP神经网络已经成功用于公司财务分析与预测,但神经网络采用了传统梯度下降探索法致使BP神经网络存在着收敛速度慢,易陷入局部最优等缺陷,对应用效果造成了不良影响.本文提出通过改进粒子群全局搜索算法对BP网络进行训练.既保留了神经网络原有的优点,又克服了传统训练方法的缺陷.实证表明,该方法预测结果优于传统神经网络模型.     

基于K-means算法的神经网络文本分类算法研究

本文在分析文本分类算法的一般模型和现有技术后,针对传统神经网络算法存在的问题,提出了一种引入Kmeans算法用于训练RBF神经网络的径向基函数中心,改善误差反向传播（BP）神经网络分类算法收敛速度较慢的缺点。实验结果表明,改进后的RBF网络与BP网络、RBF网络相比,在取得较好分类精度和召回率情况下,具有较高的运算速度和较强的非线性映射能力。     

基于DFNN的金融股指预测及金融非线性系统辨识研究

针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络（DFNN）进行金融股指预测。DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率（ERR）修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力。本文以上证指数为例．通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析．表明DFNN预测上证指数的偏差较小,预测的方向准确性较高。通过DFNN模型提取的模糊规则对金融系统运行模式进行分析．为研究金融非线性系统辨识提供了启发性思路。     

基于BP神经网络的税收收入预测模型

税收收入预测的解析模型难以精确建立,基于多层前传神经网络,采用BP算法训练建立了税收预测模型,该模型具有收敛精度高、收敛速度快、泛化性能好的优点。研究表明,采用神经网络结构及其学习技术建立高精度非线性税收预测模型切实可行,具有推广应用价值。     

第三方物流模式下企业电子商务物流集成风险评价

在综合分析第三方物流模式下电子商务企业的电子商务物流集成风险因素后,结合风险理论的相关知识,构建对应的风险评价指标体系。将模糊逻辑与神经网络相结合,建立起基于模糊神经网络的风险评价模型,同时对网络的训练算法加以改进,有效提高了网络的学习效率。该模型具有很强的学习能力,实用性强,可以更好保证评价结果的客观、准确。     

基于一种改进BP神经网络算法的教学质量评价研究

在教学管理问题的研究中,针对教学质量评价的非线性特征以及教学质量评估体系中存在的诸多非定量的因素,建立教学质量评价的BP神经网络模型。评价模型对已有评价体系中的主观性因素进行量化,并利用神经网络的自学习,自适应及非线性逼近能力进行量化评价的计算。对模型中用到的BP算法和代数算法分别进行了理论上的分析和训练结果的对比,为教学质量评价模型提供了可行的解决方案。     

基于BP神经网络的危化品运输企业安全评价模型及应用

针对全方位的危化品运输企业安全要素建立了基于BP神经网络的评价模型,采用基于最速下降法的权值学习算法进行权值修正,使得评价方法具有快速、准确的特点.用样本数据训练了神经网络评价模型,测试结果显示评价模型自我调节能力强,精度较高,适合受随机评价因素影响较重的危化企业安伞评价应用.     

用局部和半局部转移函数实现RBF型神经网络的逼近和分类

增量神经网络(IncNet)的结构是由增长和剪枝控制,并且与训练数据的复杂性相匹配。用扩展卡尔曼滤波算法作为其学习算法。双径向转移函数比其它常用于人工神经网络的转移函数更具有灵活性。最新的改进是在多维空间中(具有N-1个参数)增加转移函数的旋转常数值。通过对逼近基准和心理分类问题的结果分析,清楚地表明比其他分类网络模型具有更强的泛化性。     

基于神经网络的综合方法的研究

对神经网络与其它智能控制技术相结合进行了综述,主要有神经网络与模糊逻辑技术、小波分析、可拓理论、遗传算法和混沌等技术相互结合从而形成新型神经网络。进而概述了小波网络、模糊网络、模糊小波神经网络、遗传神经网络、混沌神经网络和开拓神经网络等模型的研究现状,并展望了今后的发展趋势。     

基于粒子群算法的模糊插值建模方法研究

由于传统模糊建模方法中模型参数都是人们根据经验选取的,它对于不同系统的动态跟踪能力不同,泛化能力差。针对常规模糊推理的局限性,本文提出一种基于参数的模糊插值建模方法。设计了模糊糊理系统的模型和参数调整方案,利用粒子群算法优化模型中的参数,仿真结果表明该方法的有效性。     

A Unifying Framework and Comparison of Algorithms for Non-negative Matrix Factorisation

Non-negative matrix factorisation (NMF) is an increasingly popular unsupervised learning method. However, parameter estimation in the NMF model is a difficult high-dimensional optimisation problem. We consider algorithms of the alternating least squares type. Solutions to the least squares problem fall in two categories. The first category is iterative algorithms, which include algorithms such as the majorise–minimise (MM) algorithm, coordinate descent, gradient descent and the Févotte-Cemgil expectation–maximisation (FC-EM) algorithm. We introduce a new family of iterative updates based on a generalisation of the FC-EM algorithm. The coordinate descent, gradient descent and FC-EM algorithms are special cases of this new EM family of iterative procedures. Curiously, we show that the MM algorithm is never a member of our general EM algorithm. The second category is based on cone projection. We describe and prove a cone projection algorithm tailored to the non-negative least square problem. We compare the algorithms on a test case and on the problem of identifying mutational signatures in human cancer. We generally find that cone projection is an attractive choice. Furthermore, in the cancer application, we find that a mix-and-match strategy performs better than running each algorithm in isolation.     

基于模糊神经网络模型的企业设施布置评价方法

提出了一种基于模糊神经网络的企业设施布置的评价方法,通过结合模糊逻辑推理以及神经网络自学习能力的优势,克服了由专家确定变量参数的缺点,达到了对企业设施布置更客观、更科学的评价。     

基于炼油过程的克服纯滞后的广义预测控制

针对炼油工业过程中存在的纯滞后问题,提出一种克服纯滞后的广义预测控制方法。由神经网络辨识出非线性系统的纯滞后时间参数,在每个控制周期内,递推预测非线性滞后系统在未来时刻的工作点,在工作点附近对非线性系统进行线性化,根据得出的线性化模型进行广义预测控制,预测出未来对应时刻的系统输出,从而达到预期的控制目的,仿真结果表明,此方法能快速有效地跟踪系统给定值,控制效果良好。     

一种基于主动视觉的非线性摄像机自标定

针对计算机视觉摄像机镜头畸变对精度的影响问题,提出了一种非线性摄像机标定方法。该方法是将非线性模型视为线性模型和畸变项的叠加,然后在主动视觉下利用线性模型下的正交运动的FOE(当物体或摄像机做纯平移运动时图像对应点连线的交点)点的关系,给出非线性模型参数的约束方程,从而实现非线性模型的摄像机自标定。模拟和真实图像实验均表明,该方法是有效的,具有一定的实用价值。     

DE优化模糊神经网络算法在无刷直流电机控制系统中的应用

DE优化模糊神经网络算法是一种利用模糊神经网络控制器进行计算的方式,该算法避免了以往DE模糊神经网络连接权值和阈值选择上的随机性缺陷,从而能发挥DE模糊神经网络泛化的映射能力。本文就DE优化模糊神经系统在无刷直流电机控制系统中的应用,进行了系统的研究和探讨。     

An integrated fuzzy mathematical model and principal component analysis algorithm for forecasting uncertain trends of electricity consumption

This paper introduces an integrated algorithm for forecasting electricity consumption (EL) based on fuzzy regression, time series and principal component analysis (PCA) in uncertain markets such as Iran. The algorithm is examined by mean absolute percentage error, analysis of variance (ANOVA) and Duncan Multiple Range Test. PCA is used to identify the input variables for the fuzzy regression and time series models. Monthly EL in Iran is used to show the superiority of the algorithm. Moreover, it is shown that the selected fuzzy regression model has better estimated values for total EL than time series. The algorithm provides as good results as intelligent methods. However, it is shown that the algorithm does not require utilization of preprocessing methods but genetic algorithm, artificial neural network and fuzzy inference system require preprocessing which could be a cumbersome task to deal with ambiguous data. The unique features of the proposed algorithm are three fold. First, two type of fuzzy regressions with and without preprocessed data are prescribed by the algorithm in order to minimize the bias. Second, it uses PCA approach instead of trial and error method for selecting the most important input variables. Third, ANOVA is used to statistically compare fuzzy regression and time series with actual data.     

试析优化智能控制器在BLDCM控制系统中的研究现状

随着人工智能技术的不断发展,专家系统、模糊理论、人工神经元网络等智能控制的最新成果开始进入电机控制领域,给进一步提高无刷直流电机的控制性能提供了一条全新的途径。本文结合国内外无刷直流电机控制系统的研究现状,将现代计算机应用中最前沿的最优化与智能控制与传统的PID控制器结合在一起进行研究,针对有非线性复杂特性的控制对象或控制过程,传统控制理论中的PID控制器的难以实现满意的效果。研究利用最优化算法优化智能PID控制如:(fuzzy-PID、BP-PID、自适应PID控制、专家PID、基于遗传算法整定的PID控制器),完善智能控制方法在BLDCM控制系统中的应用。     

A method towards Web service combination for cross-organisational business process using QoS and cluster

How to quickly combine various Web services to support cross-organisational business processes is the key technical problem in service computing. Because of the changeability of QoS of Web services, the traditional methods are unadaptable to the new environments. In this paper, a new service composition method, called Improved Self-organising neural network Method for Web Service Composition, is proposed to achieve QoS-aware Web service combination, according to using the clustering technology. First, fuzzy mathematics is used to express each QoS attribute and the improved self-organising neural network is used to cluster services to reduce the number of candidate services. Secondly, all the centre of each cluster is selected and formed a composite service by using an exhaustive algorithm. Thirdly, the service cluster that is represented by the concrete services. Finally, the optimal service combination can be selected using integer programming or genetic algorithm. The experimental result shows the efficiency of Web service composition and demonstrates the applicability.