模糊神经网络推理论文_魏劲如

模糊神经网络推理论文_魏劲如

导读:本文包含了模糊神经网络推理论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:神经网络,模糊,自适应,齿轮箱,系统,卡尔,通流。

模糊神经网络推理论文文献综述

魏劲如[1](2019)在《基于神经网络和模糊推理的VGI数据质量评价研究》一文中研究指出随着数据科学和计算机技术的不断发展,传统的数据传播模式在互联网大数据的驱动下产生了根本性的变革。自发地理信息(Volunteered Geographic Information,VGI)作为Web 2.0时代下的新型地理信息,通过众包的方式令每一个数据使用者作为地理信息贡献者参与其中。VGI复杂的数据来源和不确定的传播途径往往会对其数据质量产生较大的影响。因此,采用合理的数学方法对数据质量进行刻画与评价可以为数据使用者提供重要的理论依据和有益参考。本文对VGI数据特性进行分析,提出评价此类数据质量的一般理论框架,进而在此基础之上,采用神经网络和模糊推理等方法针对地理特征数据的位置准确度和语义信任度进行计算,最终构建刻画数据质量的可信度指标,并在香港九龙地区的实际数据上进行应用和检验。本文主要工作如下:(1)研究VGI的数据特征。通过对VGI数据内涵的分析研究,将数据抽象为位置信息和语义信息两个维度,并提出了可同时刻画精确信息与不精确信息并将之融合为单一度量的一般质量评价框架;(2)根据VGI的特点并借鉴GIS测量误差处理的方法,提出VGI数据位置准确度的概率化评价方法对其位置维度信息进行刻画;(3)从理论上改进和修正现有VGI数据信任度模型,并结合其数据特点提出采用神经网络方法计算数据语义信任度,以刻画其语义维度信息;(4)融合地理数据的位置准确度和语义信任度,构造基于模糊推理系统的数据可信度指标用以量化数据质量。并提出相应的隶属函数构造方法与模糊规则的制定方法,对实际数据质量进行综合评价。(本文来源于《长安大学》期刊2019-05-05)

张爽[2](2019)在《基于神经网络和模糊综合推理的峰谷负荷预测》一文中研究指出电力负荷的日峰、日谷分别对应一天中电力负荷的最高与最低水平,研究其预测问题对于电力系统消峰填谷和降险增效的结构优化具有重要意义。本文研究电力系统日峰、谷负荷的预测问题,给出一种基于SOM神经网络聚类和模糊综合推理的预测方法,并通过对DOM公司供电地区的日峰、谷负荷预测实例分析验证了方法的有效性。首先,通过对日峰、谷负荷特性进行挖掘分析发现日峰、谷负荷均具有明显的季节性特点及年拟周期性变化趋势。然后,通过统计分析,选择日最高温度、日平均温度、日最低温度、露点、日峰(谷)负荷出现时刻、日峰(谷)负荷等负荷相关因素作为预测输入变量,并借助DB指数评判聚类的有效性,利用SOM神经网络对近叁年的历史日进行聚类分析。其次,利用模糊贴近度衡量待预测日的输入向量与相似历史日的输入向量的模糊相似程度;随后,利用归一化的信息增益设计输入变量的权重,进而计算历史日输入与待预测日输入之间的模糊综合相似度;另外,利用相似度阈值筛选相似历史日,并利用模糊推理方法综合各相似历史日的峰(谷)负荷,确定日峰(谷)负荷的模糊预测值。最后,利用重心解模糊化方法得到待预测日峰(谷)负荷的确切预测值。为了评判本文基于SOM神经网络聚类和模糊推理的预测模型的有效性,选择平均相对百分比误差及后验差比值作为评价指标,对其预测结果进行评估分析。结果表明,新模型可以达到较好的预测效果。与经典的Mamdani模糊推理方法相比,基于本文模型的日峰、谷负荷预测的平均相对百分比误差分别降低了 6.67%、7.93%。(本文来源于《华北电力大学(北京)》期刊2019-03-01)

赵一丹,肖秦琨,高嵩[3](2018)在《基于模糊神经网络和图模型推理的动作识别》一文中研究指出提出了一种基于模糊神经网络和图模型推理的人体动作识别方法。该方法将模糊神经网络和概率图模型推理有效地结合起来,目的在于能够更加准确、容易地对复杂视频动作序列进行识别,获得较高的动作识别精度。该方法由系统学习阶段和动作识别阶段两部分组成。首先,在系统学习阶段,构建了一个动态语义识别的层次图模型结构:第一级是基于模糊神经网络的关键帧动作识别图模型,用于关键帧的动作识别;第二级是关键帧序列分类模型,用于关键帧序列的语义识别。其次,在动作识别阶段,使用模糊神经网络和图模型推理算法进行动作识别,从而得到识别结果。最后,通过对实验结果的分析比较可以看出,相比现有的人体动作识别方法,该方法具有更好的识别性能,识别结果精度更佳。(本文来源于《计算机技术与发展》期刊2018年08期)

刘凌云,许少华[4](2017)在《基于模糊推理过程神经网络的沉积微相判别》一文中研究指出迄今,现有的油田进行沉积微相模式识别时大多选取测井曲线的静态定量数据,其难以反映测井相的深度累积效应对沉积微相模式识别的影响。针对上述不足,选取测井曲线中可处理的定量与定性混合过程信息,构建并提出了模糊推理和过程神经网络相结合的判别模型,以实现沉积微相的判别。该模型基于模糊集理论对测井相的定性信息进行定量处理,以简化判别规则,并提取有效的判别数据,从而提高沉积微相判别的精度;根据测井相数据随深度变化的特征曲线,采用过程神经网络的过程式输入优势,通过不断优化过程神经网络的学习机制来提高沉积微相判别的准确度。实验结果表明,基于模糊推理过程神经网络模型的沉积微相模式识别方法精度高、速度快,是一种比较实用的沉积微相识别方法。(本文来源于《计算机技术与发展》期刊2017年09期)

盛维涛,张文君,袁宇鹏,苏航[5](2015)在《基于自适应神经网络模糊推理系统的心电信号检测》一文中研究指出心电信号是心血管疾病的重要诊断依据,探索新方法来处理心电信号对于医学诊疗具有重要的理论意义与实用价值。阐述了一种包含输入节点层、规则节点层、平均节点层、结论节点层和输出节点层的五层结构网络的自适应神经网络模糊推理系统(Adaptive neuro-fuzzy inference system,ANFIS),并提出了基于Sugeno模糊理论、最小二乘法和梯度下降法的混合自适应学习算法来训练ANFIS中的神经网络的参数,来提高ANFIS系统的收敛性能。为验证ANFIS系统在心电信号检测中的有效性,通过原始心电信号的实测数据中的第一路腹壁混合信号(CECG)和最后一路母体心电信号(MECG)进行了ANFIS的网络训练,基于训练结果对于腹壁混合信号进行了实验预测分析,实验结果表明自适应神经网络模糊推理系统在心电信号的分析与预测中十分有效。(本文来源于《重庆师范大学学报(自然科学版)》期刊2015年06期)

刘真,李文竹,刘心[6](2015)在《基于小波-粒子群优化-自适应神经网络模糊推理系统的需水预测》一文中研究指出针对需水预测误差高的问题,以北京市需水预测为例,提出了一种基于小波(wavelet)-粒子群优化(PSO)-自适应神经网络模糊推理系统(ANFIS)模型的需水预测方法。该方法首先是通过小波分析对需水序列进行分解,然后利用PSO优化ANFIS的网络参数,最后将预测的序列重构为原来序列的预测值。仿真结果表明,该方法在不牺牲计算复杂度的基础上提高了预测精度。(本文来源于《水科学前沿与中国水问题对策——第十叁届中国水论坛论文集》期刊2015-08-21)

金杉,金志刚[7](2015)在《基于自适应模糊广义回归神经网络的区域火灾数据推理预测》一文中研究指出针对基于反向传播(BP)神经网络和经典概率论及其衍生算法进行火灾损失预测时,存在系统结构复杂、依赖不稳定的探测数据、易陷入局部极小值等缺点,提出一种基于自适应模糊广义回归神经网络(GRNN)的区域火灾数据推理预测算法。在网络输入层使用改进模糊C-聚类算法,对初始数据进行权重修正,减少了噪声和孤立点对算法造成的影响,提高了预测值的逼近精度;引入自适应函数优化GRNN算法,调整迭代收敛的扩展速度、变化步长,找到全局最优解,改善了过早收敛问题,提高了搜索效率。实验结果表明,该算法代入已确定火灾损失数据,解决了依赖不稳定探测数据问题,并且具有良好的泛化能力、非线性逼近能力。(本文来源于《计算机应用》期刊2015年05期)

熊伟晴,燕晓波,姜守旭,李治军[8](2015)在《基于BP神经网络和模糊推理系统的短时交通流预测》一文中研究指出本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。(本文来源于《智能计算机与应用》期刊2015年02期)

张海霞,徐娟[9](2015)在《基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法》一文中研究指出研究利用从机械控制过程中获得的运行参数开发一种齿轮箱监测方法,而非振动与声音的传统测量方法。为了检测齿轮箱状态,采用一种自适应模糊神经推理系统来获取电机电流和控制参数之间的非线性相关性。比较自适应模糊神经推理系统模型产生的预测值和实测值来预测齿轮箱异常状态。试验结果表明,自适应模糊神经推理系统模型能够作为齿轮箱状态监测与故障检测的一种有效工具。(本文来源于《机械与电子》期刊2015年02期)

郑健[10](2014)在《基于BP神经网络及模糊推理的温度预警模型研究》一文中研究指出主要研究建立疫苗冷链物流运输过程中的温度监控预警模型,通过优化的BP神经网络算法进行温度的预测,并采用模糊推理进行有效的决策预警,旨在把冷链物流运输中可能产生的损失降到最低;仿真测试阶段通过建构一个隐藏层神经元为13个的优化BP神经网络,在Matlab中进行有效性仿真,训练回归统计R值接近于1,且得出期望输出与实际值相差无几;模糊推理系统采用trapmf隶属函数,通过仿真的规则曲面表明该规则对输入有良好的判断。(本文来源于《计算机测量与控制》期刊2014年08期)

模糊神经网络推理论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

电力负荷的日峰、日谷分别对应一天中电力负荷的最高与最低水平,研究其预测问题对于电力系统消峰填谷和降险增效的结构优化具有重要意义。本文研究电力系统日峰、谷负荷的预测问题,给出一种基于SOM神经网络聚类和模糊综合推理的预测方法,并通过对DOM公司供电地区的日峰、谷负荷预测实例分析验证了方法的有效性。首先,通过对日峰、谷负荷特性进行挖掘分析发现日峰、谷负荷均具有明显的季节性特点及年拟周期性变化趋势。然后,通过统计分析,选择日最高温度、日平均温度、日最低温度、露点、日峰(谷)负荷出现时刻、日峰(谷)负荷等负荷相关因素作为预测输入变量,并借助DB指数评判聚类的有效性,利用SOM神经网络对近叁年的历史日进行聚类分析。其次,利用模糊贴近度衡量待预测日的输入向量与相似历史日的输入向量的模糊相似程度;随后,利用归一化的信息增益设计输入变量的权重,进而计算历史日输入与待预测日输入之间的模糊综合相似度;另外,利用相似度阈值筛选相似历史日,并利用模糊推理方法综合各相似历史日的峰(谷)负荷,确定日峰(谷)负荷的模糊预测值。最后,利用重心解模糊化方法得到待预测日峰(谷)负荷的确切预测值。为了评判本文基于SOM神经网络聚类和模糊推理的预测模型的有效性,选择平均相对百分比误差及后验差比值作为评价指标,对其预测结果进行评估分析。结果表明,新模型可以达到较好的预测效果。与经典的Mamdani模糊推理方法相比,基于本文模型的日峰、谷负荷预测的平均相对百分比误差分别降低了 6.67%、7.93%。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

模糊神经网络推理论文参考文献

[1].魏劲如.基于神经网络和模糊推理的VGI数据质量评价研究[D].长安大学.2019

[2].张爽.基于神经网络和模糊综合推理的峰谷负荷预测[D].华北电力大学(北京).2019

[3].赵一丹,肖秦琨,高嵩.基于模糊神经网络和图模型推理的动作识别[J].计算机技术与发展.2018

[4].刘凌云,许少华.基于模糊推理过程神经网络的沉积微相判别[J].计算机技术与发展.2017

[5].盛维涛,张文君,袁宇鹏,苏航.基于自适应神经网络模糊推理系统的心电信号检测[J].重庆师范大学学报(自然科学版).2015

[6].刘真,李文竹,刘心.基于小波-粒子群优化-自适应神经网络模糊推理系统的需水预测[C].水科学前沿与中国水问题对策——第十叁届中国水论坛论文集.2015

[7].金杉,金志刚.基于自适应模糊广义回归神经网络的区域火灾数据推理预测[J].计算机应用.2015

[8].熊伟晴,燕晓波,姜守旭,李治军.基于BP神经网络和模糊推理系统的短时交通流预测[J].智能计算机与应用.2015

[9].张海霞,徐娟.基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法[J].机械与电子.2015

[10].郑健.基于BP神经网络及模糊推理的温度预警模型研究[J].计算机测量与控制.2014

论文知识图

Notice: Undefined index: items in F:\Web\www\cnki.demo.com\app\cnki\tpl\search.html on line 79Warning: Invalid argument supplied for foreach() in F:\Web\www\cnki.demo.com\app\cnki\tpl\search.html on line 79

标签:;  ;  ;  ;  ;  ;  ;  

模糊神经网络推理论文_魏劲如
下载Doc文档

猜你喜欢