导读:本文包含了模糊混沌神经网络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,混沌,模糊,粒子,系统,算法,时间。
模糊混沌神经网络论文文献综述
李洪梅,高媛,陈向坚[1]（2019）在《基于二型模糊神经网络的不确定混沌系统鲁棒性自适应控制》一文中研究指出该文提出的鲁棒的自适应区间二型模糊神经网络控制(RAITIIFNNC)系统由一个区间二型模糊神经网络识别器与一个鲁棒性控制器组成。识别器完成了对场地不确定性的在线评估,鲁棒控制器用来减小逼近错误,两者结合可以获得更好地跟踪与同步混沌系统。所有的参数学习算法来源于Lyapunov稳定理论以保证网络汇聚的同时有稳定同步的表现。算例分析证明:新系统在同步两个Lorenz混沌系统时具有更好的效率。(本文来源于《南京理工大学学报》期刊2019年04期）
权鹏宇,车文刚,余任,周志元[2]（2018）在《基于混沌时间序列的模糊神经网络预测研究》一文中研究指出为研究混沌时间序列预测问题,提出了一种结合模糊神经网络的预测方法,对输入数据进行模糊规则提取,再经过优化得到最佳模糊规则库。通过神经网络的自适应学习能力调整隶属函数参数及网络权值等信息,对相关混沌时间序列进行预测。对Mackey-Glass系统及Lorenz系统进行仿真实验,结果证明了该系统的有效性。(本文来源于《软件导刊》期刊2018年02期）
沈细群,李安平[3]（2017）在《基于模糊神经网络的分数阶混沌系统的同步研究》一文中研究指出讨论一类不确定分数阶混沌系统的同步问题,基于连续频率分布等价模型、间接Lyapunov方法,利用模糊神经网络系统来近似未知函数,设计了一种鲁棒控制器,给出了混沌系统渐近同步的充分条件.仿真实例验证了方法的有效性.(本文来源于《湖南工程学院学报(自然科学版)》期刊2017年03期）
权鹏宇,车文刚,周志元,龙婧[4]（2017）在《基于具有加权模糊隶属函数的神经网络的混沌时间序列预测》一文中研究指出本文提出了以时间延迟坐标嵌入方法为基础的周期性波动预测模型。此模型使用一种叫作具有加权模糊隶属函数的神经网络的神经模糊网络(NEWFM)。在主要综合指标的预处理时间序列中使用了时间延迟坐标嵌入方法,并将此序列用作此神经模糊网络的输入数据来预测商业周期。以小波变换为基础使用其他方法进行了对比性研究,并对性能比较进行了主成分分析。使用线性回归分析来测试预测结果,以比较输入数据与目标类别,国内生产总值的近似值。另外两个模型忽略了基于混沌的模型捕捉非线性动态模型和系统中的相互作用。检验结果表明基于混沌的方法能够有效地增强预测能力,因此表明此方法比其他方法具有更优越的性能。(本文来源于《软件》期刊2017年05期）
杨达飞,黄力[5]（2016）在《混沌模糊神经网络算法在注塑机温度实时控制中的应用》一文中研究指出利用混沌映射改进模糊神经网络各层参数,通过改进的模糊神经网络算法优化注塑机温控系统的PID(Proportion Integration Differentiation)比例积分微分反馈参数,混沌算法解决注塑机由于工艺型号等的不同而产生的控制差异性,模糊神经网络算法解决传统PID控制的不足之处。搭建了MATLAB矩阵实验室(Matrix Laboratory)仿真平台,通过对比实验验证了算法的优越性,减小了系统的超调量和控制时间,使注塑机的控制效果明显得到改善。(本文来源于《塑料工业》期刊2016年04期）
张楠,南敬昌,高明明[6]（2017）在《基于分组混沌PSO算法的模糊神经网络建模研究》一文中研究指出为改善记忆功放建模的精度,且针对粒子群算法早期收敛速度较快,但在后期易陷入早熟收敛,局部最优等特点,提出了一种分组并行混沌粒子群优化算法(Grouping Parallel-Chaotic Particle Swarm Optimization,GPCPSO),将分组粒子群优化算法与混沌思想相结合,并用该算法优化动态模糊神经网络(Dynamic Fuzzy Neural Network,DFNN)参数,建立DFNN功放模型。引入分组的CPSO群算法,将种群划分为若干个组,每组单独计算,大大提高了收敛速度,同时将混沌思想运用到每个粒子当中去,避免早熟和局部最优,缩短了迭代时间。通过仿真结果可以看到,GP-CPSO优化后的动态模糊神经网络建模的训练误差减小到0.1以内,收敛速度提高32.5%,从而验证了这种建模方法有效且可靠。(本文来源于《计算机工程与应用》期刊2017年09期）
刘乐沁,邵奇,武燕[7]（2015）在《模糊聚类和混沌自适应粒子群的神经网络色彩匹配》一文中研究指出目的研究基于混沌理论、粒子群算法、模糊聚类和人工神经网络的色彩匹配模型。方法结合混沌理论和动态自适应策略,对粒子群算法进行改进,得到混沌自适应粒子群算法,并应用于径向基人工神经网络的基函数中心,以及扩展常数和网络权值的优化中;通过模糊聚类分类样本数据,得到混沌自适应粒子群径向基人工神经网络色彩匹配模型,并将模型与其他色彩匹配方法进行比较。结果CSAPSO RBF ANN色彩匹配模型的平均绝对误差、均方根误差和色差平均值分别为0.0106,0.000 96和1.9122。结论 CSAPSO RBF ANN色彩匹配模型具有良好的普遍性、通用性和泛化能力。(本文来源于《包装工程》期刊2015年09期）
匡芳君,张思扬,徐蔚鸿[8]（2015）在《改进混沌粒子群的动态模糊神经网络参数优化及应用》一文中研究指出动态模糊神经网络(DFNN)的性能和学习的稳定性取决于其预设参数的选择,针对DFNN多参数优化问题,提出了改进混沌粒子群优化算法,并将其应用于DFNN神经网络预设参数寻优,以获取最佳参数组合.实验结果表明,该方法能够快速有效地提取DFNN的最优参数组合,具有精度高、收敛快、迭代次数少等特点;利用改进混沌粒子群的动态模糊神经网络构建煤与瓦斯突出预测模型,具有良好的建模效果和更高的预测精度.(本文来源于《微电子学与计算机》期刊2015年01期）
杨文光,刘恒[9]（2014）在《不确定混沌系统的模糊神经网络插值补偿控制》一文中研究指出对不确定混沌系统的控制问题,研究了基于权值直接确定模糊神经网络(WDDFNN)的插值补偿控制方法。建立了基于数据驱动的WDDFNN,并使用WDDFNN实现对混沌系统的辨识,然后使用WDDFNN模型对混沌系统进行模糊插值补偿控制。基于Lyapunov稳定性理论,证明混沌系统在所提最优控制律作用下是渐进稳定的。仿真实验表明,该控制方法既可以实现快速跟踪任意参考信号,又可以有效抑制参数摄动、外部干扰,控制精度较高。(本文来源于《江南大学学报(自然科学版)》期刊2014年06期）
屈凡[10]（2012）在《基于混沌和模糊神经网络的城市短时交通流量预测》一文中研究指出本文主要研究了短时交通流量的预测方法，所用数据为杭州市市府岗路口的实时采集数据。首先说明了短时交通流量预测的重要意义，分析了短时交通流量的特点，以及目前存在的各种交通流量预测方法。本文首先介绍了AR、MA、ARMA模型，通过回归函数确定了AR、MA、ARMA模型阶数，并且通过仿真验证了AR、MA、ARMA模型预测的准确性。其次，介绍了时间序列的神经网络非线性模型，综合考虑交通流量在时间上的历史关联性和空间上的上游路段交通流量的影响，本文分别构建了预测模型和多点预测模型。在Matlab平台上分别对杭州市环城北路至莫干山路断面交通流量数据进行预测，用m语言编程仿真实现了基于BP、RBF、小波神经叁种人工神经网络的交通流量预测模型。最后，研究了基于混沌系统和模糊神经网络的交通流量预测方法，很多国内外研究结果表明，交通流具有混沌特性。计算交通流时间序列混沌特征参数，通过利亚普诺夫检验说明时间序列具有混沌特定，通过互信息法计算时间序列的滞后时间，通过假近邻法计算嵌入维数，并且把嵌入维数作为模糊神经网络的输入层节点数，建立ANFIS网络来对短时交通流量进行预测。由MATLAB仿真效果图和仿真性能指标可以看出，本文提出的基于混沌和模糊神经网络的城市短时交通流量预测方法预测精度很高，可以达到交通流实时控制与诱导的基本要求。(本文来源于《长安大学》期刊2012-05-21）
模糊混沌神经网络论文开题报告
（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：
为研究混沌时间序列预测问题,提出了一种结合模糊神经网络的预测方法,对输入数据进行模糊规则提取,再经过优化得到最佳模糊规则库。通过神经网络的自适应学习能力调整隶属函数参数及网络权值等信息,对相关混沌时间序列进行预测。对Mackey-Glass系统及Lorenz系统进行仿真实验,结果证明了该系统的有效性。
（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。
模糊混沌神经网络论文参考文献
[1].李洪梅,高媛,陈向坚.基于二型模糊神经网络的不确定混沌系统鲁棒性自适应控制[J].南京理工大学学报.2019
[2].权鹏宇,车文刚,余任,周志元.基于混沌时间序列的模糊神经网络预测研究[J].软件导刊.2018
[3].沈细群,李安平.基于模糊神经网络的分数阶混沌系统的同步研究[J].湖南工程学院学报(自然科学版).2017
[4].权鹏宇,车文刚,周志元,龙婧.基于具有加权模糊隶属函数的神经网络的混沌时间序列预测[J].软件.2017
[5].杨达飞,黄力.混沌模糊神经网络算法在注塑机温度实时控制中的应用[J].塑料工业.2016
[6].张楠,南敬昌,高明明.基于分组混沌PSO算法的模糊神经网络建模研究[J].计算机工程与应用.2017
[7].刘乐沁,邵奇,武燕.模糊聚类和混沌自适应粒子群的神经网络色彩匹配[J].包装工程.2015
[8].匡芳君,张思扬,徐蔚鸿.改进混沌粒子群的动态模糊神经网络参数优化及应用[J].微电子学与计算机.2015
[9].杨文光,刘恒.不确定混沌系统的模糊神经网络插值补偿控制[J].江南大学学报(自然科学版).2014
[10].屈凡.基于混沌和模糊神经网络的城市短时交通流量预测[D].长安大学.2012