联合模糊c-均值聚类模型

提出一种新的结合了模糊c-均值聚类（FCM）算法和可能性c-均值聚类（PCM）算法优点的联合模糊c-均值聚类（AFCM）算法。它克服了PCM对初始值敏感、易产生一致性聚类的缺点，是PCM的扩展算法。试验表明：AFCM能同时产生隶属度和典型值，从而更好地处理噪声，避免了一致性聚类，同时提高了聚类准确性。     

一种改进的模糊聚类算法在图像边缘检测中的应用

提出了一种改进的模糊聚类图像边缘快速检测算法,该算法在利用像素灰度值的同时还考虑了像素的空间信息,基于模糊集合理论将图像从灰度空间映射成一个模糊隶属度矩阵,然后将隶属度矩阵中的元素作为样本进行模糊聚类,从而提取出图像边缘。基于热力学原理选取隶属度函数,通过调节温度系数,实现图像边缘由粗到细的提取。实验证明,该方法在计算速度、滤除噪声、提取边缘等方面均优于C-均值聚类算法。     

基于聚类算法的模糊逻辑结构与系统性能分析

针对一类特殊的模糊逻辑系统，对模糊逻辑规则结构与系统性能之间的关系进行了深入细致的数学推导和分析，从而得出在采用聚类技术构造模糊逻辑结构中影响系统性能的主要因素。通过相关的论证与分析，为各种聚类算法在模糊逻辑结构辨识中的应用奠定了理论基础，避免了以往对模糊结构与性能之间表述的含糊性和不系统性，为模糊逻辑系统的合理设计及其应用提供了数学依据。     

基于灰色关联模糊聚类算法优化飞机排故方法

采用灰色关联与模糊聚类原理，建立一种灰色关联的模糊聚类算法，应用该算法可直接对飞机维修经验中的多种排故方法．依排除故障的可能性进行排序，并根据排序结果时排故方法进行相似聚类，从而将排故经验与多因素决策算法进行有效综合．较好地解决了民航飞机故障诊断专家系统中多种故障原因的优化选择问题，并可直接给出排故方法的选择指导，提高专家系统的指导水平和飞机排故效率。文中对算法原理进行了详细介绍，并给出算法实例。     

一种基于模糊聚类的组合BP神经网络数据挖掘方法

介绍了一种基于模糊聚类的组合BP神经网络的数据挖掘方法，并给出了该方法的模型和启发式BP改进算法Heuristicbp。且将其应用于数学函数值预测中，取得了学习时间短和预测精度高的效果，证明该方法是有效的，具有较高的实际应用性。     

基于模糊ISODATA*的关联规则聚类算法

在对模糊ISODATA算法分析的基础上,提出了一种适用于关联规则聚类ISODATA^*算法。本文首先分析了距离聚类的不足,然后结合关联规则的表示形式,提出了基于属性权重实现规则聚类的思想,并给出了相应的实现算法。最后采用国际上的UCI数据库进行了实验。实验表明该算法能有效地对关联规则进行聚类。     

基于时空模型的快速视频显著区域检测

传统的视频显著区域检测方法运算量大且难以处理包含复杂运动的视频,本文提出一种基于时空模型的快速显著区域检测方法.该方法用一种新的模糊聚类算法对特征点的运动轨迹进行无监督聚类,对不同运动类型进行分类.在复杂运动情况下,该算法通过计算优化的聚类中心的个数以获得运动类型数,再将异常数据剔除后,生成运动显著图.而在空间显著区检测方面,则利用反差模型以及Gabor滤波器获得图像的静态显著图.在此基础上,还提出一种基于运动优先思想的时空混合方法,将运动和空间显著图动态合成视觉显著图.实验证明,该方法能够有效地提取视频显著区域,与传统的方法相比该方法平均耗时更少且更方便.     

模糊聚类法在试验模态参数识别分析中的应用

为了搜索系统的真实极点,将模糊聚类理论引入试验模态参数分析.根据极点之间内在的亲疏关系,将其 合理地聚为若干类,搜索每一类的最佳极点,即系统的真实极点,在稳态图中自动完成真实极点的选择.该方法 能够避免人为因素造成的识别误差,提高识别结果的可信度.在正交多项式曲线拟合和多参考点最小二秉复频 域识别系统中引入该方法,实现了稳态图中极点的自动选择,提供了真实极点选择的一种新思路.通过仿真和实 验证明了模糊聚类法对极点选择的可行性和稳定性.     

基于非欧式距离的可能性C-均值聚类

改进型可能性C-均值聚类(Improved possib ilistic C-means,IPCM)是在综合了模糊C-均值聚类(Fuzzy C-means,FCM)和可能性C-均值聚类(Possib ilistic C-means,PCM)的基础上得到的。在IPCM的基础上,利用鲁棒统计观点和影响函数,引入一种新的距离度量以代替IPCM的目标函数中的欧式距离度量,提出了一种新的可能性C-均值聚类模型(A lternative improved possib ilistic C-means,A IPCM),并给出了该模型的具体实现算法。A IPCM具有良好的鲁棒性,更适合对含有噪声或野值的数据进行划分聚类。仿真实验表明,A IPCM能克服噪声敏感性问题,获得合适的聚类中心和高的聚类准确率。     

基于模糊聚类理论的海洋环境谱编制技术

通过卫星遥感数据的反演技术,获取了相应研究区域内的环境因素数值;综合考虑海洋环境对结构、装置或系统损伤程度的影响,确定了研究区域具体影响因素。通过实测数据与反演结果的对比,验证了反演技术的可信性和方法的可行性。以某海域两年时间的卫星遥感数据为基础,采用模糊聚类理论对反演数据结果进行分析,确定聚类数目的最优解,编制出该片海域的海洋环境谱。     

适用于全包线的航空发动机BP网络模型的动态辨识

为克服传统的发动机动态模糊辨识中存在的辨识精度低，辨识模型应用范围窄等不足，把对非线性系统具有高度逼近能力的神经网络应用于航空发动机动态特性的辨识，从而为发动机动态辨识开辟更为广阔的道路，采用均方差归一法的处理方法和BP算法的改进算法－输出端动量BP地，以某型发动机在飞行包线内某一飞行条件下的数据作为学习样本，辨识了发同的神经网络模型，在全包线范围内对该模型进行检验，结果表明，所得的发动机动态模型在全包线内都有很高的逼近精度，而且对噪声有很强的抑制能力。     

模糊逻辑的神经网络实现

研究了模糊控制中，模糊推理规则由多层神经网络实现问题。将模糊推理规则中的每一个规则的前件知识，直接嵌入神经网络的权中，然后利用神经网络的自学习功能；自动辨识控制规则，且对隶属函数进行微调整。其学习方法主要采用误差逆传播算法。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法，并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计，对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明，神经网络通过补偿由于模型不准确引起的逆误差，弥补了非线性动态逆要求精确数学模型的缺点，提高了整个控制系统的鲁棒性，而且可以大大简化动态逆控制律的设计。     

模糊控制和神经网络相融合的研究及其在家电产品中应用

综述了模糊控制和神经网络相融合的研究，列举了若干种由神经网络实现模糊规则和模糊控制器的方法．这些利用神经网络的模糊控制器，能自动地辨识控制规则和校正隶属函数．最后叙述了该方法在家电产品中的应用。     

飞行航迹动态逆跟踪控制的神经网络方法

针对用动态逆方法设计飞行控制系统在极慢模态设计中所遇到的完全非线性问题，以及飞行器在执行低空突防任务时所面临的程度无法精确控制的条件，提出了一种以前向神经网络为核心的解决方案。文中给出了神经网络的拓扑结构、样本采集方法以及动态逆控制器的构造方法，仿结果表明，该方案具有良好的指令跟踪能力。     

基于神经网络的飞机极限数据专家系统

利用神经网络专家系统的方法时飞机飞行参数的极限允许值进行计算，可以使推理过程变得简洁、清晰，避免了常规方法在软件实现上的诸多缺点。同时，本文采用一种模糊规则方法对神经网络专家系统的推理行为进行描述，使得神经网络专家系统能够回答有关why和how的询问。以最大允许马赫数的计算为例，本文设计了用于该参数推理的神经网络专家系统．并给出了简单算例。     

神经网络控制在综合火力／飞行系统中的应用

提出了两种基于模糊控制的神经网络控制器的设计方案，并将这两种控制器应用于综合火力／飞行系统的耦合控制。两种方法的主要差别在于获取样本的方式不同。方案１是通过对模糊控制方法得到的响应曲线采样获取样本，由Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法训练神经网络，得到一组固定权值。神经网络控制器采用这组权值以“联想记忆”的方式工作。方案２则从用模糊控制算法得到的控制查询表中获取样本。因为模糊控制查询表比较大，采样时依据该表构成的相平面图的特点，对采样点数进行了压缩，使所设计的神经网络的规模可以接受，其余的设计步骤与方案１基本相同。仿真结果表明，采用这两种神经网络控制器的控制系统都具有良好控制性能     

一种模糊Modular神经网络模型及其应用

将神经网络模糊系统与模糊C均值聚法相结合，对模糊Modular神经网络进行研究，提出了该模糊神经网络模型的多输出结构及其学习算法，据此开发了模糊神经网络诊断系统，并将其用于某电源分系统的诊断分析，运行的结果表明，该网络模型优于一般神经网络。     

基于径向基神经网络的有限元模型修正研究

设计参数型有限元模型修正属于结构动力学反问题，其理论基础是将结构的特征量视为设计参数的函数。然后依据特征量对设计参数的一阶导数信息进行迭代求解。本文提出了一种基于径向基神经网络的有限元模型修正方法，把模型修正归结为正问题进行研究。首先将特征量视为自变量．设计参数视为因变量，以径向基神经网络逼近两者之间的非线性映射关系，然后利用神经网络的泛化特性直接求解设计参数的目标值。不但无需迭代求解，而且避开了反问题所面临的复杂的非线性优化计算。GARTEUR飞机模型仿真研究的结果表明．修正后设计参数误差在2％以内，模态频率误差在1％以内。     

基于神经网络的非线性自适应输出反馈控制

针对能够采用仿射非线性表示的含有未建模动态的SISO非线性系统，讨论了一种基于神经网络的自适应控制方法，该方法对受控对象的已知部分，有用反馈线性化方法设计控制器，用神经网络在线补偿未建模动态及外部干扰等引起的误差，从而实现自适应控制。对具有未建模动态的双车倒立摆设计了输出反馈自适应控制系统，仿真表明该方法是有效的。