精华内容
下载资源
问答
  • 模糊神经网络

    2021-09-09 21:20:54
    1.模糊系统与神经网络的区别与联系 (1)从知识的表达方式来看 模糊系统可以表达人的经验性知识,便于理解,而神经网络只能描述大量数据之间的复杂函数关系,难于理解 (2)从知识的存储方式来看 模糊系统将知识存在...

    参考:
    https://wenku.baidu.com/view/94f77a7384868762cbaed58f.html
    https://wenku.baidu.com/view/22590c72cc17552706220818.html

    1.模糊系统与神经网络的区别与联系
    在这里插入图片描述
    (1)从知识的表达方式来看
    模糊系统可以表达人的经验性知识,便于理解,而神经网络只能描述大量数据之间的复杂函数关系,难于理解
    (2)从知识的存储方式来看
    模糊系统将知识存在规则集中,神经网络将知识存在权系数中,都具有分布存储的特点。

    (3)从知识的运用方式来看
    模糊系统和神经网络都具有并行处理的特点,模糊系统同时激活的规则不多,计算量小,而神经网络涉及的神经元很多,计算量大。
    (4)从知识的获取方式来看
    模糊系统的规则靠专家提供或设计,难于自动获取。而神经网络的权系数可由输入输出样本中学习,无需人来设置。

    将两者结合起来,在处理大规模的模糊应用问题方面将表现出优良的效果。

    2.模糊神经网络( FNN )
    模糊神经网络将模糊系统和神经网络相结合,充分考虑了二者的互补性,集逻辑推理、语言计算、非线性动力学于一体,具有学习、联想、识别、自适应和模糊信息处理能力等功能。
    本质: 就是将常规的神经网络输入模糊输入信号和模糊权值。
    输入层: 模糊系统的输入信号
    输出层: 模糊系统的输出信号
    隐藏层: 隶属函数和模糊规则

    3.典型模糊神经网络的结构
    利用神经网络的学习方法,根据输入输出的学习样本自动设计和调整模糊系统的设计参数,实现模糊系统的自学习和自适应功能。结构上像神经网络,功能上是模糊系统,这是目前研究和应用最多的一类模糊神经网络。
    在这里插入图片描述
    第1层:输入层,为精确值。节点个数为输入变量的个数。
    第2层:输入变量的隶属函数层,实现输入变量的模糊化,x1有m个集合,x2有n个集合。
    第3层:也称“与”层,该层节点个数为模糊规则数。该层每个节点只与第二层中m个节点中的一个和n个节点中的一个相连,共有m×n个节点,也就是有m×n条规则。
    第4层:也称“或”层,节点数为输出变量模糊度划分的个数q。
    该层与第三层的连接为全互连,连接权值为wkj ,其中
    k=1.2…m×n
    j=1.2…q
    (权值代表了每条规则的置信度,训练中可调。)
    第5层:清晰化层,节点数为输出变量的个数。该层与第四层的连接为全互连,该层将第四层各个节点的输出转换为输出变量的精确值。

    第2层的隶属函数参数和3、4层间及4、5层间的连接权是可以调整的。

    学习算法是模糊神经网络优化权系数的关键。模糊神经网络的学习算法,大多来自神经网络,如BP算法、RBF算法等。

    展开全文
  • 本人是模糊神经网络初学者,最近在研究模糊神经网络的程序,需要应用到论文中,求大神们给个程序。另外下面是我从网上下载的程序代码,但是不知道这个利用K-means法得到的模糊规则个数是何意,求解,谢谢啦~ECHO ...

    本人是模糊神经网络初学者,最近在研究模糊神经网络的程序,需要应用到论文中,求大神们给个程序。另外下面是我从网上下载的程序代码,但是不知道这个利用K-means法得到的模糊规则个数是何意,求解,谢谢啦~

    ECHO 处于关闭状态。

    clc

    tic,

    %[x,y]=data;

    x=[1 1 1;

    1 2 3];

    y=[2 3 4]; %%%%%--数据显示,输入为-两输入,输出为-单输出。--------样本为p2组

    [p1,p2]=size(x);

    %- 一。首先要对样本进行聚类分析,以此来确定模糊规则个数。利用K-means法对样本聚类。

    %????此处的K- means 法待加

    %- 二。建立模糊推理系统

    % 隶属度函数个数--模糊规则个数

    k=5;

    % 初始化四个隶属度函数的参数A,B及输出层初始权值W

    for i=1:p1;

    for j=1:k;

    m(i,j)=1+0.6*rands(1);

    b(i,j)=1+0.6*rands(1);

    end

    end

    for j=1:k;

    w(j)=100+rand(1);

    end

    %%%---推理计算输出值

    for q=1:p2;

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%-----用同一隶属度参数对 输入样本 X 累计计算

    % 选用高斯函数作为隶属度,求隶属度,共 size(x,2)+k 个。x(1) K个,x(2) K个

    for i=1:p1;

    for j=1:k;

    u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);

    end

    end

    % 模糊推理计算:a21,a22.几个隶属度函数,得出几个值,本例中两个.

    %%%%----由以前的取小做法改为相乘—prod(x,1) or prod(x,2)———

    for i=1:k;

    v(i)=1;

    j=1;

    while j<=p1;

    v(i)=v(i)*u(j,i);

    j=j+1;

    end

    end

    % 归一化计算模糊推理的值;相当于已经除去了经典去模糊输出的分母值

    %for i=1:k;

    %a3(i)=a2(i)/sum(a2);

    %end

    % 系统输出

    out1(q)=w*v';

    e(q)=(y(q)-out1(q));

    end

    out=out1

    %- 三。参数修正过程。 增加方式,非批处理方式迭代

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

    %%%%%%%%%%%%-----------------------------误差反向传播过程--------------------------------------------

    % 取误差函数:E=(1/2)*sumsqr(t-y)

    E=(1/2)*sumsqr(y-out)

    EE=E;

    e

    % e=sum(y-out)

    lr=0.3; % c2=zeros(2,2);

    %%%%----------------------------------------误差反传后的参数修正过程-------------------

    r=1;

    p=1;

    s=1000;

    while p<=s & EE>1e-10

    %%%%%%%%%%%%%_____隶属度参数 M. B 输出层权值参数 W 的修正过程_____%%%%%%%%%%%%

    %%1.--W

    wc=zeros(1,k);

    for i=1:k;

    wc(i)=lr*e(r)*v(i);

    end

    %%2.--M

    mc=zeros(p1,k);

    for i=1:p1;

    for j=1:k;

    mc(i,j)=2*lr*e(r) * w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))* (x(i,r)-m(i,j))/(b(i,j).^2);

    end

    end

    %%3.--B

    bc=zeros(p1,k);

    for i=1:p1;

    for j=1:k;

    bc(i,j)=2*lr*e(r)* w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2)) * ((x(i,r)-m(i,j)).^2)/(b(i,j).^3);

    end

    end

    % 4.参数修正 m b w

    m=m+mc;

    b=b+bc;

    w=w+wc;

    %%%%%%%%%%%_______利用修正后的参数重新计算_____________%%%%%%%%%%%%%%%%%%%%%

    % 5.利用修正过的参数重新计算输出

    for q=1:p2;

    for i=1:p1;

    for j=1:k;

    u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);

    end

    end

    for i=1:k;

    v(i)=1;

    j=1;

    while j<=p1;

    v(i)=v(i)*u(j,i);

    j=j+1;

    end

    end

    out1(q)=w*v';

    end

    out=out1;

    p=p+1;

    EE=(1/2)*sumsqr(y-out);

    E(p)=EE;

    r=r+1;

    if r>p2

    r=1;

    end

    e(r)=(y(r)-out(r));

    end

    %%%%%%%%%%%%%%%%%%%________________当误差或迭代步数满足要求后得到结果_________________%%%%%%

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%

    m,b,w,E_out=EE,e

    epoch=1:size(E,2);

    figure

    plot(epoch,E,'-r');

    axis([0 1.5*s min(E) max(E)]);

    set(gca,'fontsize',8);

    set(gca,'xtick',0:s/10:1.5*s);

    %set(gca,'ytick',1e-30:1e5:1e5);

    %set(gcf,'color','b')

    title('误差变化曲线');xlabel('步数');ylabel('误差');

    toc

    展开全文
  • 本发明属于化工技术领域:,具体是一种基于模糊神经网络的化学分子生物毒性预测模型算法。背景技术::近些年来,化学物质合成技术飞快发展,合成物质已经应用于社会的各行各业,随着工业的高度发展,全球化学品的...

    1145762fdd9aa45c6058248cc2689ff4.gif

    本发明属于化工

    技术领域:

    ,具体是一种基于模糊神经网络的化学分子生物毒性预测模型算法。

    背景技术:

    :近些年来,化学物质合成技术飞快发展,合成物质已经应用于社会的各行各业,随着工业的高度发展,全球化学品的种类和年产量在急剧增长,化学污染物在品种和数量上日益增多,化学物质的污染处理早已受到了世界重点关注,其中研究如何减小化学物质的毒性已经成为了当今社会急需解决的问题。因此,在研究化学物质合成过程中运行控制技术,在保证精确控制的前提下,实现化学物质排放时毒性达标,减小环境污染,是未来环保型化学物质研究的必然趋势。目前,针对化学物质生物毒性控制通常前段检测控制和后端排放处理。前端检测控制常采用的方法就是通过利用各种仪器对已合成的化学物质毒性检测,超过指标则重新合成或者禁止使用,这种方法容易造成大量经济损失,并且合成过程比较复杂麻烦;而后端排放处理通常是物质排放后对其造成的污染进行处理,这种手段容易造成环境污染和加大处理经济成本。姚碧云等人在论文《QSAR方法在毒性预测中的应用和进展》中给出了一种基于QSAR的毒性预测方法,但其给出的是一种思路,未给出任何实质性的步骤和研究数据,无法得到其方案可行的结论,专利号为CN201510347479.0、CN201310705921.3等文献也给出了类似的方案,但其计算预测精度较小,误差较大。针对这一种情况,本文中给出了一种基于自适应模糊神经网络预测模型进行预测控制算法,利用模糊神经网络预测模型对建立的疏水性与生物毒性QSAR模型关系加以精确计算,比原来的预测手段提高了精确度,减小了预测误差,实现了对化学物质生物毒性的提前预测,降低了化学合成的成本和减小了环境污染。技术实现要素:针对上述问题,本发明设计了一种基于自适应模糊神经网络的生物毒性预测模型算法,通过构建自适应模糊神经网络模型,利用模型预测控制的方法实现生物毒性的提前预测。本发明的技术方案如下:本发明获得了一种基于自适应模糊神经网络的化学分子生物毒性预测模型算法,该方法是基于自适应模糊神经网络,构建了化学分子生物毒性预测模型,通过改变神经网络参数,达到预测化学分子生物毒性的目的;提高了化学分子的预测精度,减小了预测误差。本发明采用了如下的技术方案和步骤:1、建立生物毒性与辛醇/水分配系数的QSAR模型关系。具体是指,建立用于化学分子合成过程中生物毒性(用LC50半数致死浓度)与辛醇/水分配系数的模型关系;其步骤为:利用回归分析法推导logKow和毒性EC50之间的数学表达式,建立方程:y=ax+b,其中y表示毒性效应浓度,即为LogLC50,单位为mmol/L,x是LogKow值;最终得到公式:Log(LC50)=aLog(Kow)+b(1)。式(1)中的a,b为线性回归系数,应用这些导出的线性方程后,用于计算未测试化学品的毒性值,mmol/L。2、根据步骤1的生物毒性与辛醇/水分配系数的QSAR模型关系,建立自适应模糊神经网络化学分子毒性预测模型,目的是使得计算的生物毒性值更加精确。这里我们选取了包含5层的NFN结构,包括输入层,可信度层,归一化层,解模糊层,输出层。下面是各层的计算函数:网络第一层为输入层,主要目的是将输入信号模糊化,得到信号隶属度。我们可以采用某种函数来实现,通常包括高斯函数,钟形函数、Sigmoid函数等,这里我们采用高斯函数来实现:式中,i取值1、2,c为函数的中心值,a为函数的中心宽度值。网络第二层是可信度层,目的是把模糊化的信号隶属度结果相乘,实际得到的是每条模糊推理规则的可信度。ω1=μ1μ3,ω2=μ1μ4,ω3=μ2μ3,ω4=μ2μ4(3)网络第三层为归一化层,目的是将可信度层的可信度进行归一化计算。网络第四层为解模糊层,目的是计算每条规则的输出,把输入信号x1,x2引入解模糊网络模型,通常包括一阶Sugeno模型或者二阶Sugeno模型,这里我们采用一阶Sugeno模型,其函数如下:式中,n取值1、2、3、4,P,Q,R为线性回归系数。网络第五层为输出层,是各条规则的累加,y=∑On。3、根据步骤2的自适应模糊神经网络化学分子毒性预测模型,建立优化NFN参数的遗传算法模型,具体是修正了模糊神经网络参数,使得计算值更加精确;建立符合度函数:F=1/(1+E)(6)E为与控制目标的误差,F(t)是模糊神经网络模型的输出;Fp是输出的控制目标。4、根据步骤2所述的一种基于模糊神经网络的化学分子生物毒性预测模型算法,其特征在于,完成上述步骤后,进行:步骤S4、利用优化后的模糊神经网络模型对新分子的生物毒性值进行计算预测,根据所计算的生物毒性值判断该分子是否符合要求。如《中国环境保护行业标准》的要求。本发明的有益效果是:1、本发明中研究了化学分子的疏水性(用辛醇/水分配系数来表示)与生物毒性的关系;2、本发明建立了化学分子的疏水性(用辛醇/水分配系数来表示)与生物毒性的QSAR模型关系,并利用线性回归法解出了具体的方程值;3、本发明中建立了自适应模糊神经网络的生物毒性预测模型算法,并通过优化参数后的新模型对生物毒性进行了计算和预测,比原来的生物毒性QSAR模型相比,具有精度高、误差小、高效稳定等特点。附图说明图1为本发明的流程结构图;图2为本发明的模糊神经网络拓扑结构;图3为本发明的不同结构化合物的生物毒性测量值与预测值;图4为本发明的不同结构化合物的生物毒性测量值与预测值的误差。具体实施方式下面结合附图和实施例对本发明进一步说明。在本次实例中,我们选取含氯乙烷的不同结构的化学分子,通过实验我们可以得出不同分子的疏水性,即logKow值,以及部分物质的毒性检测值,同时,采用以上方法我们可以对不同分子进行毒性预测,最终通过对比可以看出预测值与检测值的误差较小,如表1所示。这里以计算预测氯取代基的乙烷分子毒性为例。根据如图1所示,本发明的基于自适应模糊神经网络的化学分子生物毒性预测模型算法,主要步骤如下内容如下:1、建立用于化学分子合成过程中生物毒性(用LC50半数致死浓度)与辛醇/水分配系数(Kow)的QSAR模型关系,利用回归分析法推导logKow和毒性EC50之间的数学表达式,建立方程:y=ax+b,其中“y”表示毒性效应浓度(即,LogLC50,单位为mmol/L),“x”是LogKow值。将现有的部分常用的结构化合物的辛醇/水分配系数进行统计,并制作下表1,根据表1中的辛醇/水分配系数的数据,采用线性回归法中的最小二乘法对一元方程“y=ax+b”进行推导,可以计算得出回归系数的值a为-0.746,b为0.89。则最终可写为:Log(LC50)=-0.746Log(Kow)+0.89(8)计算含氯乙烷的不同结构的化学分子的LogLC50值,如表1所示。表1不同结构化合物辛醇-水分配系数LC50测量值QSAR预测值氯乙烷1.544070.27251-0.261871,1-二氯乙烷1.790290.06416-0.445551,2-二氯乙烷1.480010.32672-0.214091,1,1-三氯乙烷2.49969-0.53614-0.974771,1,2-三氯乙烷2.46982-0.51086-0.952491,1,1,2-四氯乙烷2.38917-0.44261-0.89232五氯乙烷2.88986-0.86630-1.26584六氯乙烷4.59988-2.31332-2.541512、根据步骤1建立自适应模糊神经网络化学分子毒性预测模型,建立了基于Sugeno模型,这里我们选取了包含5层的NFN结构,包括输入层,可信度层,归一化层,解模糊层,输出层。如图2所示,下面是各层的计算函数:网络第一层为输入层,主要目的是将输入信号模糊化,得到信号隶属度。我们可以采用某种函数来实现,通常包括高斯函数,钟形函数、Sigmoid函数等,这里我们采用高斯函数来实现:式中,i取值1、2,c为函数的中心值,a为函数的中心宽度值。对上式函两边求取Log函数,通过积分求得c=1.6,a=0.14。得到函数网络第二层是可信度层,目的是把模糊化的信号隶属度结果相乘,实际得到的是每条模糊推理规则的可信度。ω1=μ1μ3,ω2=μ1μ4,ω3=μ2μ3,ω4=μ2μ4(10)网络第三层为归一化层,目的是将可信度层的可信度进行归一化计算。网络第四层为解模糊层,目的是计算每条规则的输出,把输入信号x1,x2引入解模糊网络模型,通常包括一阶Sugeno模型或者二阶Sugeno模型,这里我们采用一阶Sugeno模型,其函数如下:式中,n取值1、2、3、4,P,Q,R为线性回归系数。网络第五层为输出层,是各条规则的累加,y=∑On。3、根据步骤2建立优化NFN参数的遗传算法模型,其特征在于修正了模糊神经网络参数,使得计算值更加精确。建立符合度函数:F=1/(1+E)(13)E为与控制目标的误差,F(t)是模糊神经网络模型的输出;Fp是输出的控制目标。4、根据步骤2所述的一种基于模糊神经网络的化学分子生物毒性预测模型算法,其特征在于,完成上述步骤后,进行:步骤S4、利用优化后的模糊神经网络模型对含氯取代基的乙烷的生物毒性值进行计算预测,代入步骤3中,最终计算出LC50。如表2所示。根据图3和图4所示可以发现,经过模糊神经网络模型计算测得的值比原有的函数值更加精确,误差值更小。表2以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。当前第1页1&nbsp2&nbsp3&nbsp

    展开全文
  • 【转】 模糊神经网络算法之MATLAB实现 2011-05-07 12:59 转载自 HYPERLINK "/share" \t "blank" 分享 最终编辑 HYPERLINK "/whutzxl" \t "blank" whutzxl function retstr = FnnTrain(dt,ld,tt,sp) retstr=-1;...

    word文档 可自由复制编辑

    用户名:?? 密码: HYPERLINK "/%B4%F0%B0%B8%B7%D6%CF%ED%BF%D5%BC%E4/blog/item/c47217d08fe66b23960a16e4.html" \l "#" 登录

    HYPERLINK "/reg/new" 注册

    HYPERLINK "/%B4%F0%B0%B8%B7%D6%CF%ED%BF%D5%BC%E4/home" \o "快来下啊的空间 /答案分享空间" 矿业人生~的空间

    HYPERLINK "/%B4%F0%B0%B8%B7%D6%CF%ED%BF%D5%BC%E4/home" 主页 HYPERLINK "/%B4%F0%B0%B8%B7%D6%CF%ED%BF%D5%BC%E4/blog" 博客 HYPERLINK "/%B4%F0%B0%B8%B7%D6%CF%ED%BF%D5%BC%E4/album" 相册| HYPERLINK "/%B4%F0%B0%B8%B7%D6%CF%ED%BF%D5%BC%E4/profile" 个人档案 | HYPERLINK "/%B4%F0%B0%B8%B7%D6%CF%ED%BF%D5%BC%E4/friends" 好友 | HYPERLINK "/i/sys/jump?un=快来下啊&fr=spacebar" \t "_blank" i贴吧

    ?

    查看文章

    ?

    【转】 模糊神经网络算法之MATLAB实现

    2011-05-07 12:59

    转载自 HYPERLINK "/share" \t "blank" 分享

    最终编辑 HYPERLINK "/whutzxl" \t "blank" whutzxl

    function retstr = FnnTrain(dt,ld,tt,sp) retstr=-1; %%%% 输入参数赋值开始 %%%%%%%%%%%%%%%%%%%%%%% % 方便调试程序用,程序调试时去掉这部分的注释 % dt=4;????? %学习阈值 % ld=0.05;??? %学习进度 % tt=10;????? %训练次数 % sp='data\sample.txt';??? %一个点的监测数据 %%%% 输入参数赋值结束 %%%%%%%%%%%%%%%%%%%%%%%% global recordDimention; global sampleNumber; global weightNumber; global distanceThread; global WW; global learningDegree; global epochsNumber; distanceThread=dt; learningDegree=ld; traintimes=tt; A=load(sp); ?? [Arow Acol]=size(A); %样本个数 sampleNumber=Arow; recordDimention=Acol; disp(sampleNumber); WW=A(1,:); WW=[WW [1]]; weightNumber=1; epochsNumber=1; ?? for jj=2:1:sampleNumber ????? TrainNN2(A(jj,:)); end for jt=1:traintimes-1 ????? for jt2=1:sampleNumber ????????? TrainNN2(A(jj,:)); ????? end end % 将训练结果写入权值文件 dlmwrite('data\w.dat',WW,'\t'); % % 训练子函数 % function TrainNN2(a) global recordDimention; global sampleNumber; global weightNumber; global distanceThread; global WW; global learningDegree; global epochsNumber; Ldistance=zeros(2,weightNumber); for j1=1:weightNumber ????? Ldistance(2,j1)=j1; end % %%%%%输入输出空间的模糊分割 for j2=1:weightNumber ????? Lx=0; ????? for j3=1:recordDimention ????????? Lx=Lx + (a(j3) - WW(j2,j3)) .* (a(j3) - WW(j

    展开全文
  • 1. MATLAB模糊神经网络GUI 打开方式: anfisedit 2. anfis命令训练:
  • 一、模糊神经网络 模糊神经网络原理详解 模糊控制的基本原理由如图表示,它的核心部分为模糊控制器,如图中虚线框中部分所示。模糊控制器的控制规律由计算机的程序实现“,其算法过程:微机经中断采样获取被控量的...
  • 前些天把玩了一下MATLAB中神经网络工具箱的使用,忽有“扪参历井仰胁息”之感。别的倒是没什么,只是神经网络的数据组织结构有些“怪异”,要是不小心就会导致工具箱报错。以下便是神经网络工具箱的正确打开姿势,谨...
  • %BP based PID Controlclear all;close all;xite=0.25;alfa=0.05;S=1; %Signal typeIN=4;H=5;Out=3;%NN Structureif S==1%Step Signalwi=[-0.6394 -0.2696 -0.3756 -0.7023;-0.8603 -0.2013 -0.5024 ...
  • 本发明涉及模糊神经网络BP训练过程中的步长优化方法,属于优化算法领域。背景技术:模糊神经网络是模糊系统同神经网络相结合的产物,作为模糊系统,能够很好地描述不确定信 息或定性的知识,能充分利用已有的知识来...
  • T-S模糊逻辑系统 Ø模糊逻辑系统按常见的形式可分为:纯模糊逻辑系统、Tkagi-sugneo(高木-关野)模糊逻辑系统、和广义模糊逻辑系统。 ØT-S模糊逻辑系统基本原理:
  • 模糊神经网络PID-Smith预估控制(图中简称FNN+Smith)和传统的PID控制方法进行比较。被控对象模型中、和=10,即Smith预估器模型与被控对象完全匹配时,仿真结果如图5.8所示。 图5.8 模型匹配时系统的阶跃响应...
  • 补充资料:基于模糊神经网络的模具产品报价系统一、报价系统概论产品报价是指被讯价方根据自身所处市场环境、生产、经营、管理现状等因素而针对讯价方所指定的产品及其特殊的功能需求所报出的价格。产品报价是一种...
  • 模糊神经网络算法之MATLAB实现.doc用户名 密码 提 交登录 注册 矿业人生的空间主页博客相册|个人档案 |好友 |i 贴吧 查看文章 【转】 模糊神经网络算法之 MATLAB 实现2011-05-07 1259转载自 分享最终编辑 ...
  • 模糊神经网络(四)

    2021-03-31 23:06:11
  • 利用模糊神经网络预测嘉陵江的水质。 背景分析:水质评价是根据水质评价标准和采样水样本各项指标值,通过一定的数学模型计算采样水样本的水质等级。水质评价的目的是能够判断采样水样本的污染等级,为污染防治和...
  • 模糊神经网络解耦MATLAB源程序,有详细的注释和剖析,运行结果等。模糊神经网络解耦MATLAB程序例用隶属函数型神经网与模糊控制融合的解耦程序具有耦合的两个相邻子系统的差分方程为matlab3.jpg (9.9 KB, 下载次数: ...
  • function [ c, sigma , W_output ] = SOFNN( X, d, Kd )%SOFNN Self-Organizing Fuzzy Neural Networks%Input Parameters% X(r,n) - rth traning data from nth observation% d(n) - the desired output of the netw...
  • 模糊神经网络解耦MATLAB源程序,有详细的注释和剖析,运行结果等。模糊神经网络解耦MATLAB程序例用隶属函数型神经网与模糊控制融合的解耦程序具有耦合的两个相邻子系统的差分方程为matlab3.jpg (9.9 KB, 下载次数: ...
  • % --- Executes on button press in pushbutton6.function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to pushbutton6 (see GCBO)% eventdatareserved - to be defined in a future v...
  • 简介模糊神经网络

    2021-04-19 19:58:55
    基于一阶倒立摆系统的模糊神经网络PID控制 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210419200309229.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9...
  • 前两天刚刚结束《智能控制系统》的考试,这门课的重点是模糊控制和神经网络,期间自己整理了一些习题,主要是填空题和简答题。模糊控制的大题是模糊控制器的设计,里面的题型不外乎这么几类: 模糊控制的特点: 1) ...
  • 为了验证模糊神经网络控制器性能的优劣,针对第三章神经网络辨识得到的退火炉炉温模型,在MATLAB语言环境下与PID控制器作如下两个方面的仿真比较研究:一是输入幅值为900ºC的阶跃信号,比较PID控制和模糊神经网络...
  • 神经网络其实就是一个特征提取网络,组陈该网络的数个神经元,其实就是对特征图像的。 神经元里包括感知器和sigmoid两种, 其中,感知器是一种理想而简单的神经元,
  • 自适应模糊神经控制系统及其MATLAB实现学兔兔第3期 (总第160期) 机 械 工程 与 自动 化 No.32010年6月 MECHANICAL ENGINEERING & AUT0MAT10N Jun.文章编号:1672—6413(2010)03—0162—03自适应模糊...
  • 常见神经网络结构拓扑图

    千次阅读 2021-03-19 11:38:18
    神经网络的结构呈指数型增长的趋势,下图展示了多部分神经网络经典的拓扑结构。 P --> FF : 增加了一层隐藏层,所有节点为全连接 FF --> RBF : 使用径向基函数(Radical Basis Function,RBF)作为激活函数...
  • %计算网络输出 end end errorf1=1/2*(yd1-yr).^2;%计算误差 %----------------绘图----------------% figure(i); sn=sprintf('β=%4.2f,γ=%4.2f',beta,gamma); X=ones(size(xx2.'))*xx1; Y=xx2.'*ones(size(xx1));...
  • 使用newsom函数创建网络:net=newsom(PR,[D1,D2,^],TFCN,DFCN,OLR,OSTEPS,TLR,TND)PR:R个输入元素的最大值和最小值的设定值,R*2维矩阵Di:第I层的维数,默认为[5 8]TFCN:拓扑函数,默认为hextopDFCN:距离函数,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 35,251
精华内容 14,100
关键字:

模糊神经网络

友情链接: PCB设计基础.part1.rar