一、基于单体模糊神经网络的多重模糊推理方法研究（论文文献综述）
陈芳[1]（2020）在《基于模糊算子的智能信息处理模型研究》文中进行了进一步梳理人工智能是当前信息科学的热门研究领域。新一代人工智能发展规划将人工智能技术提升到国家战略高度。新一代人工智能的核心是不确定性信息处理。智能信息处理面对的主要是不确定性信息处理。智能信息处理模型研究是新一代人工智能、智能信息处理研究的关键。模糊推理、模糊神经网络是重要的智能信息处理模型。本文以模糊逻辑中模糊算子为基础,围绕基于规则的模糊推理及鲁棒性、模糊推理误差、模糊联想记忆及容错性、模糊算子在图像融合中的应用等方面开展了系统研究,主要工作成果和创新点如下:（1）研究模糊算子的Lipschitz聚合性质,找出满足Lipschitz条件的三角模算子和蕴涵算子,对1-Lipschitz三角模算子和蕴涵算子,研究其1-k∞-Lipschitz、copula和quasi-copula等性质,找出具有1-k∞-Lipschitz、copula和quasi-copula等性质特征的三角模算子和蕴涵算子。（2）针对基于规则的模糊推理扰动性问题,提出通过模糊算子的选择保证模糊推理有好的鲁棒性方法。根据三角模算子和蕴涵算子的1-Lipschitz、1-k∞-Lipschitz、copula和quasi-copula的性质特征,研究不同类型的Lipschitz三角模算子和蕴涵算子对模糊推理输出结果的影响,研究不同扰动情况下,不同类型的Lipschitz三角模算子和蕴涵算子对模糊推理的鲁棒性影响。当三角模算子和蕴涵算子既是1-k∞-Lipschitz又是quasi-copula时,模糊推理有好的鲁棒性,并进行了实验验证。（3）针对基于规则的模糊推理误差问题,提出一种因模糊算子选择导致的模糊推理输出误差的控制方法。根据三角模算子和蕴涵算子的1-Lipschitz、1-k∞-Lipschitz、copula和quasi-copula的性质特征,研究不同类型的Lipschitz三角模算子和蕴涵算子对模糊推理输出误差的影响,研究不同扰动情况下,不同类型的Lipschitz三角模算子和蕴涵算子对模糊推理的输出误差影响。当三角模算子和蕴涵算子既是1-k∞-Lipschitz又是quasi-copulas时,因模糊算子选择导致的模糊推理误差能够得到有效控制,并进行了实验验证。（4）针对蕴涵模糊联想记忆模型的噪声容错问题,提出了quasi-copula模糊联想记忆模型。根据Lipschitz模糊算子的1-Lipschitz、1-k∞-Lipschitz、copula和quasi-copula的性质特征,在不同噪声影响的情况下,研究不同类型Lipschitz三角模算子和蕴涵算子对模糊联想记忆的输出结果影响。当模糊联想记忆中三角模算子和蕴涵算子既是quasi-copulas又是1-k∞-Lipschitz时,模糊联想记忆有好的容错抗噪能力,并进行实验验证。（5）提出了Lipschitz模糊算子实现图像融合的新方法。该方法简单高效,易于硬件实现。实验表明,融合后的图像视觉效果好,细节信息明显,目标清晰。本文的实验部分既是对所提理论的验证,也是理论成果在智能信息处理中的实际应用,如人脸识别,图像处理,人脸联想等。
孙元萌[2]（2020）在《基于稀疏贝叶斯学习的丙烯聚合过程熔融指数建模与优化研究》文中提出熔融指数是决定聚丙烯产品牌号的重要质量指标,丙烯聚合过程熔融指数指标的精确预报能够缩短牌号切换时间、节省物料损耗、节约能源消耗、提高生产效率、增加产品利润。在工业生产流程中,熔融指数采用定时采样,离线化验分析获得,难以满足聚丙烯产品在线质量监测与控制的要求。面对复杂的聚合反应机理以及工业生产中伴随的扰动与噪声,传统的熔融指数机理模型难以取得良好的预报精度与鲁棒性。稀疏贝叶斯学习方法根据贝叶斯定理由采样样本推导未知变量的后验分布,通过稀疏性约束降低模型复杂度,在工业过程质量预报特别是小样本问题中具有良好的应用潜力。本文在已有的研究工作基础上,基于稀疏贝叶斯学习框架,针对变量耦合性、样本标签稀缺性、复杂过程非线性、混沌性、时变性等挑战,提出多种有效的熔融指数建模与优化方法,成功应用于30万吨/年聚丙烯生产装置,实现丙烯聚合过程熔融指数在线智能最优预报。主要工作及创新点如下:（1）考虑到丙烯聚合过程变量耦合问题,提出一种基于t分布随机邻域嵌入的稀疏贝叶斯独立成分回归模型（tSNE-IC-SBR）,通过样本邻域内采样点的分布信息降低模型特征变量维度,构造低维度特征矩阵从而剔除由过程操作变量相关度高导致的信息冗余问题,结合独立成分分析实现复杂工业过程的变量解耦,从而提升模型预报精度。将其应用于实际生产数据,实验结果表明所提出模型的有效性。（2）考虑到工业生产过程拥有少量的样本标签和大量无标签样本数据,提出一种基于邻域核密度估计的稀疏贝叶斯半监督回归方法（KDSBSR）,充分利用无标签样本信息提高丙烯聚合生产过程熔融指数预报的准确性。相比于传统的熔融指数预报方法,该模型在贝叶斯概率框架下实现了对无标签数据的信息整合,通过核函数方法估计邻域内无标签样本的分布并建立其与少量样本标签的映射关系,通过贝叶斯定理推导熔融指数的后验分布,得到模型参数的最大似然估计提高模型预报准确度,引入稀疏约束避免过拟合。实际工业生产数据的实验结果表明该方法与现有熔融指数预报模型相比具有更好的预报精度。（3）考虑到丙烯聚合复杂过程的非线性,稀疏贝叶斯学习的模型参数直接影响熔融指数模型的预报精度,提出一种基于混沌映射改进的人工蜂群智能优化MI预报模型（CABC-SBR）。通过混沌人工蜂群方法优化模型核函数参数,并引入混沌映射增强算法收敛能力与寻优效率,得到丙烯聚合过程熔融指数智能最优预报模型。通过多重检验分析优选混沌映射与CABC算法结构。将该模型应用于实际工业生产过程,结果表明混沌人工蜂群贝叶斯回归模型具有良好的预报性能与泛化能力。（4）考虑到丙烯聚合反应过程的混沌特性,熔融指数时间序列具有长程相关性,提出一种基于混沌理论与协同训练的熔融指数半监督智能预报模型（Co-PSR-HDEBC-SBR）。分析熔融指数序列的混沌特性,通过相空间重构构建熔融指数的混沌特征矩阵建立预报模型。进一步通过基于混沌的SBR模型与基于特征的SBR模型的协同训练,充分利用过程中的无标签数据信息,并提出一种混合差分进化蜂群方法优化熔融指数预报模型。实验结果表明,提出的Co-PSR-HDEBC-SBR预报模型对比其它预报模型具有更好的预报准确度,在丙烯聚合过程熔融指数预报中具有应用潜力。（5）考虑到聚丙烯工业生产过程的时变性,流程设备老化与工况波动等因素导致熔融指数静态模型失配,提出在线校正的粒子滤波熔融指数预报方法（OCS-PFSBR）,构建预报模型的状态转移方程,控制预报误差随迭代进行逐步下降,并通过粒子滤波算法得到模型参数的最佳估计,进一步引入在线校正机制实时更新预报模型。与其它熔融指数预报模型相比,该模型的优势是通过状态转移方程得到模型参数的概率式表达结果,并根据预报误差实时更新维护,从而得到熔融指数动态预报模型。该方法应用于实际生产数据,证明了提出的模型在聚丙烯熔融指数预报问题中具有良好的预报精度和鲁棒性。
《中国公路学报》编辑部[3]（2017）在《中国汽车工程学术研究综述·2017》文中进行了进一步梳理为了促进中国汽车工程学科的发展,从汽车噪声-振动-声振粗糙度（Noise,Vibration,Harshness,NVH）控制、汽车电动化与低碳化、汽车电子化、汽车智能化与网联化以及汽车碰撞安全技术5个方面,系统梳理了国内外汽车工程领域的学术研究进展、热点前沿、存在问题、具体对策及发展前景。汽车NVH控制方面综述了从静音到声品质、新能源汽车NVH控制技术、车身与底盘总成NVH控制技术、主动振动控制技术等;汽车电动化与低碳化方面综述了传统汽车动力总成节能技术、混合动力电动汽车技术等;汽车电子化方面综述了汽车发动机电控技术、汽车转向电控技术、汽车制动电控技术、汽车悬架电控技术等;汽车智能化与网联化方面综述了中美智能网联汽车研究概要、复杂交通环境感知、高精度地图及车辆导航定位、汽车自主决策与轨迹规划、车辆横向控制及纵向动力学控制、智能网联汽车测试,并给出了先进驾驶辅助系统（ADAS）、车联网和人机共驾等典型应用实例解析;汽车碰撞安全技术方面综述了整车碰撞、乘员保护、行人保护、儿童碰撞安全与保护、新能源汽车碰撞安全等。该综述可为汽车工程学科的学术研究提供新的视角和基础资料。
赵蕾[4]（2016）在《多维多重模糊推理在网络故障诊断中的应用》文中提出当今社会,人类的活动越来越离不开网络的支持,因此高质量的网络服务显得尤为重要。为避免对人们生活造成重大影响,一旦网络中出现故障,网络管理人员必须迅速修复,以恢复网络的正常运行。网络出现故障时会发出根源告警信息,这些告警信息在网络中传播、并引发其他相关的网络节点也发出告警,最终导致系统中产生大量与根源告警相关的冗余告警信息。为了使网络管理人员迅速找到根源告警以定位故障节点,需要对告警信息之间的相关性进行分析,以去除冗余告警信息。然而,由于告警与告警之间的关系不是一一对应的确定关系,而是具有一定的模糊性,这使得建立告警相关性模型变得十分困难。针对这一问题,本文将模糊理论应用于告警相关性分析,首先采用模糊关联规则数据挖掘算法建立告警信息之间的相关性模型,在此基础上使用模糊推理算法进行告警相关性分析以去除冗余告警,最终达到快速找到根源告警并定位故障的目的。本文重点从以下三点进行了研究:⑴多维多重模糊推理算法。为更好的体现告警及其之间关系的模糊性,同时增强模糊规则的合理性及其表示和推理能力,本文选取加权多维多重模糊推理模型进行推理,并提出了一种满足还原性的加权多维多重模糊推理算法。⑵加权多维多重模糊推理模型中权值的获取。确定模糊推理模型中的权值是十分困难的问题,本文将推理模型中的规则映射成为模糊神经网络,通过对模糊神经网络的训练来得到模糊推理模型中各部分的权值。⑶多维多重模糊推理系统的控制策略。由于告警库和规则库中的告警和规则的数量通常十分巨大,为加快告警与规则前件匹配以及规则的搜索,并充分利用有用信息控制搜索路径,本文提出了一种基于分组和排序思想的匹配与搜索策略。仿真实验表明,将模糊理论应用于网络故障诊断,通过模糊推理算法分析告警之间的相关性可以去除大量冗余告警、实现故障的快速定位;使用本文提出的满足还原性的加权多维多重模糊推理算法可以更好地体现告警之间的模糊关系,使推理结果更精准,有效地提高了网络故障定位的准确率。
曾水玲[5]（2011）在《训练模式的不确定性对模糊系统的影响》文中指出世界的不确定性特征是导致其复杂性的重要原因之一。构建模糊系统时要获得描述系统基础性能的训练模式,它们通常和相应真实的或理想的值有小幅摄动,致使对系统的性能可能产生多方面的副作用。为此我们对多类模糊神经网络和典型的模糊推理算法评估这种副作用。文中工作对模糊系统的性能分析、学习算法的选择和训练模式对获取过程有一定的指导作用。本文做的主要研究工作如下：（1）众多学者研究的两类形态学联想记忆网络的存储能力和抗腐蚀／膨胀噪声的能力等性质几乎都相同。但是研究发现两类神经网络对训练模式摄动的鲁棒性差异很大；其中一类模糊形态学联想记忆网络对训练模式摄动拥有好的鲁棒性；而另一类模糊形态学联想记忆网络的这个性质较差。（2）为模糊形态学双向联想记忆网络（FMBAM）提出了一个解析型学习算法。在理论上严格证明了只要存在模式对集合成为FMBAM的平衡态集合,则该学习算法总能计算出相应的最大连接权矩阵对,且该最大连接权矩阵对能使FMBAM对任意输入迭代一步就进入平衡态,并且神经网络全局收敛到平衡态；FMBAM的每个平衡态都是Lyapunov稳定的。利用该学习算法训练的FMBAM,对训练模式摄动拥有好的鲁棒性。（3）基于模糊取大算子和三角模T的模糊合成,构建了一类模糊双向自联想记忆网络Max-T FBAM.利用三角模T的伴随蕴涵算子,为这类Max-T FBAM提出了学习算法。并理论上证明了该学习算法确定的连接权矩阵是网络最大的连接权矩阵,对任意输入能使Max-T FBAM迭代一步就进入稳定态,该类网络具有全局稳定性和可靠的存储能力。当三角模T满足利普希兹条件时,采用上述学习算法时自联想Max-T FBAM对训练模式的摄动全局拥有好的鲁棒性。（4）基于TL-模Max-TL模糊Hopfield网络（Max-TL FHNN）提出了一种学习算法。对任意给定的模式集合,该学习算法总能找到使该模式集合成为Max-TL FHNN的平衡点集合的所有连接权矩阵中的最大者。任意给定的模式集合能作为Max-TL FHNN网络的平衡点集合且能使Max-TL FHNN对任意输入在一步内就进入稳定状态,同时该网络对训练模式摄动具有好的鲁棒性。（5）把模糊推理算法看成是一个模糊集合到另一个模糊集合的映射,选用海明距离作为两模糊集的距离。对全蕴涵反向三I算法（反向三I算法）是否满足连续性问题进行了研究,并进一步讨论了这类算法对误差的传播性能,证明了在模糊假言推理和模糊拒取式推理情形,该算法都拥有连续性；其对误差的放大幅度为2。对多重、多维模糊推理情形,研究了几类模糊推理算法是否满足连续性和逼近性,并进一步讨论了这几类算法对逼近误差的传播性能,证明了在模糊假言推理和模糊拒取式推理情形,几类多重多维模糊算法都拥有连续性。当多重多维模糊算法满足还原性时就具有逼近性；该模糊算法都不会放大逼近误差。（6）在构建神经网络时,采集的训练模式总存在摄动。本文先提出模糊集摄动度量的新方法来度量这种摄动。基于三角模T,构建Max-T的模糊联想记忆网络簇,Max-T FAM实现了从一个向量空间到另一向量空间的映射,文中从Max-T FAM的值域角度,分析了它的存储能力、连接权矩阵和对训练模式摄动的鲁棒性。对比研究了（R,ν,Λ,+）型模糊形态学联想记忆网络对训练模式摄动拥有好的鲁棒性；而（R,ν,Λ,×）型模糊形态学联想记忆网络对训练模式摄动不具有好的鲁棒性。
易安[6]（2010）在《基于神经网络的模糊推理模型和算法研究》文中认为推理是由一个或几个已知的判断推出一个新的判断的思维形式,其作用是从已知的知识得到未知的知识,特别是可以得到不可能通过感觉经验所掌握的未知知识。模糊推理是推理的一个重要分支,是信息科学中进行模糊信息处理的重要工具,因而模糊推理在计算机科学和控制科学领域受到广泛的关注。自1973年Zadeh提出基于模糊集合理论的模糊推理算法后,人们相继提出了多种模糊推理算法,如E.H.Mamdani教授提出了Mamdani算法等,这些方法在工业自动控制中取得了应用。但是由于模糊系统存在人工干预多,推理速度慢,精度较低的缺点,近年来人们开始运用神经网络来进行模糊推理,这样模糊神经网络便应运而生了。模糊神经网络汇集了神经网络与模糊理论的优点,集学习,联想,识别和信息处理于一体。本文旨在研究一种模糊推理算法能够适用于神经网络中,实现神经网络的模糊推理。现在对于衡量模糊推理方法好坏的唯一标准是该方法是否具有还原性,因此本文先对已有的四种模糊推理算法分别进行分析,并对它们是否满足还原性进行讨论。Zadeh教授的CRI算法不满足还原性；王国俊教授的全蕴涵三I算法和汪培庄教授的真值流推理算法只满足单一规则下的还原性,而不满足多重多维模糊推理的还原性；徐蔚鸿博士的CRIP算法在一定条件下满足模糊推理的还原性。通过研究发现上述四种方法都不能很好的满足还原性。因此本文提出了一种新的方法,通过在全蕴涵三I算法中引入相似度来给每条规则赋予权重,使得全蕴涵三I算法在多重多维模糊推理情形下满足还原性。随后,将这改进算法应用于基于T／S范数的模糊神经元的神经网络中,实现了神经网络的模糊推理。
何春梅[7]（2010）在《模糊神经网络的性能及其学习算法研究》文中指出软计算技术是包含模糊逻辑（fuzzy logic）、神经计算（neuro-computing）、进化计算（Evolutionary computing）和概率计算（Probabilistic computing）等基本成员的计算方法论的集合,它是求解高度非线性复杂系统的有效工具。模糊神经网络（Fuzzy Neural Network, FNN）是软计算技术的主要研究内容之一,是智能控制理论中的一个十分活跃的分支,是由人工神经网络与模糊逻辑系统的有机结合而产生的一种混合智能系统。模糊神经网络是一种能处理抽象信息的网络结构,它具有强大的自学习和自调整功能。因此,模糊神经网络的相关研究对软计算技术和智能控制发展具有非常重要的意义。本文在分析模糊神经网络理论和应用现状的基础上,系统研究了单体FNN和折线FNN这两类FNN模型的性能和学习算法,并将所得成果应用于模糊控制领域,其中主要包括单体FNN训练模式对的摄动问题和折线FNN的逼近性能,并为折线FNN设计了两种模糊学习算法,这些工作为FNN乃至软计算技术的实际应用奠定必要的理论基础。本文所做的主要工作和研究成果如下：（1）对模糊神经网络的训练模式对的摄动问题进行了研究。首先给出了一般模糊神经网络的训练模式对摄动的鲁棒性定义,然后具体以单体模糊神经网络为例,进行了系统分析,理论研究表明当训练模式对发生最大γ保序摄动时,在h=5的条件下,单体模糊神经网络对训练模式对的摄动全局拥有好的鲁棒性。（2）对折线模糊神经网络的泛逼近性进行了深入研究。首先限制折线FNN输入或权值的范围,对两种特殊的折线FNNs的泛逼近性进行了系统分析,然后进一步分析了一般意义上的折线FNN的泛逼近性,此处的一般折线FNN是指对网络输入和权阈值没有其他限制。理论研究表明,上述三种折线FNNs均能作为模糊连续函数的通用逼近器,并且证明了：递增性是折线模糊函数保证折线FNN泛逼近性成立的等价条件,从而解决了折线FNN的泛逼近性问题。（3）为折线模糊神经网络提出了两种模糊梯度学习算法。首先系统研究了Λ—（?）函数导数的基本性质,然后针对折线FNN设计了基于遗传算法或量子遗传算法的两种模糊共扼梯度（CG）算法,在算法迭代的每一步,利用遗传算法或量子遗传算法（GA）来确定最优学习常数,从理论上证明了该模糊共扼梯度算法的收敛性,用于实际模糊控制领域中的实例验证了上述学习过程。
刘代飞[8]（2008）在《氧化铝气态悬浮焙烧集成优化控制指导系统的研究》文中研究说明目前,我国铝工业迅速发展,氧化铝产量已达1900万吨/年。围绕节能减排,开展氧化铝行业技术创新的需求日益迫切。氧化铝焙烧是对氧化铝产、质量和生产能耗有重大影响的工序之一,目前该工序已普遍采用气态悬浮焙烧工艺。众多气态悬浮焙烧生产表明,该工艺在设备配置、操作调节和过程控制等方面仍有很大改进潜力。对焙烧过程开展设备、操作和控制的优化研究有利于实现焙烧生产的增产、节能和降耗。本文在国家自然科学基金的资助下,以年产5万吨的气态悬浮焙烧炉为试验对象,集成应用FLUENT、人工神经网络、遗传优化、模糊控制、专家系统等技术,对氧化铝焙烧过程开展设备、控制和指导的整体优化。研究成果主要有:（1）针对焙烧燃烧系统缺少配置依据,开展炉体燃烧优化的仿真研究。采用FLUENT对主炉P04仿真研究得出:某燃料的最佳空燃比值（A/F）以及低氧完全燃烧对应的最佳操作条件;最佳下料区域为Ⅳ部炉体,最佳V08预热烧咀布置区域为Ⅱ部炉体;保持V08烧咀小比例投入燃料有利减少NO生成;提高空气预热温度节能效果明显。仿真得到NOx、CO、CO2等废气生成量,为生产操作提供重要参考。（2）针对焙烧旋风器工况分析的不足,开展气固分离研究。对预热旋风器P01采用雷诺应力输运模型求解气场,拉格朗日坐标求解颗粒运动轨迹。计算不同的工况风速、温度、漏风率和物理结构下旋风器分离效率,探讨了P01环流式旋风器和收尘锁气设备改造方案,为操作提供优化参考。（3）针对现有描述焙烧过程模型的缺乏,提出采用神经网络（ANN）、遗传算法（GA）、灰色模型（GM）优化建模,建立温度预测、废气软测量评价和产能评估三大过程模型。温度预测模型由GM（1,1）与ANN组合优化实现,绝对误差±5℃评价模型,预报命中率达90%以上,可以指导生产调节。废气软测量模型结构为ANN{3-5-4},用绝对误差小于1评价模型,预测准确率达88.6%。基于FLUENT仿真结果对新工况排废的预测,具二次仿真性。产能评估模型结构为ANN{3-9-1},用相对误差小于1%评价模型,预报准确率达96%。产能ANN模型比回归模型更能揭示系统关系。（4）针对焙烧过程常规、单一PID控制方式的不足,提出并建立了焙烧过程模糊专家控制系统。设计了一种Complex-PID控制器和空燃比专家调节器,并提出了一种焙烧过程分段调节控制策略。其中,控制器由FNN单元、PID单元和阈值调节单元组成,采用模糊方法、神经网络和遗传算法对PID进行调整,保证具有最优或次优控制参数。调节器综合数值模拟、视频监控和烟气氧量等反馈信息寻优调节。分段调节控制策略实现了不同工况下温度的优化控制,精度达±5℃,稳定了炉况。（5）针对焙烧生产和管理工作的不完善,提出并架构了焙烧过程ANNES指导系统。采用产生式规则表示过程显式知识,ANN模型表示隐式知识,两类知识由隶属函数实现转化。建立风机故障、燃烧调节和状态分析知识库,实现了燃烧和过程的分析和监测;建立GA-ANNES优化模型库,实现了过程能耗分析,解决了高产低耗参数优化问题;建立旋风器操作指导知识库,实现了旋风分离ANNES分析诊断和操作优化。（6）开发了基于PLC的SCADA系统和基于VC++、Matlab的集成优化系统。两系统间的通讯采用OPC技术、自定协议和DeviceNet总线方式实现。PLC系统实现基础控制,优化系统集成神经网络、遗传算法、专家系统实现过程的优化和控制。本文开发的集成优化系统在年产能5万吨气态悬浮焙烧炉工业试验中取得很好的优化效果:热耗降低了14.3%,达到了3.09MJ/kg;主炉温度降低了8.8%,控制在1040±5℃;含氧量降低了75%,控制在1～2%;NO排量降低了53.9%,控制在53ppm。
徐蔚鸿[9]（2004）在《模糊智能系统中模糊推理研究》文中研究说明推理功能是人类智能的主要特征之一，计算智能是实现人工智能的一种重要的新技术，而其中的模糊推理是模糊专家系统、模糊控制系统的理论基础和核心，是信息科学中一个进行模糊信息处理和实现机器智能的重要工具，因而是计算机科学、控制科学和人文决策等学科的重要研究课题． 1975年由Fung和Fu提出的max-min运算的一种推广—∨λ算子的值域在[min（x,y）,max（x,y）]之间可调，含有∨λ算子的逻辑推理，易于转化为模糊神经网络形式，从而参数学习也方便，又便于硬件实现，而且有很好的运算性质，但其并未引起足够的注意，本文先对∨λ算子和广义∨λ算子的多种性质结合模糊推理的需要进行了较系统的研究。 基于∨λ算子把模糊关系合成运算“°”推广成“P1°P2”形式，其中p1，p2∈[0，1]，并发现“P1°P2”仍然保持了“°”的多种良好的性质；进而把L．A．Zadeh提出的着名的模糊推理关系合成法则（CRI法）推广成带参数的模糊关系合成法则CRIP，由于参数的介入大大地扩大了P1°P2算子的值域，以至于CRIP算法几乎总能满足还原性，而且模糊蕴涵算子的作用变得不再关键了，从而几乎回避了模糊蕴涵算子难以适宜选择的问题，特别是基于CRIP法的模糊推理的过程能轻易地对应成一个模糊神经网络问题，进而参数很好确定，这种方法也是把传统的CRI法赋予了自适用特性；本文也具体地给出了相应的参数调整法，并通过推理实例把它与其它推理算法进行了比较。 本文基于单体模糊神经网络提出了一种广义的Mamdani算法，提出了两个神经网络模型分别进行广义取式推理和广义拒式推理，给出了这些网络的性质、学习算法和推理实例，并与其它方法进行了比较。 传统的区间值模糊集的相容性则度由于结构复杂，从而掩盖了它的一些本质，而且与人的某些直觉不符，为此本文另外提出了一个“相合度”概念，并将两者进行了比较，分别给出了相容度和相合度为1的充分必要条件和直观解释，并首次讨论了模糊推理对相容度和相合度的传播问题。 基于T范数和S范数本文提出了F1型和F2型两类神经元模型，前者灵敏性强鲁棒性弱，更适宜用于给出了工业控制系统，而后者灵敏性弱棒性强，更适宜用于人文决策领域，并给出了广义AND／OR运算为T／S范数簇的充分必要条件，而且应用F1型和F2型构造了一个神经网络应用于模糊推理，新的推理算法是CRI法的推广拥有更好的性质；同时本文首次提出了弱界三角范数的概念，其可应用于信息不完备和摘要2004年7月子命题之间关系复杂情形下的模糊命题演算问题. 提出了一般的模糊推理算对规则摄动的鲁棒性的概念，并具体分析了模糊蕴涵算子对多类模糊推理算法拥有良好的这种鲁棒性的影响，分别给出了相应的充分必要条件，还提出了一般模糊神经网络对训练模式对摄动的鲁棒性的概念，并就多种学习算法具体分析了模糊联想记忆网络的这种鲁棒性，并尝试了利用这些分析结果反过来对模糊规则的获取过程进行警示和指导.当讨论的这种鲁棒性较好时，规则的摄动或粗糙是安全的可行的，从而可减轻领域专家的压力，或降低数据采集设备精度要求.关键词:人工智能，计算智能，智能控制，模糊控制系统，模糊专家系统，模糊神经网络，模糊推理，模糊关系合成法则，模糊蕴涵算子，鲁棒性，摄动，学习算法
徐蔚鸿,叶有培,杨静宇[10]（2003）在《基于单体模糊神经网络的多重模糊推理方法研究》文中进行了进一步梳理文章基于单体模糊神经网络（MFNN）对多重模糊推理的Mamdani方法进行了推广，得到的广义方法（简称G-Mamdani法）克服了原有方法的若干不足。文章采用了求解模糊关系方程的方法来确定网络的权值，依此新方法，实现了一个模糊推理机，其推理效果较好。这一方法为模糊专家系统和模糊控制系统等提供了一种新的有力的推理工具。
二、基于单体模糊神经网络的多重模糊推理方法研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于单体模糊神经网络的多重模糊推理方法研究（论文提纲范文）
（1）基于模糊算子的智能信息处理模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 人工智能与智能系统 |
| 1.1.1 人工智能 |
| 1.1.2 智能系统 |
| 1.2 智能信息系统和智能信息处理 |
| 1.2.1 智能信息系统 |
| 1.2.2 智能信息处理 |
| 1.3 软计算与智能计算 |
| 1.4 模糊逻辑与模糊系统 |
| 1.4.1 模糊集合 |
| 1.4.2 模糊算子 |
| 1.4.3 模糊系统 |
| 1.5 模糊推理系统 |
| 1.5.1 模糊推理模型 |
| 1.5.2 模糊推理基本方法及性质研究 |
| 1.5.3 模糊推理研究动态 |
| 1.6 模糊神经网络系统 |
| 1.6.1 模糊联想记忆网络 |
| 1.6.2 模糊形态学联想记忆 |
| 1.6.3 模糊神经网络研究动态 |
| 1.7 图像融合 |
| 1.8 本文主要研究工作 |
| 1.9 本文内容安排 |
| 2 Lipschitz模糊算子 |
| 2.1 引言 |
| 2.2 基础知识及相关模糊算子 |
| 2.3 基于Lipschitz条件的三角模算子 |
| 2.4 基于Lipschitz条件的蕴涵算子 |
| 2.5 本章小结 |
| 3 基于Lipschitz模糊算子的模糊推理及鲁棒性 |
| 3.1 引言 |
| 3.2 相关知识 |
| 3.3 基于Lipschitz模糊算子的模糊推理 |
| 3.4 基于Lipschitz模糊算子的模糊推理的鲁棒性 |
| 3.4.1 理论分析 |
| 3.4.2 仿真实验 |
| 3.5 基于quasi-copula的模糊推理鲁棒性 |
| 3.5.1 理论分析 |
| 3.5.2 仿真实验 |
| 3.6 本章小结 |
| 4 基于Lipschitz模糊算子的模糊推理误差分析与控制 |
| 4.1 引言 |
| 4.2 相关知识 |
| 4.3 理论分析 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 5 基于quasi-copula模糊算子的模糊联想记忆模型 |
| 5.1 引言 |
| 5.2 模糊联想记忆模型 |
| 5.3 Quasi-copula模糊联想记忆模型 |
| 5.4 Quasi-copula模糊联想记忆模型的容错性 |
| 5.5 仿真实验 |
| 5.5.1 自联想Quasi-copula模糊联想记忆 |
| 5.5.2 异联想Quasi-copula模糊联想记忆 |
| 5.6 本章小结 |
| 6 基于Lipschitz模糊算子的图像融合 |
| 6.1 引言 |
| 6.1.1 PCA图像融合方法 |
| 6.1.2 加权均值图像融合方法值 |
| 6.1.3 基于多尺度分析的图像融合方法 |
| 6.2 基于Lipschitz模糊算子的图像融合方法及实现 |
| 6.3 几种像素级图像融合方法分析比较和质量评价 |
| 6.3.1 几种像素级图像融合方法分析与比较 |
| 6.3.2 几种像素级图像融合质量评价 |
| 6.4 本章小结 |
| 7 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）基于稀疏贝叶斯学习的丙烯聚合过程熔融指数建模与优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写表 |
| 符号表 |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 聚丙烯及丙烯聚合过程 |
| 1.2.1 聚丙烯及产业概况 |
| 1.2.2 聚丙烯的生产工艺 |
| 1.2.3 熔融指数介绍 |
| 1.3 稀疏贝叶斯学习方法 |
| 1.3.1 贝叶斯推理 |
| 1.3.2 稀疏贝叶斯学习方法 |
| 1.3.3 SBL方法有待研究的问题 |
| 1.4 熔融指数预报 |
| 1.4.1 基本概念 |
| 1.4.2 熔融指数预报的研究现状 |
| 1.4.3 熔融指数预报研究的挑战与趋势 |
| 1.5 本文研究内容与创新点 |
| 1.5.1 本文的体系架构 |
| 1.5.2 本文的研究内容与创新点 |
| 1.6 本章小结 |
| 第二章 基于tSNE-IC-SBR的高维数据下MI预报研究 |
| 2.1 引言 |
| 2.2 t分布随机邻域嵌入算法 |
| 2.3 tSNE-IC-SBR熔融指数预报模型 |
| 2.4 实例验证 |
| 2.4.1 聚合工业过程介绍 |
| 2.4.2 过程变量筛选 |
| 2.4.3 模型性能评价指标 |
| 2.4.4 tSNE-IC-SBR与SBR、IC-SBR、tSNE-SBR性能对比 |
| 2.4.5 tSNE-IC-SBR与其它降维算法性能对比 |
| 2.5 本章小结 |
| 第三章 基于KDSBSR的少量样本标签下MI预报研究 |
| 3.1 引言 |
| 3.2 基于核密度估计的稀疏贝叶斯半监督回归 |
| 3.3 基于KDSBSR的熔融指数预报模型 |
| 3.4 实例验证 |
| 3.4.1 不同熔融指数标签采样率下KDSBSR模型预报效果考察 |
| 3.4.2 不同半监督模型预报性能对比研究 |
| 3.5 本章小结 |
| 第四章 基于CABC-SBR的丙烯聚合过程智能优化模型研究 |
| 4.1 引言 |
| 4.2 混沌人工蜂群优化算法 |
| 4.3 CABC-SBR熔融指数预报模型 |
| 4.4 实例验证 |
| 4.4.1 SBR、ABC-SBR与CABC-SBR预报模型的比较研究 |
| 4.4.2 混沌映射比较研究 |
| 4.4.3 CABC优化模型比较研究 |
| 4.5 本章小结 |
| 第五章 基于Co-PSR-HDEBC-SBR的混沌半监督模型研究 |
| 5.1 引言 |
| 5.2 混沌相空间重构 |
| 5.2.1 熔融指数自相关性 |
| 5.2.2 熔融指数序列相空间重构 |
| 5.3 Co-PSR-HDEBC-SBR模型 |
| 5.3.1 Co-PSR-SBR模型 |
| 5.3.2 HDEBC-SBR模型 |
| 5.3.4 Co-PSR-HDEBC-SBR熔融指数预报模型 |
| 5.4 实例验证 |
| 5.4.1 丙烯聚合过程混沌特性分析结果 |
| 5.4.2 HDEBC-SBR与其它优化算法性能比较 |
| 5.4.3 Co-PSR-HDEBC-SBR模型预报效果分析 |
| 5.5 本章小结 |
| 第六章 基于OCS-PFSBR的丙烯聚合过程在线预报研究 |
| 6.1 引言 |
| 6.2 基础方法 |
| 6.3 OCS-PFSBR熔融指数预报模型 |
| 6.4 实例验证 |
| 6.4.1 PFSBR预报模型性能研究 |
| 6.4.2 OCS-PFSBR预报模型性能研究 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的成果 |
（3）中国汽车工程学术研究综述·2017（论文提纲范文）
| 索引 |
| 0引言 |
| 1汽车NVH控制 (长安汽车工程研究院庞剑总工程师统稿) |
| 1.1从静音到声品质 (重庆大学贺岩松教授提供初稿) |
| 1.1.1国内外研究现状 |
| 1.1.1.1声品质主观评价 |
| 1.1.1.2声品质客观评价 |
| 1.1.1.3声品质主客观统一模型 |
| 1.1.2存在的问题 |
| 1.1.3研究发展趋势 |
| 1.2新能源汽车NVH控制技术 |
| 1.2.1驱动电机动力总成的NVH技术 (同济大学左曙光教授、林福博士生提供初稿) |
| 1.2.1.1国内外研究现状 |
| 1.2.1.2热点研究方向 |
| 1.2.1.3存在的问题与展望 |
| 1.2.2燃料电池发动机用空压机的NVH技术 (同济大学左曙光教授、韦开君博士生提供初稿) |
| 1.2.2.1国内外研究现状 |
| 1.2.2.2存在的问题 |
| 1.2.2.3总结与展望 |
| 1.3车身与底盘总成NVH控制技术 |
| 1.3.1车身与内饰 (长安汽车工程研究院庞剑总工程师提供初稿) |
| 1.3.1.1车身结构 |
| 1.3.1.2声学包装 |
| 1.3.2制动系 (同济大学张立军教授、徐杰博士生、孟德建讲师提供初稿) |
| 1.3.2.1制动抖动 |
| 1.3.2.2制动颤振 |
| 1.3.2.3制动尖叫 |
| 1.3.2.4瓶颈问题与未来趋势 |
| 1.3.3轮胎 (清华大学危银涛教授、杨永宝博士生、赵崇雷硕士生提供初稿) |
| 1.3.3.1轮胎噪声机理研究 |
| 1.3.3.2轮胎噪声计算模型 |
| 1.3.3.3轮胎噪声的测量手段 |
| 1.3.3.4降噪方法 |
| 1.3.3.5问题与展望 |
| 1.3.4悬架系 (吉林大学庄晔副教授提供初稿) |
| 1.3.4.1悬架系NVH问题概述 |
| 1.3.4.2悬架系的动力学建模与NVH预开发 |
| 1.3.4.3悬架系的关键部件NVH设计 |
| 1.3.4.4悬架NVH设计整改 |
| 1.4主动振动控制技术 (重庆大学郑玲教授提供初稿) |
| 1.4.1主动和半主动悬架技术 |
| 1.4.1.1主动悬架技术 |
| 1.4.1.2半主动悬架技术 |
| 1.4.2主动和半主动悬置技术 |
| 1.4.2.1主动悬置技术 |
| 1.4.2.2半主动悬置技术 |
| 1.4.3问题及发展趋势 |
| 2汽车电动化与低碳化 (江苏大学何仁教授统稿) |
| 2.1传统汽车动力总成节能技术 (同济大学郝真真博士生、倪计民教授提供初稿) |
| 2.1.1国内外研究现状 |
| 2.1.1.1替代燃料发动机 |
| 2.1.1.2高效内燃机 |
| 2.1.1.3新型传动方式 |
| 2.1.2存在的主要问题 |
| 2.1.3重点研究方向 |
| 2.1.4发展对策及趋势 |
| 2.2混合动力电动汽车技术 (重庆大学胡建军教授、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.2.1国内外研究现状 |
| 2.2.2存在的问题 |
| 2.2.3重点研究方向 |
| 2.3新能源汽车技术 |
| 2.3.1纯电动汽车技术 (长安大学马建、余强、汪贵平教授, 赵轩、李耀华副教授, 许世维、唐自强、张一西研究生提供初稿) |
| 2.3.1.1动力电池 |
| 2.3.1.2分布式驱动电动汽车驱动控制技术 |
| 2.3.1.3纯电动汽车制动能量回收技术 |
| 2.3.2插电式混合动力汽车技术 (重庆大学胡建军、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.3.2.1国内外研究现状 |
| 2.3.2.2存在的问题 |
| 2.3.2.3热点研究方向 |
| 2.3.2.4研究发展趋势 |
| 2.3.3燃料电池电动汽车技术 (北京理工大学王震坡教授、邓钧君助理教授, 北京重理能源科技有限公司高雷工程师提供初稿) |
| 2.3.3.1国内外技术发展现状 |
| 2.3.3.2关键技术及热点研究方向 |
| 2.3.3.3制约燃料电池汽车发展的关键因素 |
| 2.3.3.4燃料电池汽车的发展趋势 |
| 3汽车电子化 (吉林大学宗长富教授统稿) |
| 3.1汽车发动机电控技术 (北京航空航天大学杨世春教授、陈飞博士提供初稿) |
| 3.1.1国内外研究现状 |
| 3.1.2重点研究方向 |
| 3.1.2.1汽车发动机燃油喷射控制技术 |
| 3.1.2.2汽车发动机涡轮增压控制技术 |
| 3.1.2.3汽车发动机电子节气门控制技术 |
| 3.1.2.4汽车发动机点火控制技术 |
| 3.1.2.5汽车发动机空燃比控制技术 |
| 3.1.2.6汽车发动机怠速控制技术 |
| 3.1.2.7汽车发动机爆震检测与控制技术 |
| 3.1.2.8汽车发动机先进燃烧模式控制技术 |
| 3.1.2.9汽车柴油发动机电子控制技术 |
| 3.1.3研究发展趋势 |
| 3.2汽车转向电控技术 |
| 3.2.1电动助力转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.1.1国内外研究现状 |
| 3.2.1.2重点研究方向和存在的问题 |
| 3.2.1.3研究发展趋势 |
| 3.2.2主动转向及四轮转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.2.1国内外研究现状 |
| 3.2.2.2研究热点和存在问题 |
| 3.2.2.3研究发展趋势 |
| 3.2.3线控转向技术 (吉林大学郑宏宇副教授提供初稿) |
| 3.2.3.1转向角传动比 |
| 3.2.3.2转向路感模拟 |
| 3.2.3.3诊断容错技术 |
| 3.2.4商用车电控转向技术 (吉林大学宗长富教授、赵伟强副教授, 韩小健、高恪研究生提供初稿) |
| 3.2.4.1电控液压转向系统 |
| 3.2.4.2电液耦合转向系统 |
| 3.2.4.3电动助力转向系统 |
| 3.2.4.4后轴主动转向系统 |
| 3.2.4.5新能源商用车转向系统 |
| 3.2.4.6商用车转向系统的发展方向 |
| 3.3汽车制动控制技术 (合肥工业大学陈无畏教授、汪洪波副教授提供初稿) |
| 3.3.1国内外研究现状 |
| 3.3.1.1制动系统元部件研发 |
| 3.3.1.2制动系统性能分析 |
| 3.3.1.3制动系统控制研究 |
| 3.3.1.4电动汽车研究 |
| 3.3.1.5混合动力汽车研究 |
| 3.3.1.6参数测量 |
| 3.3.1.7与其他系统耦合分析及控制 |
| 3.3.1.8其他方面 |
| 3.3.2存在的问题 |
| 3.4汽车悬架电控技术 (吉林大学庄晔副教授提供初稿) |
| 3.4.1电控悬架功能与评价指标 |
| 3.4.2电控主动悬架最优控制 |
| 3.4.3电控悬架其他控制算法 |
| 3.4.4电控悬架产品开发 |
| 4汽车智能化与网联化 (清华大学李克强教授、长安大学赵祥模教授共同统稿) |
| 4.1国内外智能网联汽车研究概要 |
| 4.1.1美国智能网联汽车研究进展 (美国得克萨斯州交通厅Jianming Ma博士提供初稿) |
| 4.1.1.1美国智能网联车研究意义 |
| 4.1.1.2网联车安全研究 |
| 4.1.1.3美国自动驾驶车辆研究 |
| 4.1.1.4智能网联自动驾驶车 |
| 4.1.2中国智能网联汽车研究进展 (长安大学赵祥模教授、徐志刚副教授、闵海根、孙朋朋、王振博士生提供初稿) |
| 4.1.2.1中国智能网联汽车规划 |
| 4.1.2.2中国高校及研究机构智能网联汽车开发情况 |
| 4.1.2.3中国企业智能网联汽车开发情况 |
| 4.1.2.4存在的问题 |
| 4.1.2.5展望 |
| 4.2复杂交通环境感知 |
| 4.2.1基于激光雷达的环境感知 (长安大学付锐教授、张名芳博士生提供初稿) |
| 4.2.1.1点云聚类 |
| 4.2.1.2可通行区域分析 |
| 4.2.1.3障碍物识别 |
| 4.2.1.4障碍物跟踪 |
| 4.2.1.5小结 |
| 4.2.2车载摄像机等单传感器处理技术 (武汉理工大学胡钊政教授、陈志军博士, 长安大学刘占文博士提供初稿) |
| 4.2.2.1交通标志识别 |
| 4.2.2.2车道线检测 |
| 4.2.2.3交通信号灯检测 |
| 4.2.2.4行人检测 |
| 4.2.2.5车辆检测 |
| 4.2.2.6总结与展望 |
| 4.3高精度地图及车辆导航定位 (武汉大学李必军教授、长安大学徐志刚副教授提供初稿) |
| 4.3.1国内外研究现状 |
| 4.3.2当前研究热点 |
| 4.3.2.1高精度地图的采集 |
| 4.3.2.2高精度地图的地图模型 |
| 4.3.2.3高精度地图定位技术 |
| 4.3.2.4基于GIS的路径规划 |
| 4.3.3存在的问题 |
| 4.3.4重点研究方向与展望 |
| 4.4汽车自主决策与轨迹规划 (清华大学王建强研究员、李升波副教授、忻隆博士提供初稿) |
| 4.4.1驾驶人决策行为特性 |
| 4.4.2周车运动轨迹预测 |
| 4.4.3智能汽车决策方法 |
| 4.4.4自主决策面临的挑战 |
| 4.4.5自动驾驶车辆的路径规划算法 |
| 4.4.5.1路线图法 |
| 4.4.5.2网格分解法 |
| 4.4.5.3 Dijistra算法 |
| 4.4.5.4 A*算法 |
| 4.4.6路径面临的挑战 |
| 4.5车辆横向控制及纵向动力学控制 |
| 4.5.1车辆横向控制结构 (华南理工大学游峰副教授, 初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.5.1.1基于经典控制理论的车辆横向控制 (PID) |
| 4.5.1.2基于现代控制理论的车辆横向控制 |
| 4.5.1.3基于智能控制理论的车辆横向控制 |
| 4.5.1.4考虑驾驶人特性的车辆横向控制 |
| 4.5.1.5面临的挑战 |
| 4.5.2动力学控制 (清华大学李升波副研究员、李克强教授、徐少兵博士提供初稿) |
| 4.5.2.1纵向动力学模型 |
| 4.5.2.2纵向稳定性控制 |
| 4.5.2.3纵向速度控制 |
| 4.5.2.4自适应巡航控制 |
| 4.5.2.5节油驾驶控制 |
| 4.6智能网联汽车测试 (中国科学院自动化研究所黄武陵副研究员、王飞跃研究员, 清华大学李力副教授, 西安交通大学刘跃虎教授、郑南宁院士提供初稿) |
| 4.6.1智能网联汽车测试研究现状 |
| 4.6.2智能网联汽车测试热点研究方向 |
| 4.6.2.1智能网联汽车测试内容研究 |
| 4.6.2.2智能网联汽车测试方法 |
| 4.6.2.3智能网联汽车的测试场地建设 |
| 4.6.3智能网联汽车测试存在的问题 |
| 4.6.4智能网联汽车测试研究发展趋势 |
| 4.6.4.1智能网联汽车测试场地建设要求 |
| 4.6.4.2智能网联汽车测评方法的发展 |
| 4.6.4.3加速智能网联汽车测试及进程管理 |
| 4.7典型应用实例解析 |
| 4.7.1典型汽车ADAS系统解析 |
| 4.7.1.1辅助车道保持系统、变道辅助系统与自动泊车系统 (同济大学陈慧教授, 何晓临、刘颂研究生提供初稿) |
| 4.7.1.2 ACC/AEB系统 (清华大学王建强研究员, 华南理工大学游峰副教授、初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.7.2 V2X协同及队列自动驾驶 |
| 4.7.2.1一维队列控制 (清华大学李克强教授、李升波副教授提供初稿) |
| 4.7.2.2二维多车协同控制 (清华大学李力副教授提供初稿) |
| 4.7.3智能汽车的人机共驾技术 (武汉理工大学褚端峰副研究员、吴超仲教授、黄珍教授提供初稿) |
| 4.7.3.1国内外研究现状 |
| 4.7.3.2存在的问题 |
| 4.7.3.3热点研究方向 |
| 4.7.3.4研究发展趋势 |
| 5汽车碰撞安全技术 |
| 5.1整车碰撞 (长沙理工大学雷正保教授提供初稿) |
| 5.1.1汽车碰撞相容性 |
| 5.1.1.1国内外研究现状 |
| 5.1.1.2存在的问题 |
| 5.1.1.3重点研究方向 |
| 5.1.1.4展望 |
| 5.1.2汽车偏置碰撞安全性 |
| 5.1.2.1国内外研究现状 |
| 5.1.2.2存在的问题 |
| 5.1.2.3重点研究方向 |
| 5.1.2.4展望 |
| 5.1.3汽车碰撞试验测试技术 |
| 5.1.3.1国内外研究现状 |
| 5.1.3.2存在的问题 |
| 5.1.3.3重点研究方向 |
| 5.1.3.4展望 |
| 5.2乘员保护 (重庆理工大学胡远志教授提供初稿) |
| 5.2.1国内外研究现状 |
| 5.2.2重点研究方向 |
| 5.2.3展望 |
| 5.3行人保护 (同济大学王宏雁教授、余泳利研究生提供初稿) |
| 5.3.1概述 |
| 5.3.2国内外研究现状 |
| 5.3.2.1被动安全技术 |
| 5.3.2.2主动安全技术研究 |
| 5.3.3研究热点 |
| 5.3.3.1事故研究趋势 |
| 5.3.3.2技术发展趋势 |
| 5.3.4存在的问题 |
| 5.3.5小结 |
| 5.4儿童碰撞安全与保护 (湖南大学曹立波教授, 同济大学王宏雁教授、李舒畅研究生提供初稿;曹立波教授统稿) |
| 5.4.1国内外研究现状 |
| 5.4.1.1儿童碰撞安全现状 |
| 5.4.1.2儿童损伤生物力学研究现状 |
| 5.4.1.3车内儿童安全法规和试验方法 |
| 5.4.1.4车外儿童安全法规和试验方法 |
| 5.4.1.5儿童安全防护措施 |
| 5.4.1.6儿童约束系统使用管理与评价 |
| 5.4.2存在的问题 |
| 5.4.3重点研究方向 |
| 5.4.4发展对策和展望 |
| 5.5新能源汽车碰撞安全 (大连理工大学侯文彬教授、侯少强硕士生提供初稿) |
| 5.5.1国内外研究现状 |
| 5.5.1.1新能源汽车碰撞试验 |
| 5.5.1.2高压电安全控制研究 |
| 5.5.1.3新能源汽车车身结构布局研究 |
| 5.5.1.4电池包碰撞安全防护 |
| 5.5.1.5动力电池碰撞安全 |
| 5.5.2热点研究方向 |
| 5.5.3存在的问题 |
| 5.5.4发展对策与展望 |
| 6结语 |
（4）多维多重模糊推理在网络故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展前景 |
| 1.2.1 模糊理论与模糊推理 |
| 1.2.2 网络故障诊断 |
| 1.3 论文研究内容及创新点 |
| 1.4 论文结构 |
| 第二章 论文涉及领域的相关知识 |
| 2.1 网络故障管理 |
| 2.2 模糊理论及模糊推理算法 |
| 2.2.1 模糊理论 |
| 2.2.2 模糊推理算法 |
| 2.3 模糊神经网络 |
| 2.4 本章小结 |
| 第三章 基于多维多重模糊推理的网络故障诊断系统 |
| 3.1 告警模糊化处理 |
| 3.2 模糊关联规则的获取 |
| 3.3 多维多重模糊推理算法 |
| 3.3.1 模糊推理算法的还原性分析 |
| 3.3.2 一种满足还原性的加权多维多重模糊推理算法 |
| 3.4 反模糊化 |
| 3.5 本章小结 |
| 第四章 模糊推理模型及其中权值的获取 |
| 4.1 模糊匹配策略 |
| 4.2 模糊推理模型的获取 |
| 4.3 模糊推理模型中权值的获取 |
| 4.3.1 模糊神经网络的结构 |
| 4.3.2 BP学习算法分析 |
| 4.3.3 改进的BP学习算法 |
| 4.3.4 利用改进的BP算法训练模糊神经网络得到权值 |
| 4.4 本章小结 |
| 第五章 仿真实验分析 |
| 5.1 仿真系统设计 |
| 5.2 仿真结果分析 |
| 5.2.1 模糊匹配时不同模糊贴近度的比较分析 |
| 5.2.2 不同模糊推理算法的性能比较分析 |
| 5.2.3 不同网络规模下各模糊推理算法的效率分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 个人简历及攻硕期间取得的研究成果 |
（5）训练模式的不确定性对模糊系统的影响（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 不确定性和计算智能 |
| 1.1.1 不确定性 |
| 1.1.2 计算智能 |
| 1.2 模糊性 |
| 1.3 模糊神经网络 |
| 1.3.1 模糊联想记忆网络神经 |
| 1.3.2 模糊形态学联想记忆网络 |
| 1.3.3 模糊神经网络进一步的研究方向 |
| 1.4 模糊推理系统 |
| 1.5 模糊神经网络与模糊推理系统的比较 |
| 1.6 模糊系统的训练模式 |
| 1.7 本文的内容安排 |
| 2 训练模式摄动对模糊形态学联想记忆网络的影响 |
| 2.1 引言 |
| 2.2 基于最大摄动的度量 |
| 2.3 训练模式的摄动对(R,ν,Λ,+)型模糊形态学联想记忆网络的影响 |
| 2.3.1 理论分析 |
| 2.3.2 仿真实验 |
| 2.4 训练模式的摄动对(R_+,ν,Λ,×)型模糊形态学联想记忆网络的影响 |
| 2.4.1 理论分析 |
| 2.4.2 仿真实验 |
| 2.5 本章小结 |
| 3 模糊形态学双向联想记忆网络的性质 |
| 3.1 引言 |
| 3.2 模糊形态学双向联想记忆网络的模型 |
| 3.3 模糊形态学双向联想记忆网络的学习算法 |
| 3.4 模糊形态学双向联想记忆网络稳定性和收敛性 |
| 3.5 训练模式摄动对模糊形态学双向联想记忆网络的影响 |
| 3.6 仿真实验 |
| 3.7 本章小结 |
| 4 模糊神经网络的学习算法 |
| 4.1 引言 |
| 4.2 相关基础 |
| 4.3 Max-T FBAM网络的学习算法及性质 |
| 4.3.1 Max-T FBAM网络的学习算法 |
| 4.3.2 Max-T FBAM网络的性质 |
| 4.3.3 Max-T FBAM的仿真实验 |
| 4.4 模糊Hopfield网络 |
| 4.4.1 网络模型 |
| 4.4.2 Max-T_L FHNN网络的学习算法 |
| 4.4.3 Max-T_L FHNN网络的性质 |
| 4.5 本章小结 |
| 5 模糊推理算法的连续性和误差传播性 |
| 5.1 引言 |
| 5.2 R_0型反向三Ⅰ算法的连续性 |
| 5.3 R_0型反向三Ⅰ算法的误差传播性 |
| 5.4 多重CRI算法的连续性和逼近性 |
| 5.5 多维CRI算法的连续性和逼近性 |
| 5.6 仿真实验 |
| 5.7 本章小结 |
| 6 训练模式摄动度量的新方法及对模糊神经网络的影响 |
| 6.1 引言 |
| 6.2 度量摄动的新方法 |
| 6.3 基于三角模的模糊联想记忆网络 |
| 6.4 T为三角模时Max-T FAM的性质 |
| 6.4.1 T为三角模时Max-T FAM的通用学习算法 |
| 6.4.2 训练模式的摄动对Max-错误!不能通过编辑域代码创建对象。FAM的影响 |
| 6.5 训练模式的摄动模糊形态学联想记忆网络的影响 |
| 6.5.1 对(R,ν,Λ,+)型模糊形态学联想记忆网络的影响 |
| 6.5.2 对(R_+,ν,Λ,×)型模糊形态学联想记忆网络的影响 |
| 6.6 本章小结 |
| 7 结束语 |
| 7.1 研究结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于神经网络的模糊推理模型和算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 模糊推理的现状 |
| 1.3 研究意义 |
| 1.4 本文的主要工作和章节安排 |
| 1.4.1 主要工作 |
| 1.4.2 章节安排 |
| 第2章 模糊推理的基础知识 |
| 2.1 概述 |
| 2.2 模糊理论基础 |
| 2.2.1 模糊集合概念 |
| 2.2.2 隶属函数 |
| 2.2.3 模糊集合的基本运算 |
| 2.2.4 T/S范数 |
| 2.3 模糊推理模型 |
| 2.3.1 单一规则模糊推理的一般形式 |
| 2.3.2 多重模糊推理的一般形式 |
| 2.3.3 多维模糊推理的一般形式 |
| 2.3.4 多重多维模糊推理的一般形式 |
| 2.4 模糊推理算法的还原性定义 |
| 2.5 小结 |
| 第3章 模糊推理算法分析 |
| 3.1 模糊推理中的模糊关系 |
| 3.2 CRI算法 |
| 3.3 CRIP改进算法 |
| 3.4 全蕴涵三I算法 |
| 3.5 真值流推理算法 |
| 3.6 小结 |
| 第4章 人工神经网络 |
| 4.1 概述 |
| 4.2 人工神经元模型 |
| 4.3 人工神经网络模型 |
| 4.4 人工神经网络学习过程 |
| 4.4.1 有监督学习 |
| 4.4.2 无监督学习 |
| 4.5 模糊神经网络 |
| 4.5.1 模糊神经网络的分类 |
| 4.5.2 模糊神经元模型 |
| 4.5.3 模糊神经元满足的性质 |
| 4.6 小结 |
| 第5章 模糊推理模型 |
| 5.1 具有多重多维模糊推理还原性的全蕴涵三I算法 |
| 5.1.1 具有多重多维模糊推理还原性的全蕴涵三I算法 |
| 5.1.2 新方法的还原性讨论 |
| 5.1.3 新方法与三I算法实例比较 |
| 5.2 应用新方法的模糊推理神经网络 |
| 5.2.1 单一规则模糊推理神经网络 |
| 5.2.2 多维模糊推理神经网络 |
| 5.2.3 多重多维模糊推理神经网络 |
| 5.3 仿真实验 |
| 5.4 小结 |
| 第6章 总结 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表学术论文情况 |
（7）模糊神经网络的性能及其学习算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 模糊神经网络 |
| 1.2.1 模糊系统(Fuzzy System,FS)理论的起源和发展 |
| 1.2.2 人工神经网络(Neural Network,NN)及其发展概况 |
| 1.2.3 模糊系统与神经网络的融合 |
| 1.2.4 模糊神经网络的研究进展 |
| 1.2.5 正则模糊神经元与正则FNN |
| 1.3 模式对摄动的鲁棒性 |
| 1.4 模糊神经网络的泛逼近性 |
| 1.5 模糊化神经网络的学习算法 |
| 1.5.1 正则FNN的学习算法 |
| 1.5.2 折线FNN的学习算法 |
| 1.6 本文主要工作概述 |
| 1.7 本文内容安排 |
| 2 训练模式对的摄动对单体FNN的影响 |
| 2.1 模糊神经网络中的摄动鲁棒性 |
| 2.2 MFNNs及其学习算法 |
| 2.3 训练模式对的摄动对单体FNN的影响 |
| 2.3.1 相关引理 |
| 2.3.2 训练模式对的摄动对单体FNN输出的影响 |
| 2.4 本章小结 |
| 3 折线模糊神经网络的泛逼近性 |
| 3.1 相关记号与术语 |
| 3.2 折线模糊数 |
| 3.2.1 折线模糊数空间 |
| 3.3 三层前向折线FNN |
| 3.4 折线FNN对模糊值函数的通用逼近性 |
| 3.4.1 折线FNN的输入输出关系分析 |
| 3.4.2 折线FNN对模糊值函数的逼近分析 |
| 3.4.3 仿真实例 |
| 3.5 输入为一般模糊数的折线FNN的通用逼近性 |
| 3.5.1 折线FNN的性质 |
| 3.5.2 一般输入的折线FNN的逼近性能 |
| 3.6 一般折线FNN的通用逼近分析 |
| 3.6.1 一般折线FNN的性质 |
| 3.6.2 一般折线FNN的通用逼近性 |
| 3.7 本章小结 |
| 4 折线模糊神经网络的学习算法 |
| 4.1 遗传算法和量子遗传算法 |
| 4.1.1 遗传算法 |
| 4.1.2 量子遗传算法 |
| 4.2 折线FNN的学习算法 |
| 4.2.1 区间算术 |
| 4.2.2 共轭梯度算法 |
| 4.2.3 折线FNN的有效学习算法 |
| 4.3 仿真实验 |
| 4.3.1 实验结果与分析 |
| 4.4 本章小结 |
| 5 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）氧化铝气态悬浮焙烧集成优化控制指导系统的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1.1 氧化铝焙烧工艺现状 |
| 1.1.1 回转窑焙烧的发展与现状 |
| 1.1.2 流态化焙烧的发展与现状 |
| 1.1.3 气态悬浮焙烧的发展与现状 |
| 1.2 数值模拟在冶金窑炉中的应用现状 |
| 1.2.1 高温低氧燃烧仿真 |
| 1.2.2 旋风气固分离仿真 |
| 1.3 人工智能技术在冶金窑炉中的应用现状 |
| 1.3.1 模糊控制 |
| 1.3.2 专家系统 |
| 1.3.3 神经网络 |
| 1.3.4 智能集成控制 |
| 1.3.5 焙烧过程控制与优化应用现状 |
| 1.4 论文研究的主要内容 |
| 第二章 气态悬浮焙烧过程仿真与优化 |
| 2.1 气态悬浮焙烧过程 |
| 2.1.1 氧化铝焙烧机理 |
| 2.1.2 气态悬浮焙烧工艺 |
| 2.2 FLUENT数值模拟 |
| 2.2.1 仿真模拟基本过程 |
| 2.2.2 气固流动控制方程 |
| 2.2.3 控制方程的求解 |
| 2.2.4 求解计算收敛策略 |
| 2.3 高温低氧燃烧过程数值模拟 |
| 2.3.1 G.S.C物理模型 |
| 2.3.2 湍流κ-ε模型 |
| 2.3.3 燃烧模型 |
| 2.3.4 辐射模型 |
| 2.3.5 NOx生成模型 |
| 2.3.6 燃烧操作工况优化 |
| 2.4 旋风分离过程数值模拟 |
| 2.4.1 旋风分离器物理模型 |
| 2.4.2 雷诺应力方程模型 |
| 2.4.3 旋风操作工况仿真 |
| 2.4.4 分离系统改进探讨 |
| 2.5 本章小结 |
| 第三章 焙烧过程神经网络建模与优化 |
| 3.1 焙烧建模优化目标 |
| 3.2 遗传优化算法 |
| 3.2.1 编码方式 |
| 3.2.2 适应度函数 |
| 3.2.3 遗传操作算子 |
| 3.2.4 改进措施 |
| 3.3 神经网络优化模型 |
| 3.3.1 BP网络模型 |
| 3.3.2 ANN优化策略 |
| 3.4 焙烧数据样本获取 |
| 3.4.1 数据处理 |
| 3.4.2 数据分析 |
| 3.5 焙烧温度预测模型 |
| 3.5.1 GM(1,1)预测模型 |
| 3.5.2 ANN预测模型 |
| 3.5.3 优化组合预测模型 |
| 3.5.4 模型自学习 |
| 3.6 废气软测量评价模型 |
| 3.7 产能评估模型 |
| 3.8 本章小结 |
| 第四章 焙烧过程模糊神经网络控制 |
| 4.1 焙烧燃烧系统 |
| 4.1.1 燃烧调节与焙烧过程 |
| 4.1.2 一种改进的焙烧控制思想 |
| 4.2 模糊神经网络控制器 |
| 4.2.1 模糊控制器基本结构 |
| 4.2.2 模糊神经网络拓扑结构 |
| 4.2.3 模糊神经网络学习算法 |
| 4.2.4 模糊控制器性能影响因素 |
| 4.3 焙烧过程模糊专家控制 |
| 4.3.1 系统结构 |
| 4.3.2 自学习机制 |
| 4.3.3 PID参数优化方法 |
| 4.3.4 Complex-PID控制器 |
| 4.3.5 空燃比专家调节器 |
| 4.3.6 控制策略与应用 |
| 4.4 本章小结 |
| 第五章 焙烧生产专家指导 |
| 5.1 智能专家系统 |
| 5.1.1 ES系统 |
| 5.1.2 ANNES系统 |
| 5.2 焙烧指导专家系统架构 |
| 5.2.1 系统结构 |
| 5.2.2 知识表示 |
| 5.3 焙烧指导专家系统功能 |
| 5.3.1 焙烧过程分析 |
| 5.3.2 焙烧能耗分析 |
| 5.3.3 GA-ANNES参数优化 |
| 5.3.4 旋风分离工况诊断 |
| 5.4 本章小结 |
| 第六章 软件系统的开发与应用 |
| 6.1 系统的开发 |
| 6.1.1 系统整体架构 |
| 6.1.2 开发工具的选择 |
| 6.2 PLC基础控制系统 |
| 6.2.1 PLC系统结构 |
| 6.2.2 基本控制任务 |
| 6.2.3 系统实现 |
| 6.3 优化系统与PLC系统的通讯 |
| 6.3.1 OPC通讯方式 |
| 6.3.2 自定通讯方式 |
| 6.3.3 DevicNet通讯方式 |
| 6.4 集成优化系统的实现 |
| 6.4.1 系统集成模式 |
| 6.4.2 系统的结构 |
| 6.4.3 系统的实现 |
| 6.5 系统的工业验证 |
| 6.5.1 整体性能 |
| 6.5.2 应用效果 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文 |
（9）模糊智能系统中模糊推理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 模糊事物与模糊集 |
| 1.2 模糊系统 |
| 1.2.1 什么是模糊系统 |
| 1.2.2 模糊系统的组成、分类和优点 |
| 1.3 模糊控制 |
| 1.3.1 现代控制理论在深度和广度上的开拓 |
| 1.3.2 模糊控制的诞生 |
| 1.3.3 模糊控制的发展 |
| 1.3.4 模糊控制与传统控制的比较 |
| 1.3.5 模糊控制目前存在的主要问题 |
| 1.4 模糊神经网络 |
| 1.4.1 神经网络发展简史 |
| 1.4.2 神经网络与模糊逻辑比较 |
| 1.4.3 模糊神经网络理论研究简述 |
| 1.4.4 模糊神经网络进一步的研究方向 |
| 1.5 人工智能的两大方法 |
| 1.5.1 符号智能 |
| 1.5.2 计算智能 |
| 1.6 模糊推理 |
| 1.6.1 模糊推理在信息科学中的地位 |
| 1.6.2 模糊推理的多种分类 |
| 1.6.3 关于模糊推理的研究 |
| 1.7 本文研究工作概述 |
| 1.8 本文的内容安排 |
| 2 带参数模糊关系合成和区间值模糊集的相容性测度 |
| 2.1 引言 |
| 2.1.1 max和min运算 |
| 2.1.2 ∨~λ算子和广义∨~λ算子的定义和性质 |
| 2.2 带参数模糊关系合成的多种形式 |
| 2.3 带参数模糊关系合成的性质 |
| 2.4 新旧区间值模糊集的相容性测度的性质和传播 |
| 2.4.1 原区间值模糊集的相容性测度的性质 |
| 2.4.2 新的相容性测度-相合度的性质 |
| 2.4.3 相容度和相合度在模糊推理过程中的传播 |
| 2.5 本章小结 |
| 3 简单模糊推理的CRIP法和全蕴涵三I算法的逼近性质 |
| 3.1 引言 |
| 3.2 简单模糊推理CRIP方法的性质 |
| 3.3 与带参数的单重模糊推理合成法则对应的模糊神经网络 |
| 3.4 推理实例及分析 |
| 3.5 全蕴涵三I算法的逼近性 |
| 3.5.1 相关定义和引理 |
| 3.5.2 对R_0型三I(FMP)算法的逼近性分析 |
| 3.5.3 对R_0型三I(FMT)算法的逼近性分析 |
| 3.6 本章小结 |
| 4 多重模糊推理情形下的CRIP法和广义Mamdani法 |
| 4.1 引言 |
| 4.2 多重情形下CRIP法 |
| 4.2.1 相关定义 |
| 4.2.2 多重情形下CRIP法的性质 |
| 4.3 实现多重情形CRIP方法的推理机 |
| 4.3.1 参数训练方法 |
| 4.3.2 推理机运行实例 |
| 4.4 基于单体模糊神经网络的广义Mamdani法 |
| 4.4.1 用于G-Mamdani模糊推理方法的MFNN结构 |
| 4.4.2 G-Mamdani模糊推理方法和它的性质 |
| 4.4.3 G-Mamdani法满足多种推理原则要求的方法 |
| 4.5 本章小结 |
| 5 两类新的基于T／S范的模糊神经元模型及其应用 |
| 5.1 引言 |
| 5.2 F1型神经元模型 |
| 5.2.1 F1型神经元的定义 |
| 5.2.2 F1和F1’对某些运算的封闭性 |
| 5.3 F2型神经元模型 |
| 5.3.1 F2型神经元的定义 |
| 5.3.2 F2和F2’对某些运算的封闭性及其它性质 |
| 5.3.3 f_(2,∧,∨)(x,y)的性质 |
| 5.3.4 f_(1,∧,∨)(x,y)模型与f_(2,∧,∨)(x,y)模型应用领域的侧重点分析 |
| 5.4 f_(2,∧,∨)(x,y)在模糊推理中的应用 |
| 5.5 本章小结 |
| 6 基于神经网络的模糊推理方法 |
| 6.1 引言 |
| 6.2 用于模糊推理的神经网络及性能 |
| 6.2.1 用于模糊推理的神经网络 |
| 6.2.2 新方法的若干优点 |
| 6.2.3 网络中权值的一种确定方法 |
| 6.2.4 新方法能满足推理逼近原则的要求 |
| 6.2.5 可应用于模糊推理的另一神经网络 |
| 6.3 推理实例 |
| 6.4 本章小结 |
| 7 模糊系统对规则摄动的鲁棒性 |
| 7.1 引言 |
| 7.2 相关定义和引理 |
| 7.2.1 相关定义 |
| 7.2.2 模糊蕴涵算子与Lipschitz条件 |
| 7.3 多重模糊推理情形推理算法对规则摄动的鲁棒性的分析 |
| 7.4 链式和多维模糊推理情形推理算法对规则摄动的鲁棒性分析 |
| 7.4.1 链式模糊推理情形 |
| 7.4.2 多维模糊推理情形 |
| 7.5 一般模糊神经网络训练模式集摄动的鲁棒性的定义和相关引理 |
| 7.6 模糊联想记忆网络对训练模式集摄动的鲁棒性分析 |
| 7.7 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于单体模糊神经网络的多重模糊推理方法研究（论文提纲范文）
| 1 概述 |
| 2 用于G-Mamdani模糊推理方法的MFNN结构 |
| 3 G-Mamdani模糊推理方法和它的性质 |
| 4 G-Mamdani法满足多种推理原则要求的方法 |
| 5 结束语 |
四、基于单体模糊神经网络的多重模糊推理方法研究（论文参考文献）
- [1]基于模糊算子的智能信息处理模型研究[D]. 陈芳. 南京理工大学, 2020
- [2]基于稀疏贝叶斯学习的丙烯聚合过程熔融指数建模与优化研究[D]. 孙元萌. 浙江大学, 2020(01)
- [3]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报, 2017(06)
- [4]多维多重模糊推理在网络故障诊断中的应用[D]. 赵蕾. 电子科技大学, 2016(02)
- [5]训练模式的不确定性对模糊系统的影响[D]. 曾水玲. 南京理工大学, 2011(12)
- [6]基于神经网络的模糊推理模型和算法研究[D]. 易安. 西南大学, 2010(08)
- [7]模糊神经网络的性能及其学习算法研究[D]. 何春梅. 南京理工大学, 2010(08)
- [8]氧化铝气态悬浮焙烧集成优化控制指导系统的研究[D]. 刘代飞. 中南大学, 2008(02)
- [9]模糊智能系统中模糊推理研究[D]. 徐蔚鸿. 南京理工大学, 2004(02)
- [10]基于单体模糊神经网络的多重模糊推理方法研究[J]. 徐蔚鸿,叶有培,杨静宇. 计算机工程, 2003(01)