导读:本文包含了模糊模块化神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:模糊边界,模块化神经网络,混沌时间序列,预测
模糊模块化神经网络论文文献综述
马千里,郑启伦,彭宏,覃姜维[1]（2009）在《基于模糊边界模块化神经网络的混沌时间序列预测》一文中研究指出提出一种模糊边界模块化神经网络(FBMNN)的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对叁个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果.(本文来源于《物理学报》期刊2009年03期）
黄颖[2]（2008）在《模块化模糊神经网络的气象预报建模的改进方法研究》一文中研究指出针对模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM)聚类,聚类过程没有对样本的特征进行优化的缺陷,首先尝试用模糊核聚类算法(FKCA)替代FCM算法聚类,建立一种新的模糊核聚类的模块化模糊神经网络模型(FKCA-MFNN);研究中进一步发现,由于FKCA算法没有考虑类别规模对聚类效果的影响,因而当数据集中类别规模差别很大时聚类效果仍不够理想,提出两阶段加权模糊核聚类算法(2-WFKCA)。该算法定义了一个新的目标函数,引入动态权值,并采用传统的FCM算法粗聚类的结果作为初始化。因此,将2-WFKCA算法替代FCM算法聚类,建立一种两阶段加权模糊核聚类的模块化模糊神经网络预报模型(2-WFKCA-MFNN),可提高整个MFNN系统的性能。论文取广西西南部6月25个气象站逐日平均降水量为预报对象,以2003至2006年6月(共115天)中国气象局的T213模式和日本细网格降水模式48小时预报场等数值预报产品资料为基础,应用上述2种改进的MFNN模型对2007年6月广西西南部进行逐日平均降水预报建模方法研究。在两种改进的MFNN降水预报模型建模过程中,首先通过对2003至2006年6月数值预报产品场与预报对象进行场相关普查,得到广西西南部25站逐日平均降水量的预报因子共66个(T213因子65个,日本降水预报格点因子1个)。考虑到如此众多的预报因子直接作为神经网络模型的输入节点,会使神经网络的结构很大,不仅导致网络训练时间过长,更重要的是一些预报因子之间存在的高相关性和因子本身的噪声影响,都会直接影响神经网络预报模型的预报效果。对此,论文采用偏最小二乘回归方法(PLS)提取数量较少且代表性较强的几个成分因子来构造模块化模糊神经网络输入矩阵。在实际计算中,采用PLS方法对65个T213因子作逐次PLS计算,并提取了3个成分因子,结合1个日本格点预报因子共4个预报因子作为模型输入,建立了2-WFKCA-MFNN降水预报模型,并利用该预报模型对2007年6月广西西南部逐日降水量进行实际降水预报试验。结果表明,该预报模型对6月份30天的逐日降水预报平均绝对误差为5.744mm。在相同的模型输入下,建立FKCA-MFNN模型和FCM-MFNN模型,独立样本预报平均绝对误差分别为6.049mm、6.165mm。对比分析可以看出,2-WFKCA-MFNN模型的预报结果稳定,并且比FKCA-MFNN模型、FCM-MFNN模型的预报精度分别提高5.31%、7.33%。为提高2-WFKCA-MFNN模型的预报能力,论文进一步研究了对输入因子采用模糊化因子处理方法。模糊化方法的主要思想是,通过对事物整体上或是细节上的处理,进而模糊化事物之间的差别,提高事物的适应性。将这一原理运用到MFNN,可以模糊化建模样本与独立样本之间的差别,扩大样本的适应范围,提高MFNN的泛化性能。对上述4个预报因子模糊化处理后作为模型输入,在相同的建模样本和模型参数下,建立了模糊化-2-WFKCA-MFNN模型,对2007年6月广西西南部逐日降水量进行实际降水预报建模,独立样本预报平均绝对误差为5.726mm。结果表明,模糊化-2-WFKCA-MFNN模型的预报效果与2-WFKCA-MFNN模型相当,但这两种模型的预报效果均比FKCA-MFNN模型、FCM-MFNN模型都要好,其中模糊化-2-WFKCA-MFNN模型比FKCA-MFNN模型、FCM-MFNN模型预报精度分别提高5.64%、7.67%。为了客观分析论文提出的改进的MFNN与常规气象预报方法的性能差异,进一步将改进的MFNN模型与传统的逐步回归方法进行了预报的对比试验,试验中所采用的预报因子与上述方法所依据的初选预报因子群完全一致。为了保证对比的合理性,试验通过对F值的控制,在预报因子数和建模样本完全相同的情况下,逐步回归预报方程对2007年6月30天降水的独立样本预报平均绝对误差为8.361mm。相比之下,逐步回归方法预报误差要明显大于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的预报误差,这3种模型的预报精度比逐步回归方法分别提高45.56%、46.02%、38.22%。这主要是因为逐步回归方法在建模时只考虑对回归模型有显着性影响的预报因子,没有考虑预报因子之间的多重共线性相关关系等问题,从而影响了预报模型的预报能力;另一方面由于逐日的降水量变化受到大气内部和大气外部环境条件的综合影响,具有明显的非线性变化特点,而逐步回归方法是属于线性统计预报建模方法,不能反映预报因子与预报量之间的非线性关系,最终导致预报精度明显低于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的预报精度。综合以上分析结果,论文提出将两阶段加权模糊核聚类算法(2-WFKCA)替代FCM算法聚类,建立2-WFKCA-MFNN模型,可显着提高整个MFNN系统的性能,更好地适应现实应用中的实际问题。由于与大气学科的降水预报一样,在实际的水文,交通,电力负荷,经济和地质灾害等许多预测应用研究方面,也都会遇到采用传统的FCM算法进行聚类分析的问题。2-WFKCA算法为提高MFNN模型的预报精度提供了新的思路,具有很好的应用推广前景。从本文的研究结果表明,合理选择聚类方法对提高MFNN预报模型的预测精度是十分有效的。(本文来源于《广西师范大学》期刊2008-05-01）
王晶晶,金健[3]（2007）在《模块化模糊神经网络训练策略研究》一文中研究指出为分析模块化模糊神经网络的训练机制,进一步降低其训练复杂度,增强模型的泛化性能,尝试采用部分训练样本对模型进行相对粗训练,并以广西全省1957—2003年连续47 a 5月平均降水量作为实验数据,统计各种参数条件下模型的逐步预测误差情况。结果表明:由部分训练样本参与训练的模型所得测试误差普遍低于由全部训练样本参与训练的模型所得测试误差,证明该方法可行。(本文来源于《南京气象学院学报》期刊2007年02期）
李界家,张双喜,马斌,李文红[4]（2006）在《层次模块化模糊神经网络在铝电解故障诊断中的应用》一文中研究指出目的针对铝电解故障发生机理及特点,提出采用层次模块化模糊神经网络实现对铝电解故障快速、有效检测的新方法.方法利用数据处理子模块,诊断子模块,决策子模块,从而对铝电解生产过程中的故障进行诊断.结果数据处理子网络实现了对数据的特征提取,优化了数据结构,将大结构的神经网络分解成多个小网络,并用决策神经网络对故障进行模式分类.结论该方法优化了大结构神经网络的学习性能,提高了故障检测的准确率,具有良好的实用价值.(本文来源于《沈阳建筑大学学报(自然科学版)》期刊2006年05期）
刘芳,刘民,吴澄[5]（2006）在《基于模块化模糊子系统的分层模糊神经网络》一文中研究指出提出一种基于模块化模糊子系统的分层模糊神经网络.该分层模糊神经网络基于高斯隶属函数,且功能上等价于一个TSK模糊系统.这种分层神经网络在保留了传统模糊神经网络很多优点的同时有效地抑制了“维数灾”问题,而且在模糊子系统中模糊规则的激活强度有所提高.仿真试验结果表明,该方法能获得更为简洁有效的模糊规则集.(本文来源于《控制与决策》期刊2006年03期）
刘兰翠,朱明,杨中[6]（2004）在《基于模糊模块化神经网络的煤矿安全性评价》一文中研究指出在合理选取煤矿安全性评判指标的基础上,运用模糊神经网络理论建立了煤矿安全性评价的模糊Modular神经网络模型,在开滦煤矿的实际应用表明了此模型用于煤矿安全性评价的可行性。(本文来源于《河北理工学院学报》期刊2004年03期）
金龙,林熙,金健,李菁[7]（2003）在《模块化模糊神经网络的数值预报产品释用预报研究》一文中研究指出综合应用预报量自身时间序列的拓展,数值预报产品和模块化模糊神经网络方法,进行了一种新的数值预报产品释用预报研究。将这种新方法与常规的数值预报产品完全预报(PP)方法进行了对比试验。结果表明,这种模块化模糊神经网络数值预报产品释用预报方法比PP预报方法的预报精度显着提高。并且,通过对预报模型“过拟合”现象的研究发现,这种模块化模糊神经网络的数值预报产品释用预报模型具有很好的泛化性能。(本文来源于《气象学报》期刊2003年01期）
赵翔,萧德云[8]（2001）在《基于模块化模糊神经网络的非线性系统故障诊断(英文)》一文中研究指出提出一种基于模块化模糊神经网络的非线性系统故障诊断新方法 .该方法先使用模糊c 均值聚类法对测量空间进行模块分割 ,再利用模糊IF THEN规则对分割后的子空间分别采用局部BP模型进行逼近 .最后 ,通过离线学习获得不同子空间故障输出与测量输入的非线性动力特性 .试验表明该网络具有良好的泛化性能 ,可显着提高非线性系统故障检测的快速性、鲁棒性及准确率 .(本文来源于《控制理论与应用》期刊2001年03期）
模糊模块化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：
针对模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM)聚类,聚类过程没有对样本的特征进行优化的缺陷,首先尝试用模糊核聚类算法(FKCA)替代FCM算法聚类,建立一种新的模糊核聚类的模块化模糊神经网络模型(FKCA-MFNN);研究中进一步发现,由于FKCA算法没有考虑类别规模对聚类效果的影响,因而当数据集中类别规模差别很大时聚类效果仍不够理想,提出两阶段加权模糊核聚类算法(2-WFKCA)。该算法定义了一个新的目标函数,引入动态权值,并采用传统的FCM算法粗聚类的结果作为初始化。因此,将2-WFKCA算法替代FCM算法聚类,建立一种两阶段加权模糊核聚类的模块化模糊神经网络预报模型(2-WFKCA-MFNN),可提高整个MFNN系统的性能。论文取广西西南部6月25个气象站逐日平均降水量为预报对象,以2003至2006年6月(共115天)中国气象局的T213模式和日本细网格降水模式48小时预报场等数值预报产品资料为基础,应用上述2种改进的MFNN模型对2007年6月广西西南部进行逐日平均降水预报建模方法研究。在两种改进的MFNN降水预报模型建模过程中,首先通过对2003至2006年6月数值预报产品场与预报对象进行场相关普查,得到广西西南部25站逐日平均降水量的预报因子共66个(T213因子65个,日本降水预报格点因子1个)。考虑到如此众多的预报因子直接作为神经网络模型的输入节点,会使神经网络的结构很大,不仅导致网络训练时间过长,更重要的是一些预报因子之间存在的高相关性和因子本身的噪声影响,都会直接影响神经网络预报模型的预报效果。对此,论文采用偏最小二乘回归方法(PLS)提取数量较少且代表性较强的几个成分因子来构造模块化模糊神经网络输入矩阵。在实际计算中,采用PLS方法对65个T213因子作逐次PLS计算,并提取了3个成分因子,结合1个日本格点预报因子共4个预报因子作为模型输入,建立了2-WFKCA-MFNN降水预报模型,并利用该预报模型对2007年6月广西西南部逐日降水量进行实际降水预报试验。结果表明,该预报模型对6月份30天的逐日降水预报平均绝对误差为5.744mm。在相同的模型输入下,建立FKCA-MFNN模型和FCM-MFNN模型,独立样本预报平均绝对误差分别为6.049mm、6.165mm。对比分析可以看出,2-WFKCA-MFNN模型的预报结果稳定,并且比FKCA-MFNN模型、FCM-MFNN模型的预报精度分别提高5.31%、7.33%。为提高2-WFKCA-MFNN模型的预报能力,论文进一步研究了对输入因子采用模糊化因子处理方法。模糊化方法的主要思想是,通过对事物整体上或是细节上的处理,进而模糊化事物之间的差别,提高事物的适应性。将这一原理运用到MFNN,可以模糊化建模样本与独立样本之间的差别,扩大样本的适应范围,提高MFNN的泛化性能。对上述4个预报因子模糊化处理后作为模型输入,在相同的建模样本和模型参数下,建立了模糊化-2-WFKCA-MFNN模型,对2007年6月广西西南部逐日降水量进行实际降水预报建模,独立样本预报平均绝对误差为5.726mm。结果表明,模糊化-2-WFKCA-MFNN模型的预报效果与2-WFKCA-MFNN模型相当,但这两种模型的预报效果均比FKCA-MFNN模型、FCM-MFNN模型都要好,其中模糊化-2-WFKCA-MFNN模型比FKCA-MFNN模型、FCM-MFNN模型预报精度分别提高5.64%、7.67%。为了客观分析论文提出的改进的MFNN与常规气象预报方法的性能差异,进一步将改进的MFNN模型与传统的逐步回归方法进行了预报的对比试验,试验中所采用的预报因子与上述方法所依据的初选预报因子群完全一致。为了保证对比的合理性,试验通过对F值的控制,在预报因子数和建模样本完全相同的情况下,逐步回归预报方程对2007年6月30天降水的独立样本预报平均绝对误差为8.361mm。相比之下,逐步回归方法预报误差要明显大于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的预报误差,这3种模型的预报精度比逐步回归方法分别提高45.56%、46.02%、38.22%。这主要是因为逐步回归方法在建模时只考虑对回归模型有显着性影响的预报因子,没有考虑预报因子之间的多重共线性相关关系等问题,从而影响了预报模型的预报能力;另一方面由于逐日的降水量变化受到大气内部和大气外部环境条件的综合影响,具有明显的非线性变化特点,而逐步回归方法是属于线性统计预报建模方法,不能反映预报因子与预报量之间的非线性关系,最终导致预报精度明显低于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的预报精度。综合以上分析结果,论文提出将两阶段加权模糊核聚类算法(2-WFKCA)替代FCM算法聚类,建立2-WFKCA-MFNN模型,可显着提高整个MFNN系统的性能,更好地适应现实应用中的实际问题。由于与大气学科的降水预报一样,在实际的水文,交通,电力负荷,经济和地质灾害等许多预测应用研究方面,也都会遇到采用传统的FCM算法进行聚类分析的问题。2-WFKCA算法为提高MFNN模型的预报精度提供了新的思路,具有很好的应用推广前景。从本文的研究结果表明,合理选择聚类方法对提高MFNN预报模型的预测精度是十分有效的。
（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。
模糊模块化神经网络论文参考文献
[1].马千里,郑启伦,彭宏,覃姜维.基于模糊边界模块化神经网络的混沌时间序列预测[J].物理学报.2009
[2].黄颖.模块化模糊神经网络的气象预报建模的改进方法研究[D].广西师范大学.2008
[3].王晶晶,金健.模块化模糊神经网络训练策略研究[J].南京气象学院学报.2007
[4].李界家,张双喜,马斌,李文红.层次模块化模糊神经网络在铝电解故障诊断中的应用[J].沈阳建筑大学学报(自然科学版).2006
[5].刘芳,刘民,吴澄.基于模块化模糊子系统的分层模糊神经网络[J].控制与决策.2006
[6].刘兰翠,朱明,杨中.基于模糊模块化神经网络的煤矿安全性评价[J].河北理工学院学报.2004
[7].金龙,林熙,金健,李菁.模块化模糊神经网络的数值预报产品释用预报研究[J].气象学报.2003
[8].赵翔,萧德云.基于模块化模糊神经网络的非线性系统故障诊断(英文)[J].控制理论与应用.2001