广义支撑集归结原理

广义归结是对Ｊ．Ａ．Ｒｏｂｉｎｓｏｎ普通归结的推广，支撑集策略是提高归结效率的有效方法，本文将支撑集策略引入广义归结中，提出了广义支撑集归结方法，并证明了它的完备性。     

基于模糊理论与神经网络并行推理的发动机故障诊断方法

将模糊理论与神经网络相融合，针对汽油发动机偶发性疑难故障，采用模糊信息处理方法确定故障的类别，通过神经网络的逼近能力来实现对故障进行诊断的功能。与单纯使用神经网络进行故障诊断的方法相比，基于模糊理论与神经网络并行推理的发动机故障诊断方法在输入参数不是训练时的典型数据（同训练时输入数据差别较大）时，系统仍能对输入样本很好地归类，给出较高精度的诊断结果，尤其对于单一系统的复杂故障具有很好的识别能力，可以提高对发动机故障的诊断精度。     

一阶逻辑中的扩展子句消去原则

对于一阶逻辑定理证明器，子句集化简一直是必不可少的步骤，这将有助于提高后续一阶逻辑定理证明器的证明效率. 针对子句冗余性的判断，提出了一种评估子句冗余性的原则:集合蕴涵模归结原则. 并且证明了该原则在不带等词一阶逻辑上的可靠性，根据该原则删除子句，不会影响原始子句集的不可满足性或者可满足性. 此外，依据该原则提出了两种新型的一阶逻辑预处理方法:集合归结包含消去（set resolution subsumption, SRSE）方法和集合归结不对称恒真消去（set resolution asymmetric tautology elimination, SRATE）方法，并证明了这两种子句消去方法在不带等词一阶逻辑子句集上的可靠性. 最后在理论上比较了SRSE方法和归结包含消去（sesolution subsumption elimination, RSE）方法以及SRATE方法和归结不对称恒真（sesolution asymmetric tautology elimination, RATE）方法之间的有效性，结果表明SRSE方法和SRATE方法分别比RSE方法和RATE方法更为有效.      

模糊逻辑与神经网络技术协作系统的研究

分析了模糊系统与神经网络系统的相同及相异性。在此基础上研究了模糊逻辑与神经网络技术协作系统的结构和实现技术，并着重研究了模糊控制器的神经网络实现技术及改善神经网络学习特性的模糊控制技术。     

基于模糊神经网络的员工晋升辅助决策系统

为定量地分析企业员工晋升决策过程的影响因素，用基于实例的模糊神经网络方法，通过划分非模糊化和模糊化输入变量。改进了Takagi-Sugeno模糊模型．用包含求和、求积和求极小运算节点的扩展的pi-sigma神经网络学习算法确定结论参数和前提参数。自适应地从员工数据库中归纳出模糊逻辑关系，建立企业晋升决策的辅助系统．经算例验证准确率达75％以上．     

模糊神经网络在钢筋混凝土桥梁结构可靠度分析中的应用

钢筋混凝土桥梁结构可靠度分析中存在着模糊性问题,计算结构可靠度的传统方法没有考虑结构的模糊性问题．将模糊神经网络用于钢筋混凝土桥梁结构的可靠度计算,用神经网络来构造模糊系统,实现输入、输出隶属函数的自动调整,并给出了模糊神经网络计算结构可靠度的步骤．最后通过两个算例来计算结构可靠度,计算结果表明,模糊神经网络法计算结果与JC法计算结果比较接近,该方法可以用于桥梁结构的可靠度计算,特别是可用于功能函数不能显示表达的可靠度计算．该方法的缺点是计算用时稍长以及训练、检验样本的来源存在问题．     

归结原理及其在数学定理证明中的应用

对归结原理的基本概念与推理规则进行了讨论,并在此基础上通过实例探讨了归结推理方法在数学定理证明中的应用。     

格值命题逻辑系统LP(X)中广义文字的α-归结域

格值命题逻辑系统LP（X）中广义文字的α-归结域的研究，是基于格值命题逻辑系统LP（X）的α-归结原理研究的继续．该逻辑系统的逻辑真值域是格蕴涵代数．讨论了LP（X）的常量、命题变元和一些广义文字的性质，并得到了它们的α-归结域。     

用于振动噪声分析的模糊神经网络故障诊断测试仪的研制

以８０Ｃ１９６ＫＢ为核心，基于模糊神经网络的多功能便携式振动噪声分析仪对振动和噪声信号检测，在复数范围内进行１０２４点浮点快速付立叶变换，从而得到被测信号频谱图，通过对传统谱图分析，提出一种简单，有效的分析方法，并与神经网络和模糊理论相结合，用已建立的模糊神经网络对谱图进行模式识别或故障诊断。     

基于模糊识别的神经网络分类器

提出一种基于模糊识别的神经网络分类器。首先对训练样本ＸＫ进行模糊聚类，求其从属于各类别ωｉ的隶属变Ｕｗｉ（Ｘｋ）。然后利用这些训练样本和所求得的从属于各类别的隶属度，通过神经网络的学习拟合出各模式类的隶属函数，进而构造出神经网络分类器。这种方法将模糊理论与神经网络分布式联想存储的优点相结合，使无监督分类器成了有监督分类器。     

Additive—Multiplicative Fuzzy Neural Network and Its Performance

Introduction　　Kosko[1] hasprovedthatanadditivefuzzysystemcanapproximateanycontinuousfunctiononacompactdomaintoarbitraryaccuracy .AspointedbyWang[2 ] ,amultiplicativefuzzysystem ,whichisconstructedbyusingGaussianmembershipfunctionandcentroiddefuzzificati…     

基于模糊神经网络的高速公路路面质量评价

为提高高速公路沥青路面使用质量的评价精度,将T-S模糊理论与BP神经网络相结合,以高速公路沥青路面的路面状况指数、路面结构强度指数、道路行驶质量指数和路面抗滑性能指数4个检测指标作为输入变量,根据模糊推理规则构建路面质量评价的非线性映射关系,路面检测指标经过模糊神经网络的学习和训练,直至网络输出与期望输出的误差达到最小,去模糊化后得到各路段的精确评价结果,建立了路面使用质量的综合评价模型.用实际检测数据对该模型进行了验证,结果表明:该模型具有模糊系统的逻辑推理能力和神经网络的定量数据处理能力,通过本文方法仿真得到的路面质量的综合评价结果,与期望值的相对误差小于2.1%.      

基于拓扑变换的一种不确定性推理方法

不确定性推理的研究是人工智能研究领域的核心问题之一,也是近年来一个很活跃的研究方向.关于解决和处理不确定性推理问题的方法有很多.但从数学本质上来看,它们都是在推埋的前提和结论之间建立一种变换关系,并利用该变换关系去处理该推理问题.本文用模糊拓扑和模糊数学的方法给出了一种基于拓扑变换的不确定性推理方法.这为处理不性推理问题提供了一种合适的方法.     

基于BP算法的模糊Petri网在铁路客运站行车事故分析中的应用

针对铁路客运站行车事故致因过程的动态性以及事故原因的模糊性,提出了一种Petri网图形建模同模糊控制理论相结合的分析方法.根据具体的事故产生式规则,建立了行车事故的模糊Petri网模型,进一步又将神经网络的BP算法引入到模型参数的学习中,通过给出的模糊推理算法,推理计算出事故的主要原因及可信度.最后将该方法应用到某客运站行车事故分析中,结果证明了其在事故分析中的准确性和可行性.     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

一种新的区间值模糊集推理方法

在两向量相似度的基础上,定义了两个区间值模糊集在一点处相似度,然后在此基础上提出了一种新的模糊推理方法——区间值模糊集相似度推理方法.并且对该种方法的还原性进行了讨论,给出了满足还原算法的条件.     

基于模糊神经网络的结合部匝道控制方法研究

针对高速公路与关联城市快速路（简称结合部）路段拥堵日益严重的现状,从匝道控制影响要素分析入手,基于模糊控制和神经网络思想,本文提出了以主线交通状态与期望状态差值和匝道交通状态为输入变量,以匝道调节率为输出变量的模糊控制方法. 同时针对结合部路网互通式立交设计的实际情况,分单匝道控制和双匝道控制两种情况进行了分析,提出了相应的匝道控制方法,并建立了5层模糊神经网络控制模型. 最后以北京京津塘高速公路与北京三环和四环关联城市快速路为案例,对建立的模型进行效果验证,结果证明了所建立方法的有效性.     

Feature Selection for SVM Classifiers Based on Discretization

The rough sets and Boolean reasoning based discretization approach （RSBRA） is not suitable for feature selection for machine learning algorithms such as neural network or SVM because the information loss due to discretization is large. A modified RSBRA for feature selection was proposed and evaluated with SVM classifiers. In the presented algorithm, the level of consistency, coined from the rough sets theory, is introduced to substitute the stop criterion of circulation of the RSBRA, which maintains the fidelity of the training set after discretization. The experimental results show the modified algorithm has better predictive accuracy and less training time than the original RSBRA.