论文摘要
模糊神经网络具有神经网络的自学习、自适应、并行处理能力以及较强的函数逼迫能力,而且还融合了模糊逻辑规则的抽取能力。因而在系统辨识、模式识别和控制等领域得到了较为广泛的应用,而基于动态模糊神经网络的系统辨识成了当前研究领域的热点之一。目前图像识别和非线性动态系统的辨识一直是人们研究的重点和难点,而模糊神经网络用作辨识器为辨识领域提供了一个较新的、通用有效的辨识工具。本文基于动态模糊RBF网络和GD-FNN网络,对图像识别和非线性动态系统辨识这两个方面展开了研究,其主要内容如下:1、改进了动态模糊RBF网络的图像辨识方法:在选取辨识输入信号上采用图像的特征向量替代原始图像数,运用模糊神经网络理论实现网络的辨识。在实际辨识中对网络的学习算法进行了优化,运用MATLAB软件平台对遥感图像进行了仿真实验,验证了模糊RBF网络在图像识别中的优良性能。2、动态模糊神经网络以其快速的模糊规则抽取功能和较强的非线性的动态辨识能力,受到研究者的广泛关注。本文对GD-FNN网络结构进行了改进形成了回归的广义模糊神经网络（GDRFNN）,并对学习算法进行了优化。分别运用GDFNN网络和GDRFNN网络对同一非线性动态系统作了辨识仿真,验证了GDRFNN在非线性辨识领域的优越性。由于动态模糊神经网络融合了模糊系统和神经网络各自的优点。在进行系统辨识时,能以其二者的独特功能进行较精准的图像识别和非线性系统辨识,因而在现实的运用中有其广阔的发展前景。