【IEEETII】TSTFNN：模糊神经网络在工业浮选过程性能监测中的性能增强
神经网络界已经对学习算法进行了大量的研究，但对训练策略的研究有限。为了提高模糊神经网络在工业过程识别中的性能，提出了一种基于两阶段训练的模糊神经网络。首先，为了初始化TSTFNN，我们提出了一种监督聚类方法。它通过根据样本的标签对部分样本进行聚类，确定TSTFNN的初始中心和神经元数量。然后，采用基于梯度的算法进一步学习TSTFNN的参数。为了提高其泛化性能，我们开发了一个两阶段训练方案。在第一阶段，执行标准的10倍交叉验证来学习参数。预测误差超过预设阈值的样本用于在第二阶段中训练网络。根据李雅普诺夫准则，我们证明了如果学习率选择在适当的范围内，TSTFNN的收敛性。通过对两个基准问题的仿真验证了TSTFNN的有效性。所提出的TSTFNN性能优于现有技术。与监督长短期存储器相比，均方根误差降低了17%。然后，我们将其应用于工业浮选过程中的软传感器建模。实验结果表明，TSTFNN具有令人满意的预测性能。
