基于强化学习改进的模糊神经网络及其应用研究

论文摘要

模糊神经网络是一种新型的人工智能技术，它结合了神经网络和模糊逻辑推理系统两者的优点，相互取长补短，因而使得模糊模式识别和模糊逻辑推理等具有自学习的功能。但是通常的模糊神经网络并未考虑到训练数据与环境的交互，而强化学习通过感知环境状态信息来学习动态系统的最优策略，通过试错法不断与环境交互改善自己的行为，并具有对先验知识要求低的优点。本文将强化学习算法引入到模糊神经网络中，实现了对雷达辐射源的识别。并在此基础上，采用引用网完成了对平台识别过程的建模和推理。本文首先在对模糊神经网络的相关理论深入研究的基础上，给出了一种基于POP的五层模糊神经网络模型，并在强化学习的框架下获取该网络模型的隶属度函数的聚类参数。之后提出了获取变化的隶属函数中心数的聚类参数的改进算法，并将基于强化学习的改进后的聚类参数生成算法应用到雷达辐射源识别中。先对雷达辐射源数据进行特征提取及归一化处理，将得到的雷达仿真数据作为实验的数据集，对基于强化学习的聚类参数生成算法和改进后的算法的实验结果进行比较，实验表明，基于强化学习的变化中心数聚类参数生成算法的效果更好。在平台识别过程中，利用引用网描述平台识别规则。该方法简洁直观，是一种有效的平台知识表示方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 模糊神经网络概述
• 1.2 强化学习的研究现状及应用
• 1.2.1 强化学习的研究历史与现状
• 1.2.2 强化学习的应用
• 1.3 本文所做工作和章节安排
• 第二章 雷达辐射源特征提取及识别技术概述
• 2.1 模式识别概述
• 2.2 雷达辐射源特征提取及归一化
• 2.2.1 特征参数的提取
• 2.2.2 特征参数归一化
• 2.3 雷达辐射源识别技术概述
• 2.4 本章小结
• 第三章 基于POP的模糊神经网络结构
• 3.1 模糊集合与模糊逻辑
• 3.1.1 模糊集合的表示方法及运算
• 3.1.2 模糊逻辑推理
• 3.1.3 模糊关系及隶属函数
• 3.2 人工神经网络概述
• 3.2.1 人工神经元模型及激活函数
• 3.2.2 前馈型网络
• 3.3 模糊神经网络
• 3.3.1 POP模糊神经网络模型
• 3.3.2 POP模糊神经网络的学习过程
• 3.4 基于POP模糊神经网络的雷达辐射源分类识别
• 3.5 本章小结
• 第四章 基于强化学习改进的神经网络学习算法
• 4.1 强化学习简述
• 4.1.1 神经网络的学习方式
• 4.1.2 强化学习基本要素和特点
• 4.2 强化学习算法到KOHONEN学习规则的映射
• 4.2.1 强化学习算法
• 4.2.2 Kohonen学习规则
• 4.2.3 基于强化学习的Kohonen网络权值更新规则
• 4.3 基于强化学习改进的径向基神经网络
• 4.3.1 径向基神经网络模型
• 4.3.2 基于强化学习改进的径向基神经网络的学习过程
• 4.3.3 改进的径向基神经网络对雷达辐射源的识别
• 4.4 改进的基于强化学习的聚类算法
• 4.5 实验结果与分析
• 4.6 本章小结
• 第五章 雷达辐射源识别的实验结果及分析
• 5.1 实验样本集
• 5.2 基于强化学习的雷达型号分类实验
• 5.3 实验结果的分析
• 第六章 基于Petri网的平台识别
• 6.1 引用网的基本概念
• 6.2 平台识别的引用网建模
• 6.2.1 基本复合事件的引用网建模
• 6.2.2 平台识别建模和分析
• 6.3 本章小结
• 第七章 总结与展望
• 7.1 工作总结
• 7.2 进一步研究
• 致谢
• 参考文献