基于聚类算法的T-S模糊神经网络模型研究及应用

论文摘要

T_S模型是一种新颖的模糊推理模型,它以线性方程取代了一般推理过程中的常数,因此可以用少量模糊规则生成较复杂的非线性函数。但是由于结论参数是线性函数而非模糊数,所以规则不能直接从专家经验和操作数据中直接得到,必须通过一定的算法进行提炼。因此模型参数的辨识成为建立T_S型模糊系统的主要问题。构建T_S模糊神经网络则可以很好的解决这个问题。但是这种模型并未从本质上克服系统输入空间难以优化、规则提取困难、系统结构必须事先加以指定的缺点,因而大大限制了它的应用和发展。本文将聚类算法引入T_S模糊神经网络,利用聚类算法来提取系统特征,优化输入空间,从而生成自适应的系统模型。首先分析比较了几种典型的聚类算法,大多数聚类算法没有对样本的特征进行优化,而是直接用样本的特征进行聚类,这些方法的有效性在很大程度上取决于样本的分布情况。本文引入基于核的学习方法,增加对样本特征的优化。利用核函数将在观察空间线性不可分的样本非线性映射到高维特征空间而变得线性可分,这样样本特征经很好的分辨、提取并放大后,可以实现更为准确的聚类。由于基于核的可能性聚类方法简单,错误率低。从简化模型,减少系统计算量和提高实时响应能力的观点出发,本文以它来构建系统,充分考虑了样本输出对系统的作用。在传统的遗传算法中,交叉概率p_c、变异概率p_m等控制参数与种群进化过程无关,从始至终都保持定值。用不变的控制参数来控制遗传进化,很容易导致“早熟”,降低算法的搜索效率,因此本文采用自适应遗传算法优化后件网络参数,给出了基于该算法的T_S模糊神经网络实现。该系统能够依照聚类结果自适应生成规则、确定系统结构并设定初始值。遗传算法为指导性搜索算法,全局搜索能力较强,但其局部搜索能力较弱,导致优化解质量不高。单纯形法(Simplex Method,SM),也称可变多面体搜索法,是确定性下降方法,局部搜索能力很强。本文将搜索机制上存在如此差异的两种算法进行混合,有利于丰富搜索行为,增强全局和局部意义下的搜索能力和效率。最后以Iris数据为学习样本,仿真说明了改进的聚类算法对样本分类有较好的效果,所提出的混合算法具有较高的自适应能力、建模精度及较少的计算量。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 模糊神经网络概述
• 1.2 聚类算法概述
• 1.3 本课题的主要研究内容
• 1.4 本文组织结构
• 2 模糊神经网络研究现状
• 2.1 狭义模糊神经网络
• 2.1.1 模糊神经元
• 2.1.2 模糊化神经网络
• 2.1.3 采用模糊学习的神经网络
• 2.2 神经模糊混合系统
• 2.3 神经模糊系统
• 2.3.1 函数实现形式的神经模糊系统
• 2.3.2 功能实现形式的神经模糊系统
• S模糊模型及T_S模糊神经网络结构'>2.4 T_S模糊模型及T_S模糊神经网络结构
• S模糊模型'>2.4.1 T_S模糊模型
• S模型的模糊神经网络'>2.4.2 基于T_S模型的模糊神经网络
• 2.5 本章小结
• 3 聚类方法研究及改进
• 3.1 聚类分析
• 3.2 聚类方法的分类及相似度表示方法
• 3.2.1 聚类方法的分类
• 3.2.2 聚类方法中常用的相似度表示—距离
• 3.3 几种常见的聚类方法
• means聚类'>3.3.1 K_means聚类
• means聚类'>3.3.2 模糊C_means聚类
• 3.3.3 山峰聚类法
• 3.3.4 减法聚类
• 3.3.5 可能C均值聚类算法（PCM）
• 3.4 基于核的可能性聚类算法及描述
• 3.5 本章小结
• S模糊神经网络研究'>4 基于聚类的T_S模糊神经网络研究
• 4.1 结构学习
• 4.2 系统规则设计
• 4.3 模糊化与反模糊化
• 4.4 参数学习
• 4.4.1 传统遗传算法
• 4.4.2 遗传算法存在的问题和发展趋势
• 4.4.3 改进的自适应遗传算法
• 4.4.4 算法描述
• 4.5 单纯形算法的原理及应用
• 4.5.1 单纯形算法基本步骤
• 4.5.2 混合算法
• 4.6 本章小结
• 5 仿真应用
• 5.1 改进的聚类算法仿真实例
• 5.2 改进的遗传算法仿真实例
• 5.3 混合算法仿真实例
• 5.4 结果分析
• 5.5 本章小结
• 6 总结与展望
• 参考文献
• 作者在攻读硕士学位期间发表的论文目录、科研情况
• 致谢