基于数据驱动的模糊系统建模方法研究

论文摘要

基于数据驱动的模糊系统建模在很多领域都得到了广泛应用,但一直以来人们更关注于系统性能的优化,很少关注模糊系统的解释性。近年来人们逐渐认识到对模糊系统解释性的研究可以帮助人们更好的认识模糊系统的本质,从而达到从大量数据中提取知识的目的。然而提高模糊系统的解释性和提高模糊系统的性能是两个有冲突的目标,在模糊系统建模中,这两方面在一定程度上是矛盾的,要提高系统的解释性而不失去性能很困难,因此精确性与解释性的平衡和折中研究已成为目前基于数据驱动的模糊系统建模研究中最吸引人的研究方向。本文在模糊集合理论与人工神经网络和进化计算以及群体智能相融合的基础上,围绕模糊系统的精确性与解释性的折中,进行基于数据驱动的模糊系统建模研究。通过对模糊系统建模方法的比较及其解释性分析,给出了一个模糊系统的解释性评价标准。在模糊系统建模过程中充分考虑了模糊系统精确性和解释性的折中,使建立的模糊系统模型达到了精确性和解释性的平衡,对基于数据驱动的模糊系统的建模和优化给出了一个系统的解决方案。论文的主要研究内容包括:(1)模糊系统的基本理论、遗传算法、微粒群优化以及多目标进化算法的相关内容。(2)模糊系统的解释性评价标准研究。(3)基于遗传算法的模糊系统建模方法研究。(4)基于递阶遗传算法的模糊系统建模方法研究。(5)基于微粒群算法的模糊系统建模方法研究。(6)基于多目标微粒群算法的模糊系统建模方法研究。

论文目录

• 第一章 绪论
• 1.1 研究背景
• 1.1.1 模糊系统简介
• 1.1.2 模糊系统建模
• 1.2 本文工作
• 1.2.1 研究路线和方法
• 1.2.2 本文研究内容
• 第二章 模糊系统及其解释性分析
• 2.1 引言
• 2.2 模糊理论
• 2.3 常用模糊推理系统
• 2.4 模糊系统建模方法比较分析
• 2.4.1 模糊系统结构辩识方法
• 2.4.2 模糊系统参数学习方法
• 2.5 模糊系统的解释性
• 2.5.1 模糊空间划分的解释性评价标准
• 2.5.2 模糊规则的解释性评价标准
• 2.6 小结
• 第三章 基于遗传算法的初始模糊系统建模
• 3.1 引言
• 3.2 遗传算法
• 3.2.1 遗传算法的实现技术
• 3.2.2 遗传算法的理论基础
• 3.3 基于遗传算法的模糊系统建模
• 3.3.1. 模糊空间划分
• 3.3.2 规则库的生成策略
• 3.3.3 初始模糊系统模型
• 3.3.4 适应度函数设计
• 3.3.5 遗传算子设计
• 3.3.6 算法步骤
• 3.3.7 仿真实验
• 3.4 小结
• 第四章 基于递阶遗传算法的模糊系统建模
• 4.1 引言
• 4.2 递阶遗传算法
• 4.3 HGA-FNN 优化算法
• 4.3.1 染色体编码设计
• 4.3.2 适应度函数设计
• 4.3.3 遗传算子设计
• 4.3.4 算法步骤
• 4.3.5 仿真实验
• 4.4 小结
• 第五章 基于微粒群算法的模糊系统建模
• 5.1 引言
• 5.2 微粒群优化算法
• 5.2.1 标准微粒群算法
• 5.2.2 微粒群算法参数分析
• 5.2.3 微粒群算法的行为分析
• 5.2.4 和其它进化计算方法的比较
• 5.3 一种有分工策略的微粒群算法
• 5.3.1 算法描述
• 5.3.2 仿真实验
• 5.4 基于微粒群算法的模糊系统优化算法
• 5.4.1 算法描述
• 5.4.2 算法流程
• 5.4.3 仿真实验
• 5.5 小结
• 第六章 基于多目标微粒群算法的模糊系统优化
• 6.1 引言
• 6.2 多目标优化问题
• 6.3 多目标进化方法
• 6.3.1 不基于 Pareto 排序的多目标进化算法
• 6.3.2 基于 Pareto 排序的多目标进化算法
• 6.4 模糊系统优化的多目标微粒群算法
• 6.4.1 优化目标函数的确定
• 6.4.2 启发性分量加权均值法
• 6.4.3 算法流程
• 6.5 味觉信号识别的仿真实验
• 6.5.1 味觉传感器
• 6.5.2 茶味觉信号识别
• 6.6 小结
• 第七章 总结与展望
• 7.1 本文提出的几种方法比较
• 7.2 本文的主要贡献
• 7.2 进一步研究的方向
• 参考文献
• 作者读博士期间发表的论文
• 致谢
• 学位论文摘要（中文）
• Abstract