普适的模糊推理系统理论及应用

论文摘要

计算智能（Computational Intelligence, CI）本质上借鉴了仿生学思想,它从模拟自然界的各种智能现象发展而来,通过用计算机模拟和再现生物体的某些智能行为（学习性,适应性）,发展成改造自然界的一种新型研究领域。CI非常适合于解决那些因为难以建立有效的形式化模型而用传统技术难以有效解决、甚至无法解决的问题,它可以被定义为一种方法论,包含具有学习和处理新环境能力的诸多算法。其中,模糊逻辑旨在建立推理的不精确方式来模拟人类在不确定和不精确的环境下做出合理决策的能力,它在解决推理、决策和评估等这一类主观性认知问题时,在同时解决定量描述与定性描述问题时,具有强大的功能。在广泛收集整理已有计算智能分支算法及分类方法的基础上,从探讨计算智能的定义与本质出发,以计算机制为具体分类依据,本文提出基于模拟机制的分类方法（SMB）,将计算智能所有分支分为三大类：有机机制模拟,无机机制模拟和人造机制模拟；在此基础上,归纳了有机机制模拟的计算智能分支算法,并总结出各子类的普适性计算模型。SMB方法旨在对各类和各类（子类）包含的分支算法的计算本质进行深入讨论,为进一步研究计算智能混合算法提供了基础框架。针对传统模糊推理系统（FIS）的局限性问题,在充分研究模糊逻辑的本质和模糊推理系统计算机制的基础上,本文提出普适的模糊推理系统（UFIS）,其基本思想就是寻找具有普适意义的模糊推理算子,从而突破固有传统推理算子的局限,并实现考虑输入和规则权重的推理过程。该模型在推理算子的普适性表达和推理过程中输入及规则的重要性因素等方面具有很大优势,它试图建立能够充分表现模糊逻辑本质和人类思维模式的模糊推理系统。通过对模糊推理算子的普适性研究,从存在的各种聚合算子的计算本质出发,本文提出一种具有普适意义的聚合算子：Agg,从而总结出面向多对象（指标）决策问题的普适聚合理论。为了使UFIS具有自适应能力,从讨论神经网络和模糊逻辑的功能等价性和互补性出发,在对比分析已有的各种模糊神经网模型的基础上,通过对自适应模糊推理系统原理和基本结构的理解和掌握,本文将普适的模糊推理系统（UFIS）与前馈神经网络根据自适应模糊推理系统的基本原理进行结合,得到普适模糊推理系统（UFIS）的自适应模型（A-UFIS）,并详细阐述了A-UFIS的模型结构和参数更新公式。为了证明普适模糊推理系统的自适应模型（A-UFIS）的模型有效性,将A-UFIS的特例：基于Sugeno推理系统的自适应模糊神经网（ANFIS）,基于Mamdani模型的自适应模糊推理系统（M-AUFIS）和基于AggFIS模型的自适应模糊推理系统（Agg-AUFIS）这三类自适应模糊推理系统应用于交通服务水平评价问题中,分别建立基于ANFIS, M-AUFIS和Agg-AUFIS的服务水平评价模型。通过实验结果,我们可以看出：普适模糊推理系统的自适应模型（A-UFIS）的本质是一类普适逼近器,具有很强的逼近功能；训练后的UFIS具有很好的非线性映射能力,可用于非线性系统（复杂动态系统）的建模,分析及预测。作为一种有效的计算智能混合算法,A-UFIS为我们解决困难的复杂系统问题提供了新的思路和理论支持。计算智能是基于数据的智能,它是智能理论发展的高级阶段,势必拥有广阔的发展前景。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景及意义
• 1.2 计算智能研究现状及趋势
• 1.3 模糊推理系统的研究现状和存在的主要问题
• 1.4 自适应模糊推理系统的研究现状和存在的主要问题
• 1.5 本文的主要研究路线及创新点
• 1.5.1 本文主要研究内容及结构
• 1.5.2 本文主要创新点
• 2 计算智能体系化分类研究及其混合算法一般性设计
• 2.1 计算智能的定义
• 2.2 计算智能分类方法概述
• 2.3 基于模拟机制的计算智能分类方法（SMB）
• 2.4 有机机制模拟
• 2.4.1 基于种群的模拟
• 2.4.1.1 模拟种群进化
• 2.4.1.2 模拟种群协作
• 2.4.1.3 基于种群模拟的普适性模型
• 2.4.2 基于个体的模拟
• 2.4.2.1 模糊逻辑
• 2.4.2.2 神经网络
• 2.4.2.3 基于个体模拟的普适性模型
• 2.5 无机机制模拟
• 2.6 人造机制模拟
• 2.7 基于SMB的计算智能混合算法一般性设计
• 2.8 小结
• 3 普适的模糊推理系统（UFIS）
• 3.1 模糊推理系统（FIS）及存在的主要问题
• 3.1.1 假言推理和模糊推理
• 3.1.2 模糊推理系统（FIS）存在的主要问题
• 3.2 普适的模糊推理系统（UFIS）基本思想与一般结构
• 3.2.1 UFIS基本思想
• 3.2.2 IS,FIS和UFIS
• 3.3 UFIS计算机制设计
• 3.3.1 推理层（Inference Layer）
• 3.3.1.1 问题描述
• 3.3.1.2 OWA定义
• 3.3.1.3 属性
• 3.3.1.4 考虑权重因素的OWA聚合
• 3.3.1.4.1 第一种计算方法
• 3.3.1.4.2 第二种计算方法
• 3.3.2 隐含层（Implication Layer）
• 3.3.2.1 模糊隐含的本质
• 3.3.2.2 模糊隐含与模糊推理
• 3.3.2.3 模糊隐含小结
• 3.3.3 聚合层（Aggregation Layer）
• 3.3.3.1 Uninorm
• 3.3.3.1.1 定义及属性
• *和R_*算子'>3.3.3.1.2 R^*和R_*算子
• 3.3.3.1.3 考虑权重因素的Uninorm聚合
• 3.3.3.2 模糊测度和模糊积分
• 3.3.3.2.1 模糊测度
• 3.3.3.2.2 模糊积分
• 3.4 基于Choquet积分-OWA的模糊推理系统（AggFIS）
• 3.5 小结
• 4 普适聚合理论
• 4.1 多对象（指标）决策问题及两类重要的聚合算子
• 4.2 普适的聚合算子（Agg）和普适聚合理论
• 4.2.1 普适的聚合算子（Agg）定义及属性
• 4.2.2 考虑权重因素的聚合
• 4.2.3 普适的聚合算子（Agg）在UFIS中的应用
• 4.3 聚合算子谱系结构
• 4.4 小结
• 5 普适模糊推理系统的自适应模型（A-UFIS）
• 5.1 普适模糊推理系统的自适应模型（A-UFIS）
• 5.1.1 A-UFIS的模型结构
• 5.1.2 基于BP的参数更新公式
• 5.1.2.1 反传思想（BP）的精髓
• 5.1.2.2 A-UFIS的参数更新公式
• 5.1.2.3 对公式进行详细说明
• 5.2 基于Sugeno和Tsukamoto推理系统的自适应模糊神经网（ANFIS）
• 5.2.1 Sugeno ANFIS
• 5.2.2 Tsukamoto ANFIS
• 5.3 基于Mamdani模型的自适应模糊推理系统（M-AUFIS）
• 5.3.1 模型描述
• 5.3.2 参数更新方法
• 5.4 基于Choquet积分-OWA的自适应模糊推理系统（Agg-AUFIS）
• 5.5 小结
• 6 A-UFIS在交通服务水平评价中的应用
• 6.1 背景介绍
• 6.1.1 交通服务水平评价
• 6.1.2 分析与建模
• 6.2 ANFIS模型与实验
• 6.2.1 Sugeno-FIS实验结果
• 6.2.2 ANFIS实验结果
• 6.3 M-AUFIS模型与实验
• 6.3.1 Mamdani-FIS实验结果
• 6.3.2 M-AUFIS实验结果
• 6.4 Agg-AUFIS模型与实验
• 6.4.1 AggFIS实验结果
• 6.4.2 Agg-AUFIS实验结果
• 6.5 实验对比分析
• 6.6 小结
• 7 结论与未来的工作
• 参考文献
• 作者简介
• 学位论文数据集