基于免疫遗传算法的模糊神经网络研究

论文摘要

本课题是结合黑龙江省自然科学研究基金“遗传基因智能控制理论及应用研究”项目完成。模糊逻辑、神经网络、遗传算法是目前人工智能界最具发展前途的三个重要领域,另外,近年来逐步发展起来和受到重视的人工免疫算法也成为其中重要一员。它们在系统建模、模式识别、组合优化、自适应控制等领域扮演着越来越重要的角色。但各种算法本身仍存在这样或那样的不足,如何完善算法,使其更好的发挥潜能,具有普遍和深远的意义。其中,将智能手段之间（与其他领域算法）的相互融合,互相取长补短或解决算法设计中的某些难题已成为今后努力的主要方向。本文对模糊控制、神经网络、遗传算法及人工免疫算法的基本原理、算法的构成、特点等方面进行了综述。总结了各种算法之间相互融合的方式。在此基础上,着重研究了以下四种融合方式:一是将免疫算法原理、模糊逻辑融入遗传算法,用以解决其种群多样性迅速下降导致早熟收敛的问题;二是将改进的遗传算法融入到特定领域—模糊聚类中的特定算法—模糊c-均值（FCM）聚类中,改进其对初始化敏感,易陷入局部极值得的缺点;三是模糊逻辑与神经网络融合的产物—模糊神经网络应用于系统辨识时,如何与改进的遗传算法及FCM聚类的融合,完成规则数自动确定和参数优化的任务;四是对一种常用的基于Mamdani推理的模糊神经网络控制器与改进的遗传算法的融合,能同时优化其结构及参数,保持了隶属函数和控制规则的整体性,有效解决了“维数灾难”问题。此外,在每种融合方式中都作了新的分析、改进以及仿真验证。第一种融合就是在对遗传算法进行了深入分析、对相关文献中类似算法存在的不足深入探讨的基础上完成。在第二种融合中,设计了一种新的方式—双群体并行,算法既提高了聚类精度,又大大加快了执行速度。在第三种融合方式中,由于加入了改进的FCM聚类算法,使规则数能自动确定,克服了以往靠试凑法的缺点,简化了设计,设计了离线训练和在线辨识方式克服了模糊神经网络辨识器所存在的动静态之间的矛盾。在第四种方式中,为了达到结构及参数同时优化的目的,设计了新的遗传算法编码方法—实数及符号混合编码以及新的交叉和变异方式,分析了量化因子及比例因子对控制器动静态的影响,设计了在线参数辨识过程。而且,对每种新的设计和改进都作了仿真试验,并与其它相关方法进行对照,验证了算法的巨大优势。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 智能技术概述
• 1.2.1 人工免疫算法
• 1.2.2 遗传算法
• 1.2.3 模糊逻辑控制系统
• 1.2.4 人工神经网络
• 1.3 智能技术的融合
• 1.3.1 人工免疫算法与遗传算法的融合
• 1.3.2 模糊逻辑系统与遗传算法的融合
• 1.3.3 模糊逻辑与神经网络的融合
• 1.3.4 模糊神经网络与遗传算法的融合
• 1.4 本文的研究目的和意义
• 1.5 本文的主要研究内容
• 第2章 免疫模糊遗传算法研究
• 2.1 引言
• 2.2 遗传算法分析
• 2.2.1 遗传算法中三要素定义及作用分析
• 2.2.2 遗传算法多样性分析
• 2.3 改进的免疫选择算子
• 2.4 用于动态调整交叉及变异率的模糊控制器设计
• 2.5 仿真分析
• 2.6 本章小结
• 第3章 基于免疫模糊遗传算法的模糊c-均值聚类研究
• 3.1 模糊聚类的含义及应用
• 3.2 基于免疫模糊遗传算法改进的模糊c-均值聚类
• 3.2.1 现有聚类算法存在的问题及解决方法
• 3.2.2 算法流程
• 3.2.3 模糊c-均值聚类算法的具体参数选择
• 3.2.4 免疫模糊遗传算法设计
• 3.3 仿真验证
• 3.4 本章小结
• 第4章 基于改进遗传算法及聚类的模糊神经网络辨识器研究
• 4.1 模糊推理网络的结构及算法
• 4.1.1 基于Mamdani推理的模糊神经网络
• 4.1.2 基于Takagi-Sugeno推理的模糊神经网络
• 4.2 模糊神经网络分类
• 4.3 模糊神经网络用于复杂系统辨识
• 4.3.1 系统辨识问题描述
• 4.3.2 存在的问题及改进
• 4.4 基于改进遗传算法及聚类的递归T-S模糊神经网络辨识器研究
• 4.4.1 递归T-S模糊神经网络结构及算法
• 4.4.2 基于双群体并行聚类的规则数确定及参数初始化
• 4.4.3 基于免疫模糊遗传算法的参数学习
• 4.4.4 离线优化及在线辨识设计
• 4.5 仿真验证
• 4.6 本章小结
• 第5章 基于遗传算法混合编码的模糊神经网络控制器研究
• 5.1 引言
• 5.2 模糊神经网络控制器的设计过程及优化
• 5.2.1 模糊神经网络控制器的设计及训练
• 5.2.2 模糊神经网络控制器的优化算法
• 5.3 改进的Mamdani模糊神经网络结构及算法
• 5.4 遗传算法混合编码改进型Mamdani模糊神经网络控制器研究
• 5.4.1 混合编码的遗传算法用于结构及参数同时学习
• 5.4.2 特定的交叉及变异方式设计
• 5.4.3 在线参数辨识设计
• 5.5 仿真验证
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢