论文题目: 模糊模型的智能学习方法与应用研究
论文类型: 博士论文
论文专业: 交通信息工程及控制
作者: 刘建成
导师: 蒋新华,吴今培
关键词: 模糊模型,计算智能,协同进化,混合智能,故障状态识别
文献来源: 中南大学
发表年度: 2005
论文摘要: 为了提高模糊模型面向复杂对象的学习能力和应用能力,将模糊模型与其它智能技术有机结合,成为互补的混合智能模糊模型。学习模糊模型具有多约束性和多目标性,单一智能技术学习模糊模型所涉及的问题是非常困难的,有必要利用多种智能技术通过互相合作,协同求解模糊模型,为此本文利用智能协作、层次智能、混合智能等理论和技术,从不同的角度研究这些智能方法与模糊模型互补学习的问题,构造基于多智能混合的模糊模型,为不同应用目的和不同类型的模糊模型学习问题提供一般性的学习框架,可几乎在不了解对象情况下,通过这些框架学习基于对象实值样本数据的不同特征模糊模型(广义模糊模型、语言模型、分层模糊模型)。 论文系统论述了模糊模型的表现形式及各自特点、糊模型的学习内容和模糊建模过程,总结了模糊建模技术的研究现状及存在的问题,相关计算智能技术的基本特征和研究现状。 在对当前主要应用的各种模糊模型进行统一描述(称为广义模糊模型)的基础上,提出了广义模糊模型的协同进化(COE-GFM)。在协同进化框架下将广义模糊模型的完整解由两类种群组成,第一类种群描述模糊模型及其规则的结构,采用灵活的二维编码方式;第二类种群描述了各分区隶属函数参数,采用分层树状结构编码方式,根据各种群的编码特点采用不同的进化策略,两异构种群协同进化形成模糊模型。GFM-COE可学习各种类型的模糊模型,并表现出较好的紧凑性和精确性,其另一个特点对系统的先验专家知识要求较少,几乎能实现黑箱系统的模糊模型学习。通过函数近似、混沌时间序列预测预测和典型分类问题为例证明模型的有效性。 可理解性模糊模型(语言模型)具有很好的对象描述性和认知性,但其在面向复杂对象时精确性比较低,为此开展了语言模型的可理解性和精确性平衡策略研究,提出了两种策略提高语言模型的精确性,一种是使语言值及其隶属函数参数符合各对象变量的本质特征,另一种是在子空间引入协作规则。应用微粒群算法(PSO)学习各变量上的语言值及其正交隶属函数参数,并采用合适的语言值合并策略,形成候选规则集和粗糙语言模型;应用模拟退火算法(SA)优选各子空间上的候选规则,重构精确的语言模型。在应用微粒群算法过程中,提出了基于模型性能启发信息和迭代次序特征的微粒惯性权重自适
论文目录:
第一章 导论
1．1 引言
1．1．1 问题的提出
1．1．2 课题的来源
1．2 模糊建模技术综述
1．2．1 系统专家直接方法
1．2．2 数值计算方法
1．2．3 基于计算智能的学习方法
1．3 研究内容及章节安排
第二章 模糊模型与计算智能
2．1 模糊集与模糊模型
2．1．1 模糊集与模糊操作
2．1．2 模糊推理
2．1．3 模糊模型的特征分析
2．1．4 模糊模型的连接表示
2．2 模糊建模
2．2．1 模糊建模过程
2．2．2 模糊建模涉及的内容
2．3 计算智能
2．3．1 进化计算
2．3．2 模拟退火
2．3．3 群智能理论
2．3．4 神经网络
第三章 广义模糊模型的协同进化
3．1 引言
3．2 协同进化模型
3．2．1 多种群协同进化框架
3．2．2 协同进化一般性算法
3．3 模糊模型的广义描述
3．3．1 广义模糊模型
3．3．2 广义模糊模型的学习内容
3．4 广义模糊模型的协同进化策略
3．4．1 广义模糊模型的种群分解
3．4．2 协作适应值评估策略
3．4．3 异构种群的进化策略
3．4．4 广义模糊模型的协同进化算法
3．5 协同进化广义模糊模型在近似及预测中的应用分析
3．5．1 后件参数的估计技术
3．5．2 函数近似算例分析
3．5．3 混沌时间序列预测
3．6 协同进化广义模糊模型分类能力分析
3．6．1 模糊模型分类策略
3．6．2 分类性能分析
3．7 本章小结
第四章 语言模型的层次学习
4．1 引言
4．2 语言模型及其精确性改进措施
4．2．1 语言模型可理解性特征
4．2．2 语言模型的理解性与精确性权衡
4．2．3 简化语言模型的推理计算
4．3 基于改进微粒群算法的语言值参数学习
4．3．1 微粒群算法的改进
4．3．2 语言值微粒群学习的实现
4．4 基于模拟退火的语言模型重构
4．4．1 语言模型的模拟退火策略
4．4．2 语言模型的模拟退火算法实现
4．5 算例分析
4．5．1 语言模型层次学习仿真应用分析
4．5．2 改进微粒群算法的应用效果分析
4．6 本章小结
第五章 分层模糊模型的混合智能学习
5．1 引言
5．2 分层模糊模型结构特征分析
5．2．1 增长型分层模糊模型
5．2．2 累积型分层模糊模型
5．2．3 分层模糊模型的其它结构
5．3 最优结构分层模糊模型及其GA-DBP混合学习框架
5．3．1 分层模糊模型的建模问题
5．3．2 分层模糊模型的最优结构
5．3．3 分层模糊模型的GA-DBP混合学习框架
5．4 分层模糊模型的GA-DBP混合算法实现
5．4．1 基于改进GA算法的分层模糊模型结构学习
5．4．2 分层模糊模型参数的动态BP算法
5．4．3 分层模糊模型的GA-DBP混合算法
5．5 仿真实例分析
5．6 本章小结
第六章 模糊模型在变压器状态识别中的应用研究
6．1 引言
6．2 基于DGA的变压器故障诊断方法
6．2．1 变压器故障与油中溶解气体的定性关系
6．2．2 基于DGA的变压器诊断方法研究和应用现状
6．3 基于语言模型的变压器运行状态识别
6．3．1 样本数据的特征处理
6．3．2 变压器运行状态识别语言模型的构造策略
6．3．3 变压器运行状态识别语言模型
6．3．4 应用分析
6．4 分层模糊模型在DGA数据的应用研究
6．4．1 基于分层模糊模型的变压器状态识别
6．4．2 变压器状态分层模糊识别模型的实现
6．4．3 分层模糊识别模型的验证
6．5 本章小结
第七章 全文总结
7．1 研究成果
7．2 工作展望
参考文献
致谢
在攻读学位期间的研究成果
发布时间: 2006-03-28
参考文献
- [1].基于T-S模糊模型的控制方法及稳定性分析[D]. 巩长忠.大连理工大学2003
- [2].基于模糊聚类的非线性系统辨识研究[D]. 施建中.华北电力大学2012
- [3].基于Valence-Arousal的产品内隐情感表示与推理技术研究[D]. 石夫乾.浙江大学2011
相关论文
- [1].支持向量机分类与回归方法研究[D]. 孙德山.中南大学2004
- [2].基于遗传模糊系统的知识获取方法研究[D]. 张弘.吉林大学2004
- [3].模糊智能系统中模糊推理研究[D]. 徐蔚鸿.南京理工大学2004
- [4].模糊分类模型的研究[D]. 阳爱民.复旦大学2005
- [5].基于遗传算法的模糊系统研究[D]. 白治江.华东师范大学2006
- [6].模糊神经网络的学习收敛性与阈值可去性[D]. 杨洁.大连理工大学2006
- [7].模糊神经网络的结构优化研究[D]. 艾芳菊.中国科学院研究生院（成都计算机应用研究所）2006
- [8].模糊神经网络的研究及其应用[D]. 孙海蓉.华北电力大学（河北）2006
- [9].模糊建模与控制及其在电厂热工自动控制中的应用[D]. 郝万君.哈尔滨工业大学2006
- [10].基于解释性与精确性的模糊建模方法研究[D]. 张永.南京理工大学2006