Print

模糊Petri网参数优化问题的研究及分析

论文摘要

模糊Petri网是基于模糊产生式规则知识库系统的良好建模工具,但自学习能力差是模糊系统的一个缺陷。模糊产生式规则中的一些参数,例如权值﹑阀值﹑确信度的确定在很大程度上依赖于人的经验,难以精确获得,这阻碍了模糊Petri网的知识推理和泛化能力。如何把神经网络的学习功能结合进模糊Petri网,使得模糊Petri网经过一批样本的学习和训练后,一方面具有一定泛化功能,另一方面摆脱构建FPN模型时产生式规则的参数对经验的依赖,使参数更符合实际系统情况,这就是本文要重点讨论的FPN学习能力的问题。另外,如何根据一具体实例约简模糊Petri网,使其更符合实际应用的需要,也是本文要探讨的另一问题。该文在探讨模糊Petri网构建过程中的约简步骤,并深入分析FPN推理机制的基础上,将人工智能领域的四种优化算法——遗传(GA)﹑BP﹑蚁群(ACA)﹑克隆选择(CSA)引入至FPN参数寻优过程中来,针对一知识库系统的具体问题,对比分析了各优化算法的特点和性能优劣。仿真实验表明,运用其中的ACA算法训练出的参数正确率较高,整体性能最佳,且所得的模糊Petri网具有较强的泛化能力和自适应功能。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 课题背景及研究意义
  • 1.2 研究动态及现状分析
  • 1.3 本课题研究任务和创新点
  • 1.4 本论文的结构安排
  • 第二章 Petri 网理论基础
  • 2.1 Petri 网的基本概念
  • 2.2 Petri 网中事件间的基本关系
  • 2.3 Petri 网的特点
  • 第三章 模糊Petri 网
  • 3.1 模糊Petri 网的基本概念
  • 3.1.1 模糊Petri 网的定义
  • 3.1.2 模糊产生式规则的表示
  • 3.2 模糊Petri 网的约简技术
  • 3.3 模糊Petri 网的推理算法
  • 3.3.1 基于图形描述能力的模糊Petri 网及其推理算法
  • 3.3.2 基于形式化推理的模糊Petri 网及其推理算法
  • 3.3.3 新型模糊Petri 网及其推理算法
  • 3.3.4 本文采用的模糊推理函数
  • 第四章 优化算法在模糊Petri 网中的应用及实现
  • 4.1 函数说明
  • 4.2 遗传算法
  • 4.2.1 遗传算法的基本应用
  • 4.2.2 遗传算法在模糊Petri 网中的应用及实现
  • 4.3 BP 算法
  • 4.3.1 BP 算法的基本应用
  • 4.3.2 BP 算法在模糊Petri 网中的应用及实现
  • 4.4 蚁群算法
  • 4.4.1 蚁群算法的基本应用
  • 4.4.2 蚁群算法在模糊Petri 网中的应用及实现
  • 4.5 免疫算法
  • 4.5.1 免疫算法的基本应用
  • 4.5.2 免疫算法在模糊Petri 网中的应用及实现
  • 第五章 仿真实验
  • 5.1 进化过程比较
  • 5.2 算法速度比较
  • 5.3 参数及推理结果比较
  • 5.4 实验小结
  • 结论与展望
  • 总结
  • 进一步的工作及展望
  • 参考文献
  • 致谢
  • 附录A（攻读硕士学位期间发表论文目录）
  • 详细摘要

    • 相关论文文献

    本文来源: https://www.lw50.cn/article/08c8f328dedafd11e13ef92e.html