基于神經網絡和遺傳算法的模糊系統(tǒng)的自動設計－－英文文獻加翻譯畢業(yè)論文(存儲版)
【正文】 模糊隸屬度函數(shù)和模糊規(guī)則數(shù)。在接下來的段落里,我們討論我們的模糊系統(tǒng)表現(xiàn)及基因表達。例如，一個帶有ｍ輸入變量的TSK模型，每n個模糊集,將會產生nm模糊規(guī)則。都是可以避免的。不同于模糊系統(tǒng)，評價函數(shù)直接依賴于應用程序。)。傳統(tǒng)的遺傳算法開始于隨機生成的人口解決方案。我們的成員初始種群包含同樣劃分成不同數(shù)量的輸入維數(shù)模糊集除了隨機生成的成員。 實驗方法與結果我們的方法結合遺傳算法,懲罰策略,以及豪放,隸屬度函數(shù)來自動設計的模糊系統(tǒng)的重疊。后代的產生數(shù)量取決于實驗。實驗結果 畢竟這些參數(shù)的設定,遺傳算法已經開始了搜索。嵌入到設計方法先前知識形式是對稱的模糊系統(tǒng)的體系結構和啟發(fā)式的初始化。神經網絡和遺傳算法的模糊控制系統(tǒng)設計為全自動就是利用一個技術來加強另一個的兩個例子。4 結論神經網絡和遺傳算法已成長為自動模糊系統(tǒng)設計的實用工具。圖9和10顯示幾初始條件的軌跡。偏移，最大仿真，分數(shù)和均衡標準參數(shù)用于評估控制器。另一種技術合并對稱設計系統(tǒng)是隱納入本評價函數(shù)。從我們的經模糊系統(tǒng)的經驗,我們知道同樣分區(qū)的輸入維數(shù)是一個不錯的主意。嵌入知識 有兩個層次先前知識可以被添加到我們的模糊控制系統(tǒng)的設計方法中：在這個級別的模糊系統(tǒng)和層次的應用。 a 1（tmaxtend）+a2reward （1）分數(shù)（tend）= reward （2） b該控制器采用角位移和速度來計算一個力,并將其應用于整個控制之間的間隔。我們可以隱含的控制規(guī)則的數(shù)目,消除隸屬函數(shù)的中心位置的范圍之外的相應的包含這些內容的輸入變量和規(guī)則。不同于大多數(shù)方法、重疊限制不是放在在我們的系統(tǒng)和完整的重疊存在(見圖5)。這部分提出了一種利用遺傳算法的自動模糊系統(tǒng)的設計方法, 并將三個主要設計階段一體化：隸屬函數(shù)的形式, 模糊規(guī)則數(shù), 和規(guī)則后件同一時間內確定[27]。其他的方法使用遺傳算法來確定模糊規(guī)則數(shù)[18,26]?！ ?圖3. 神經網絡調整模糊系統(tǒng)的參數(shù) 圖4. 調整模糊系統(tǒng)的神經網絡圖3顯示了此方法和同構于圖4. 圖中的uij在ith 規(guī)則下輸入模糊隸屬函數(shù)的參數(shù)xj,而它實際上是代表一個描述隸屬度函數(shù)的形式的參數(shù)向量。如果后續(xù)的部分輸出模糊值，適當?shù)膖conorm和/或解模糊化操作應該被使用。利用神經網絡如發(fā)生器的模糊系統(tǒng)是NNdriven模糊推理。為了神經網絡的數(shù)據(jù)，圖2中NN數(shù)量，產生于第一步提供的集群信息。逆向消除方法的任意消除n個輸入變量和訓練神經網絡的n 1個輸入變量。在模糊系統(tǒng)的傳統(tǒng)設計方法中, 隸屬函數(shù)的溫度和濕度是獨立設計的。這些方法中很多只考慮了一個或兩個前面提及的設計問題。然后通過每個簇的等級的訓練來確定隸屬函數(shù)的形式。(4)符合決定最低套相關的輸入變量,計算所需的目標決策或控制的價值觀。前者包括輔助模糊系統(tǒng)設計的開發(fā)環(huán)境。介紹一種利用神經網絡來描繪的多維非線性隸屬函數(shù)和調整隸屬函數(shù)參數(shù)的方法。盡管自動設計不能保證獲得最優(yōu)解，他們仍是可取的手工技巧，因為設計是引導走向和依某些標準的最優(yōu)解。雖然由數(shù)種算法和模糊推理的方法已被提出,仍沒有選擇他們標準。隸屬度函數(shù)梯度技術被用于調節(jié)試圖減少模糊系統(tǒng)的期望產量和實際生產所需的產出總量的誤差。該方法的優(yōu)點在于它可以產生非線性多維的模糊隸屬度函數(shù)。很難構建這樣來自一維模糊隸屬度函數(shù)的非線性分區(qū)。然后這些數(shù)據(jù)被聚集，得到
規(guī)章制度相關推薦
鄂ICP備17016276號-1