基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的模糊系統(tǒng)的自動(dòng)設(shè)計(jì)－－英文文獻(xiàn)加翻譯畢業(yè)論文(編輯修改稿)
2024-07-24 20:45 本頁面
【文章內(nèi)容簡介】 已經(jīng)分別用三角形,結(jié)合sigmoidal、高斯,鐘型隸屬度函數(shù)。他們利用最速下降法來調(diào)整模糊隸屬函數(shù)參數(shù)。 圖3. 神經(jīng)網(wǎng)絡(luò)調(diào)整模糊系統(tǒng)的參數(shù) 圖4. 調(diào)整模糊系統(tǒng)的神經(jīng)網(wǎng)絡(luò)圖3顯示了此方法和同構(gòu)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(shí)際上是代表一個(gè)描述隸屬度函數(shù)的形式的參數(shù)向量。也就是說，這個(gè)方法使模糊系統(tǒng)作為神經(jīng)網(wǎng)絡(luò)的模糊隸屬度函數(shù)和通過節(jié)點(diǎn)執(zhí)行重量和規(guī)則一樣。任何網(wǎng)絡(luò)學(xué)習(xí)算法,例如反向傳播算法，可以用來設(shè)計(jì)這種結(jié)構(gòu)。3遺傳算法方法遺傳算法是進(jìn)行優(yōu)化、生物激勵(lì)的技術(shù)，他的運(yùn)行用二進(jìn)制表示，并進(jìn)行繁殖,交叉和變異。繁殖后代的權(quán)利是通過應(yīng)用程序提供的一種健身價(jià)值。遺傳算法吸引人是因?yàn)樗麄儾恍枰嬖诘难苌?他們的同時(shí)搜索的魯棒性很強(qiáng)，并能避免陷入局部最小。SeverM的論文提出了利用自動(dòng)遺傳算法的模糊系統(tǒng)的設(shè)計(jì)方法。大量的工作主要集中在調(diào)整的模糊隸屬度函數(shù)[17][25]。其他的方法使用遺傳算法來確定模糊規(guī)則數(shù)[18,26]。在[26]中,通過專家制定了一系列規(guī)則，并且遺傳算法找到他們的最佳的組合。在[18],卡爾已經(jīng)開發(fā)出一種方法用于測定模糊隸屬度函數(shù)和模糊規(guī)則數(shù)。在這篇文章中,卡爾的方法首先用遺傳算法按照預(yù)先定義的規(guī)則庫確定規(guī)則的數(shù)目。這個(gè)階段后,利用遺傳算法來調(diào)整模糊隸屬度函數(shù)。雖然這些方法設(shè)計(jì)的系統(tǒng)表現(xiàn)的比手工設(shè)計(jì)的系統(tǒng)好,它們?nèi)钥赡軙芳?，因?yàn)樗麄円淮沃挥幸粋€(gè)或兩個(gè)三大設(shè)計(jì)階段。因?yàn)檫@些設(shè)計(jì)階段可能不會是獨(dú)立的,所以重要的是要考慮它們同時(shí)找到全局最優(yōu)解。在下一節(jié)里,我們提出一個(gè)結(jié)合的三個(gè)主要設(shè)計(jì)階段自動(dòng)設(shè)計(jì)方法。這部分提出了一種利用遺傳算法的自動(dòng)模糊系統(tǒng)的設(shè)計(jì)方法, 并將三個(gè)主要設(shè)計(jì)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(shí)間內(nèi)確定[27]。當(dāng)將遺傳算法應(yīng)用于程序上時(shí)，有兩個(gè)主要步驟；（a）選擇合適的基因表達(dá),(b) 設(shè)計(jì)一個(gè)評價(jià)函數(shù)的人口排名。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(dá)。一個(gè)嵌入驗(yàn)前知識的評價(jià)函數(shù)和方法將會在接下來的章節(jié)中提及模糊系統(tǒng)和基因表現(xiàn) 我們用TSK模型的模糊系統(tǒng),它被廣泛應(yīng)用于控制問題,對地圖系統(tǒng)的狀態(tài)來控制的價(jià)值。TSK模型在隨之而來的模糊模型中的線性方程與模糊語言表達(dá)方面有別于傳統(tǒng)的模糊系統(tǒng)。例如,一個(gè)TSK模型規(guī)則的形式： 如果X1是A，X２是B， 那么y＝w１X１＋w２X２＋w３；其中wｎ是常數(shù)最后的控制價(jià)值通過每個(gè)規(guī)則的輸出和依據(jù)規(guī)則的加權(quán)的射擊力量來計(jì)算。我們利用左基地,右基地,和以往的中心點(diǎn)距離(第一個(gè)中心是一個(gè)絕對的位置)對三角形隸屬度函數(shù)進(jìn)行參數(shù)化,。其他參數(shù)化的形狀,如雙曲形、高斯,鐘形,或梯形可以代替。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)。 圖5. (a)隸屬度函數(shù)表示法 (b)可能的隸屬函數(shù)一般來說,每個(gè)輸入變量模糊集理論的數(shù)量與確定的模糊規(guī)則的數(shù)目相結(jié)合。例如，一個(gè)帶有ｍ輸入變量的TSK模型，每n個(gè)模糊集,將會產(chǎn)生nm模糊規(guī)則。因?yàn)橐?guī)則的數(shù)目直接取決于這個(gè)數(shù)目的隸屬函數(shù)，消除隸屬度函數(shù)對消除規(guī)則有直接的影響。每一隸屬函數(shù)需要三個(gè)參數(shù)并且每一個(gè)模糊規(guī)則需要三個(gè)參數(shù)。因此，每個(gè)變量需要n個(gè)模糊輸入的minputoneoutput系統(tǒng)要求3（mn+nm）參量。這個(gè)基因表達(dá)明確包含三個(gè)
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1