基于改进粒子群算法的模糊神经网络研究

论文摘要

近年来,模糊神经网络正日益引起学术界的重视和关注,模糊逻辑具有模拟人类大脑推理的能力,可广泛用于模式识别、专家系统、故障诊断、系统辨识以及非线性系统的控制。神经网络则具有从数据中学习的能力、并行处理能力、容错以及泛化能力。模糊神经网络结合了两者的优点,克服了神经网络从输入到输出的“黑箱”式非线性映射,又克服了人为选取模糊规则时存在的主观性。很多专家预测模糊神经网络技术有望成为21世纪智能控制领域的核心技术,并且其学习算法也引起了高度的重视。目前使用的最多的学习算法仍然是基于梯度下降的BP算法和遗传算法。然而基于梯度下降的BP网络存在收敛速度慢、易陷入局部极小的缺陷。而遗传算法需要设置很多参数。为了解决BP算法和遗传算法的缺点,一些学者把粒子群算法用于对模糊神经网络权值的训练。PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化,神经网络训练,模糊系统控制等领域。针对模糊神经网络权值训练的非线性、复杂过程,惯性权重线性递减的线性粒子群算法往往不能反映非线性优化搜索过程,动态粒子群算法虽然能较好的实现非线性的搜索,但是更容易陷入局部最优。因此本文提出了基于禁忌搜索的动态粒子群算法。改进的粒子群算法引入了禁忌搜索的思想,来解决动态粒子群算法容易陷入局部最优的问题;并对禁忌公式进行了修改,使其不仅可以解决极小值最优问题,而且可以解决极大值最优问题。实验结果表明,改进的粒子群算法在非线性的搜索极值过程中收敛速度和最终结果都要优于惯性权重线性递减的线性粒子群算法和动态粒子群算法;且改进的粒子群算法在模糊神经网络权值的训练中收敛速度和跳出局部最优的能力都要比BP算法更优。

论文目录

• 中文摘要
• 英文摘要
• 1 绪言
• 1.1 论文的研究背景及意义
• 1.2 国内外研究现状
• 1.3 论文的研究内容
• 1.4 论文的组织安排
• 2 模糊逻辑与神经网络
• 2.1 模糊神经网络发展的概述
• 2.1.1 模糊逻辑系统发展概况
• 2.1.2 神经网络发展概况
• 2.1.3 模糊逻辑系统与神经网络的结合
• 2.1.4 模糊神经网络发展概况
• 2.1.5 模糊神经网络开发工具及应用成果
• 2.2 模糊理论
• 2.2.1 模糊集合与隶属函数
• 2.2.2 确定隶属函数的方法
• 2.3 人工神经网络
• 2.3.1 人工神经网络的基本概念
• 2.3.2 单层神经元模型
• 2.3.3 多层神经元模型
• 2.3.4 学习规则
• 2.3.5 反向传播算法
• 2.4 模糊神经网络的理论基础
• 2.4.1 基于神经网络的模糊逻辑运算
• 2.4.2 基于神经网络的模糊逻辑推理的模型构建
• 2.5 模糊神经网络的泛化能力分析
• 2.6 本章小结
• 3 基于禁忌搜索的动态粒子群算法
• 3.1 线性递减粒子群算法
• 3.1.1 粒子群算法的简介
• 3.1.2 线性递减粒子群算法的基本思想
• 3.2 动态粒子群算法
• 3.2.1 动态粒子群算法
• 3.2.2 动态惯性权重
• 3.3 禁忌搜索
• 3.3.1 禁忌搜索的基本概念
• 3.3.2 禁忌搜索的原理及流程
• 3.3.3 禁忌搜索的特点
• 3.4 改进的算法
• 3.4.1 对速度更新公式中个体最优解的改进
• 3.4.2 禁忌搜索的改进
• 3.4.3 改进后算法描述
• 3.5 仿真实验
• 3.6 本章小结
• 4 基于改进粒子群算法的模糊神经网络
• 4.1 数据集
• 4.2 模糊神经网络模型
• 4.2.1 确定输入节点和输出节点的个数
• 4.2.2 模糊神经网络的结构
• 4.2.3 隶属度确定
• 4.3 实验及结果分析
• 4.4 本章小结
• 5 结论与展望
• 5.1 研究成果
• 5.2 进一步的工作
• 致谢
• 参考文献
• 附录
• A 作者在攻读硕士学位期间发表的论文
• B 作者在攻读硕士学位期间所参与的科研课题