基于FCM的改進WM算法及在模糊系統(tǒng)參數(shù)優(yōu)化的應(yīng)用.pdf

1、許多工業(yè)生產(chǎn)存在非線性、時變性、維數(shù)高的等不確定性特點，因此較難用傳統(tǒng)的建模方法進行精確地描述。為構(gòu)造一個合理的、可追蹤的模型就需要引入模糊性的概念，并且理論已經(jīng)證明模糊系統(tǒng)是萬能逼近器。由于模糊推理算法往往都是固定的標準算法，故構(gòu)造的模糊系統(tǒng)的性能主要受到模糊規(guī)則的影響。同時，由于實時數(shù)據(jù)的影響，模糊系統(tǒng)的參數(shù)應(yīng)隨環(huán)境變化進行自行調(diào)節(jié)以具有更好的性能。
　　近年來，如何高效地通過樣本數(shù)據(jù)提取出模糊規(guī)則，對復雜工業(yè)系統(tǒng)進行數(shù)學建模

2、具有重要意義。其中，Wang和Mendel提出的Wang-Mendel算法（WM算法）通過查表的方式簡單有效地從樣本數(shù)據(jù)中生成模糊規(guī)則。因此，WM算法被廣泛應(yīng)用于模糊建模。算法的性能主要表現(xiàn)在完備性、魯棒性、逼近精度等方面。對WM算法的進一步分析研究表明，算法在性能方面仍有改進的空間。隨著樣本數(shù)據(jù)規(guī)模的擴大，提取過程中的效率會受到較大的影響。
　　根據(jù)親和度的定義，將其表示為樣本數(shù)據(jù)間的相關(guān)性。利用樣本數(shù)據(jù)的親和度可以對模糊規(guī)則庫

3、中缺失的規(guī)則進行預測，并且可以降低噪聲數(shù)據(jù)在模糊規(guī)則提取過程中產(chǎn)生的干擾作用。針對大樣本問題，本文引入FCM聚類算法，在保證不改變樣本數(shù)據(jù)分布規(guī)則的前提下進行樣本集優(yōu)化，以此提高WM算法的效率。本文基于FCM和親和度對WM算法進行改進，以獲得完備性、魯棒性和效率更優(yōu)的模糊規(guī)則庫。
　　在模糊系統(tǒng)參數(shù)優(yōu)化方面，本文將基于山峰函數(shù)的減法聚類算法作為對模糊系統(tǒng)結(jié)構(gòu)初始化的工具。隨后，根據(jù)樣本數(shù)據(jù)采用FCM和改進的WM算法組成的混合學習算