基于數據挖掘技術的模糊推理系統(tǒng)設計.pdf

1、模糊推理系統(tǒng)由模糊規(guī)則集和模糊推理算法組成。通常模糊推理算法都是固定的標準算法，對系統(tǒng)的整體性能影響不大。因此，模糊系統(tǒng)建模成功的關鍵取決于模糊規(guī)則的質量。
　　 而模糊規(guī)則的生成由模糊系統(tǒng)的結構辨識和隸屬度函數的參數優(yōu)化兩步組成。模糊系統(tǒng)的結構辨識旨在為每個輸入變量定義適合的模糊分區(qū)以及確定對應的模糊IF-THEN規(guī)則。結構辨識的方法分為兩種:基于先驗知識的方法和數據驅動的方法。基于先驗知識的方法依據專業(yè)知識估計輸入輸出模糊集

2、的數量，總結IF-THEN規(guī)則。盡管該方法有過一些成功的應用，但基于先驗知識的方法十分耗時，需要進行復雜的經驗總結才能歸納出最終的模糊規(guī)則。而數據驅動的方法運用數據挖掘技術或者其他計算機智能方法，能夠直接從數據中提取適合的模糊規(guī)則。T-S模糊模型和模糊基函數模型是兩種廣泛應用的模糊模型。已經證明模糊模型能夠全局逼近非線性映射函數。為確定模糊基函數模型，王立新和孟德爾提出了一種簡單實用的方法從數值數據中抽取模糊規(guī)則，并命名為WM算法。由于

3、WM算法簡單有效，各領域的研究人員和工程師已經廣泛運用該方法進行模糊建模。但對WM算法的進一部研究表明，可以改進WM算法生成模糊規(guī)則的魯棒性。
　　 本文提出了一種利用數據挖掘技術構建模糊推理系統(tǒng)的新方法。在模糊規(guī)則的結構辨識方面，引入數據挖掘中支持度和信任度的概念改進模糊規(guī)則提取算法，使架構的模糊系統(tǒng)對異常值和噪聲數據具有更好的魯棒性。在隸屬度函數的參數優(yōu)化方面，本文通過調整模糊隸屬度函數的中心位置以及增減模糊集的數量，使模糊

4、系統(tǒng)的拓撲結構與輸入輸出數據分布相適應。并且優(yōu)化算法能夠從程序生成的不同系統(tǒng)結構中，選擇系統(tǒng)近視精度與模糊規(guī)則復雜度最好折衷的系統(tǒng)架構。
　　 最后，針對時間序列問題分別對經典的Mackey-Glass混沌時間序列和實船操縱運動時間序列進行了仿真建模。在對Mackey-Glass混沌時間序列建模中，通過全面的仿真對比分析，證明了本文所提出的數據挖掘算法確實比現(xiàn)有的WM算法有更強的魯棒性。在對船舶操縱運動時間預報中，運用本文提出的

5、數據挖掘方法處理實船Z型試驗收集數據。數據挖掘算法通過提取模糊規(guī)則搭建模糊推理系統(tǒng)，對船舶操縱運動進行系統(tǒng)辨識。相比傳統(tǒng)的建模方法，模糊推理系統(tǒng)的架構不必依據固有的框架確定船舶動態(tài)系數，避免了生成不匹配模型的情況。另外，由于在船舶航行的海況復雜，存在的風、浪、流等外部環(huán)境干擾，所收集的船舶操縱數據中經?；烊朐肼曈绊懴到y(tǒng)建模。而基于數據挖掘算法所生成的模糊推理系統(tǒng)具有良好的魯棒性，因而能夠滿足實際情況要求，進行較精確的系統(tǒng)辨識和數據預測。