基于現(xiàn)代優(yōu)化方法的模糊神經(jīng)網(wǎng)絡(luò)設(shè)計研究.pdf

1、模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合，一方面彌補了純模糊邏輯在學(xué)習(xí)方面的缺陷，另一方面，使得神經(jīng)網(wǎng)絡(luò)這一“黑箱”問題走向透明化。由于匯聚了神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)各自的優(yōu)點，近年來，模糊神經(jīng)網(wǎng)絡(luò)已經(jīng)成功應(yīng)用到時間序列預(yù)測、智能控制、生物醫(yī)學(xué)、模式識別、數(shù)據(jù)挖掘等多個領(lǐng)域。 目前，模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究主要集中在用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)完成模糊系統(tǒng)的功能，即進行網(wǎng)絡(luò)的構(gòu)造并借助神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來提取模糊規(guī)則，使之完成相應(yīng)的任務(wù)。因此在

2、模糊神經(jīng)網(wǎng)絡(luò)的研究中，如何針對實際問題進行有效的模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計，即如何恰當(dāng)?shù)拇_定模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則條數(shù)和每條規(guī)則的參數(shù)以便利于神經(jīng)網(wǎng)絡(luò)實現(xiàn)模糊輸入、模糊推理、網(wǎng)絡(luò)中的傳播和最終結(jié)果的理解等已經(jīng)成為應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)所面臨的關(guān)鍵性問題。 20世紀(jì)80年代出現(xiàn)的模擬退火算法、遺傳算法等為開端的現(xiàn)代優(yōu)化方法，是以優(yōu)化問題中的難解問題為主要應(yīng)用對象。由于這些方法不要求目標(biāo)函數(shù)連續(xù)可微、對計算數(shù)據(jù)的不確定性有很強的適應(yīng)能力、且具有靈活

3、性好、直觀性和隨機性強等特點，因此在很短的時間里就得到廣泛應(yīng)用，成為解決優(yōu)化問題的一種有力工具，并展示出方興未艾的強勁發(fā)展勢頭。 禁忌搜索算法(TabuSearch，TS)是一種極具特點的meta-heuristic算法。TS通過引入一個靈活的存儲結(jié)構(gòu)和相應(yīng)的禁忌準(zhǔn)則來避免迂回搜索，并通過藐視準(zhǔn)則來赦免一些被禁忌的優(yōu)良狀態(tài)，進而保證多樣化的有效探索以最終實現(xiàn)全局優(yōu)化。算法最引人注目的地方在于其跳出局部最優(yōu)解的能力。 此外

4、另一種新的基于群智能的全局優(yōu)化算法——粒子群優(yōu)化算法(ParticleSwarmOptimization，PSO)由Kennedy和Evberhart在1995年提出，主要用于解決連續(xù)函數(shù)優(yōu)化問題。由于其簡單、有效的特點，粒子群優(yōu)化算法迅速受到各領(lǐng)域?qū)W者們的廣泛關(guān)注。 由于禁忌搜索算法和粒子群優(yōu)化算法是兩個典型的基于個體智能和群智能的現(xiàn)代優(yōu)化方法，而模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計也可以轉(zhuǎn)換成一個組合優(yōu)化問題。所以本文在對兩個算法進行分析

5、總結(jié)的基礎(chǔ)上，主要開展了以下三個方面的工作： (1)提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的混合禁忌搜索算法(FNN-HTS)，用于網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的同時優(yōu)化以自動獲取一組精練的模糊規(guī)則。 (2)針對模糊神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)和參數(shù)的確定往往需要專家經(jīng)驗的特點，提出了一種基于禁忌搜索的模糊神經(jīng)網(wǎng)絡(luò)分類器設(shè)計算法(TS-FNNC)，應(yīng)用于解決數(shù)據(jù)挖掘中的數(shù)據(jù)分類問題。 (3)針對粒子群優(yōu)化算法集中性搜索能力不強、搜索精度不高的不足，提

6、出了一種基于自適應(yīng)局部搜索的粒子群優(yōu)化算法(PSOALS)，以增強粒子群優(yōu)化算法的局部搜索能力、提高搜索效率。將PSOALS用于模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)，并采用了著名的基準(zhǔn)函數(shù)對算法的性能進行測試。 通過本文的研究可以看出，將現(xiàn)代優(yōu)化方法與模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合而得到的混合優(yōu)化策略具有很好的性能?；诮伤阉鞯哪：窠?jīng)網(wǎng)絡(luò)設(shè)計方法能在系統(tǒng)較為復(fù)雜，專家經(jīng)驗不易總結(jié)的情況下對系統(tǒng)進行建模，使模糊神經(jīng)網(wǎng)絡(luò)具有更緊湊的結(jié)構(gòu)和更高的精確度；自