一類模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)辨識(shí)和結(jié)構(gòu)優(yōu)化.pdf

1、模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了模糊系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)兩者的特點(diǎn)，不僅能處理語言信息，還具有自學(xué)習(xí)功能，已廣泛應(yīng)用于復(fù)雜系統(tǒng)的建模和控制。目前關(guān)于模糊神經(jīng)網(wǎng)絡(luò)的研究主要包括:確定網(wǎng)絡(luò)結(jié)構(gòu)、建立參數(shù)學(xué)習(xí)算法和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。本文分別探討了基于非多項(xiàng)式和多項(xiàng)式后件的模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)辨識(shí)及結(jié)構(gòu)優(yōu)化。論文的主要工作如下:
　　第一，本文提出了一種基于極限學(xué)習(xí)機(jī)的模糊小波神經(jīng)網(wǎng)絡(luò)參數(shù)辨識(shí)算法，模糊神經(jīng)網(wǎng)絡(luò)的后件采用小波函數(shù)構(gòu)建，利用極限學(xué)習(xí)機(jī)辨識(shí)網(wǎng)絡(luò)的線

2、性參數(shù)，同時(shí)采用梯度尋優(yōu)算法對非線性參數(shù)進(jìn)行優(yōu)化。在此基礎(chǔ)上，我們提出了分類建模策略對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，通過對建模數(shù)據(jù)的分類，進(jìn)而對各局部模型進(jìn)行參數(shù)辨識(shí)，可以較為有效地提高模糊小波網(wǎng)絡(luò)的建模精度。數(shù)值仿真結(jié)果表明，本文所建立的模糊小波神經(jīng)網(wǎng)絡(luò)對時(shí)間序列、非線性函數(shù)及UCI數(shù)據(jù)集具有較好的逼近效果。
　　第二，本文采用廣義Bernstein多項(xiàng)式函數(shù)作為推理規(guī)則的后件，構(gòu)建了Bernstein模糊神經(jīng)網(wǎng)絡(luò)。采用K均值聚類算法辨識(shí)網(wǎng)

3、絡(luò)的隸屬函數(shù)參數(shù)，對于網(wǎng)絡(luò)的連接權(quán)值則采用偏最小二乘算法進(jìn)行計(jì)算，在計(jì)算過程中進(jìn)行主元分析，提高了模型的逼近精度。通過對非線性系統(tǒng)的建模，測試結(jié)果驗(yàn)證了本文模型的有效性。
　　第三，本文研究了基于模糊Bernstein神經(jīng)網(wǎng)絡(luò)的區(qū)間值時(shí)間序列的預(yù)測。首先，建立區(qū)間值時(shí)間序列的中值序列和半徑序列，然后，設(shè)計(jì)模糊Bernstein神經(jīng)網(wǎng)絡(luò)對這兩個(gè)時(shí)間序列分別預(yù)測，從而實(shí)現(xiàn)對區(qū)間值時(shí)間序列的預(yù)測。測試結(jié)果表明，模糊Bernstein神經(jīng)