基于禁忌搜索算法的模糊神经网络参数学习研究

摘要

近年来,模糊神经网络以其广义的函数逼近能力,已经受到了广泛的关注.在模糊神经网络的研究中,参数学习问题具有很大的重要性.一般来说,对模糊神经网络的参数学习问题可以转化为对其目标函数的优化问题,即寻找一组合适的参数向量使其目标函数值最优.目前,对模糊神经网络的权值或结构进行优化的方法有两类:一类是基于梯度向量的导数优化方法;第二类方法是基于现代最优化技术的非导数优化方法,如遗传算法、模拟退火算法等,其中以遗传算法的研究最为突出.使用现代优化技术时不需要目标函数的梯度向量,因此在解决复杂优化问题时有更大的灵活性.模糊神经技术和现代优化技术的结合是计算智能的一个发展趋势.该文在对以前的模糊神经网络参数学习算法进行分析的基础上,做了以下几个方面的工作:1)根据禁忌搜索算法的特点,在Jyh-Shing Roger Jang提出的ANFIS模型的基础上,将禁忌搜索算法应用于模糊神经网络线性和非线性参数的学习上,并将该模型用于单变量函数的逼近;2)在第一阶段的基础上,对算法进行了改进,使改进后的算法能够适用于复杂的函数逼近问题;3)根据计算机仿真的结果,对禁忌搜索算法的性能进行了分析,并对该模糊神经系统的函数逼近能力和泛化能力进行了讨论.4)对研究成果进行了总结和展望.通过该文的研究可以看出,将禁忌搜索算法用在模糊神经系统参数学习中具有很好的性能,该算法具有收敛概率高,收敛精度好等优点.训练后的模糊神经系统具有良好的函数逼近能力和泛化能力.禁忌搜索算法和模糊神经网络的结合在控制、信号处理等领域具有广阔的应用前景.

目录

文摘

英文文摘

第一章绪论

1.1引言

1.2模糊神经网络的历史和研究现状

1.2.1基于导数优化的方法

1.2.2非导数优化方法

1.3研究意义

1.4论文的结构安排

第二章模糊神经网络的理论基础

2.1模糊推理系统

2.1.1模糊推理系统的组成

2.1.2几类常见的模糊推理系统

2.1.3去模糊化

2.1.4模糊建模

2.2人工神经网络

2.2.1神经网络的基本概念

2.2.2神经网络的分类

2.3模糊神经网络

2.3.1模糊逻辑和神经网络的结合

2.3.2自适应神经—模糊推理系统ANFIS

2.3.3 ANFIS常用学习算法

2.4模糊神经网络的通用逼近性

第三章Tabu search算法

3.1 Tabu search算法的基本思想

3.2禁忌搜索算法的关键技术

3.2.1禁忌对象、禁忌长度与候选集

3.2.2评价函数

3.2.3特赦规则

3.2.4记忆频率信息

3.2.5终止规则

3.3禁忌搜索算法的收敛性

3.4禁忌搜索算法的应用

第四章基于Tabu search的模糊神经网络参数学习研究

4.1引言

4.2 Tabu search学习算法在ANFIS学习中的研究

4.2.1简化的ANFIS模型

4.2.2目标函数的定义

4.2.3编码规则

4.2.4邻域的构造

4.2.5禁忌长度及禁忌对象

4.2.6特赦准则

4.2.7禁忌搜索作为ANFIS参数学习算法的算法描述

4.3仿真实验及结果分析

4.3.1阶跃函数

4.3.2正弦函数

4.3.3 sinc函数

4.4算法的稳定性测试

4.5小结

第五章多变量函数的逼近研究

5.1改进的禁忌搜索算法

5.2仿真实验及结果

5.2.1 sinc(x)+sinc(y)

5.2.2 sinc(x，y)函数

5.2.3门限P对算法性能的影响

5.3小结

第六章结论及展望

6.1工作小结

6.2未来工作展望

参考文献

附录

致谢