基于改进GA的模糊神经网络参数学习算法及其应用的研究

摘要

模糊系统理论为处理不确定性信息提供了一种方法；神经网络常用于非线性映射的逼近；模糊神经网络吸收了模糊系统和神经网络二者的优点，是一种常用的处理非线性问题的有力工具，它的学习算法是其理论与应用研究中最关键的一个方面，由于结构学习通常可以转化为参数学习，故模糊神经网络的参数学习问题是一个非常值得研究的课题。 本文首先分析了模糊神经网络，遗传算法，以及非线性系统建模和自适应滤波的发展和现状。在介绍模糊系统，神经网络的原理及模糊神经网络的结构和学习算法，阐述遗传算法的流程、基本原理的基础上，对模糊神经网络以及遗传算法的不足进行了归类与总结。提出了一种改进策略的遗传算法，即混合编码，交叉与变异并行处理，自适应交叉和动态变异，引入移民机制以及在遗传算法中加入BP算子等。 采用这种改进的遗传算法调节模糊神经网络的参数，并应用于非线性系统建模和自适应滤波中，通过与神经网络和模糊系统在这两方面应用的仿真对比，验证了该方法的有效性和优越性。

目录

文摘

英文文摘

原创性声明及关于学位论文使用授权说明

第一章绪论

1.1选题背景

1.2模糊神经网络的研究和发展

1.2.1模糊系统和神经网络

1.2.2模糊神经网络

1.2.3模糊神经网络的参数学习算法

1.3遗传算法的研究和发展

1.4非线性系统建模的研究现状

1.5自适应滤波的研究现状

1.6本文研究的主要内容

第二章模糊神经网络的理论基础

2.1模糊系统理论

2.1.1模糊系统的组成

2.1.2模糊系统的模型

2.1.3模糊系统的非线性逼近能力

2.2神经网络理论

2.2.1神经网络的基本原理

2.2.2多层前馈网络-BP网络

2.2.3多层前向神经网络的非线性逼近能力

2.3模糊神经网络的结构及学习算法

2.3.1基于标准模型的模糊神经网络

2.3.2基于T-S模型的模糊神经网络

2.4本章小结

第三章遗传算法及其改进策略

3.1常见搜索方法特点及其比较

3.1.1遗传算法与传统方法的比较

3.1.2遗传算法与其他搜索方法的比较

3.2遗传算法描述

3.2.1遗传算法的流程

3.2.2遗传算法的基本原理

3.2.3遗传算法的应用

3.2.4遗传算法的局限性

3.3遗传算法的改进方案

3.3.1参数的编码方案

3.3.2交叉与变异并行处理

3.3.3自适应交叉和动态变异

3.3.4引入移民机制

3.3.5加入BP算子

3.4本章小结

第四章基于改进GA的模糊神经网络参数学习算法及应用

4.1基于改进GA的模糊神经网络

4.1.1模糊神经网络的结构及其参数

4.1.2算法的设计思想

4.1.3算法具体实现

4.2在非线性系统建模中的应用

4.2.1问题的提出

4.2.2神经网络建模

4.2.3模糊建模

4.2.4基于改进GA的模糊神经网络建模

4.2.5仿真结果及分析

4.3在自适应滤波中的应用

4.3.1问题的提出

4.3.2自适应滤波的原理

4.3.3神经网络自适应滤波

4.3.4模糊自适应滤波

4.3.5基于改进GA的模糊神经网络自适应滤波

4.3.6仿真结果及分析

4.4本章小结

第五章结论与展望

5.1结论

5.2进一步研究的工作

参考文献

致谢

攻读学位期间主要研究成果目录