基于T-S模型的模糊神经网络在水质评价中的应用

摘要

模糊系统和神经网络都是对人的智能的一种模拟，前者采用自顶向下的角度，而后者则是自底向上的角度。它们均可从给定的系统输入/输出数据中，建立系统的非线性模型。 但是，模糊系统和神经网络又有不同之处。神经网络可以从例子中学习，具有很强的自适应学习能力，但由于神经网络模型是无模型的预报器，因此要使学习结果满意，需要很多数据进行训练。另外，神经网络所获得的输入/输出关系无法用容易被人接受的方式表达出来。 相反，模糊系统是建立在被人容易接受的‘如果…则’表达方式上，而且它是建立在专家知识的基础之上，因此收敛快，但如何自动生成和调整隶属函数和模糊规则，是一个棘手的问题。 本文研究了模糊系统和神经网络这两种人工智能方法的长处和短处，并将它们有机地结合在一起。将基于T-S模型的模糊神经网络应用于水质评价中，取得了较好的效果，为水质评价提供了一个新的方法。

目录

文摘

英文文摘

声明

第一章绪论

1.1模糊逻辑与神经网络的优势及结合的必然性

1.2基于T-S模型的模糊神经网络是模糊逻辑与神经网络的有机结合

1.3水质监测数据处理的发展现状

1.4本文的主要研究内容

第二章模糊理论和神经网络理论

2.1模糊集合和模糊理论的发展与现状

2.1.1模糊集合的概念

2.1.2模糊理论的发展和现状

2.2人工神经网络的基本类型和功能特点

2.2.1基本人工神经元及其网络模块

2.2.2人工神经网络的功能和特点

2.3本章小结

第三章模糊神经网络

3.1模糊信息处理的神经网络方法

3.2模糊神经元模型

3.3模糊神经网络模型

3.4网络学习方法

3.5本章小结

第四章ANFIS算法及分析

4.1概述

4.2 ANFIS网络结构

4.2.1基于网格的ANFIS

4.2.2基于聚类的ANFIS

4.3 ANFIS学习算法

4.3.1反向传播算法

4.3.2最小二乘法

4.3.3综合学习算法

4.3.4学习算法的选择

4.4 ANFIS模型分析

4.4.1模型建立步骤

4.4.2确定输入输出

4.4.3输入空间划分

4.4.4确定隶属函数

4.4.5参数辨识

4.5本章小结

第五章D-S证据理论

5.1 D-S证据理论

5.1.1基本概念

5.1.2 Dempster组合规则

5.1.3基本性质

5.1.4基本信任分配函数的构造方法

5.2目标判定原则

5.3本章小结

第六章基于T-S模型的模糊神经网络在水质评价中的应用

6.1引言

6.2评价模型

6.3模型参数的个数

6.3.1前件网络参数的个数

6.3.2后件网络参数的个数

6.4训练样本的准备

6.5期望目标的指定

6.6水质评价等级的划分界限

6.7网络的训练、检测及水质评价

6.8基于D-S证据理论和BP网络的水质监测数据处理

6.8.1基于D-S证据理论的水质监测数据处理

6.8.2基于BP网络的水质监测数据处理

6.9比较分析

6.10本章小结

第七章结论

致谢

参考文献

攻读硕士学位期间发表的学术论文