模糊认知图智能学习算法及其应用研究

摘要

Kosko在认知图的基础上提出的模糊认知图(fuzzy cognitive map，FCM)融合了Zadeh(1965)提出的模糊集理论与神经网络技术，它是一种软计算方法，其知识表示和推理能力更强。FCM的概念可以表示系统的动作、原因、结果、目的、感情、倾向及趋势等，反映系统的属性、性能与品质。
　　 本文首先介绍了模糊认知图的发展，现有国内外模糊认知图学习算法及智能优化算法中的遗传算法和粒子群优化算法。然后重点分析了现有模糊认知图学习算法的不足之处，并重点介绍了本文提出的两种学习模糊认知图的新方法:智能优化算法中的遗传算法和粒子群优化算法，两者都能够用来寻找合适的权矩阵，以便使FCM达到预期的稳定状态。在介绍新算法的过程中提出了两种不同的目标函数，并针对化学工业过程进行了仿真实验，证明了本文所提出的算法的有效性和健壮性。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 研究背景及意义

1.2 本文的研究内容及结构安排

第二章 模糊认知图学习算法简介

2.1 模糊认知图简介

2.1.1 认知图的发展

2.1.2 模糊认知图

2.2 模糊认知图学习算法

2.2.1 已有学习算法

2.2.2 已有算法的不足之处

2.3 本章小结

第三章 智能优化算法

3.1 算法介绍

3.2 遗传算法

3.3 蚁群算法

3.4 粒子群算法

第四章 基于遗传算法的模糊认知图学习算法及应用

4.1 遗传算法

4.1.1 遗传算法基本介绍

4.1.2 遗传算法的基本原理和运算过程

4.1.3 遗传算法的改进

4.1.4 遗传算法主要优缺点

4.2 基于遗传算法(Genetic Algorithm)的模糊认知图学习算法

4.3 仿真实验结果及结论

4.3.1 一个简单的过程控制问题

4.3.2 仿真实验结果及结论

4.4 本章小结

第五章 基于改进量子粒子群算法的模糊认知图学习算法及应用

5.1 粒子群优化算法

5.2 改进量子粒子群算法

5.3 基于改进量子粒子群算法的模糊认知图学习算法

5.4 仿真实验结果及结论

5.4.1 一个常见系统

5.4.2 仿真结果

5.5 本章小结

第六章 结论与展望

6.1 本文总结

6.2 展望

致谢

参考文献

附录