模糊神经Petri网模型优化及应用

摘要

近年来，Petri网作为一种对离散、异步、并发、并行、非确定和随机等性质的信息处理系统建模分析效能超强的工具被越来越多的海内外专家学者广泛应用和研究。此外，模糊理论在表示不确定信息等方面体现出来的优势而倍受东方专家学者青睐。与此同时，神经网络因为其本身强大的非线性处理能力，一直以来众多关注并且已经成功应用于计算机科学、神经科学以及经济学等领域中。
　　模糊神经Petri网(Fuzzy Neural Petri nets，FNPN)是将Petri网建模分析处理能力与模糊表示相结合，而后融入神经网络自适应算法而提出的。FNPN汇聚了三个理论各自的优点，模型能够解决某些模型中模糊参数难以确定的难题，使模型更加真切地描述实际系统。但是，其学习能力还是取决于选取的学习算法，如果要获得好的模型需要选用学习收敛速度快、精确度高且震荡小的学习算法。综上所述，优化改进FNPN模型的算法对建立更加理想的模型具有较强的现实意义。
　　针对FNPN学习算法计算精度低、收敛性差及训练过程中网络震荡性较大的问题，本文提出一种优化的FNPN算法。本算法采用两种S型连续函数分别表示变迁使能及变迁点燃后的新标记值，并在传统参数修正公式的基础上考虑修正前的数值进而增加新型的动量项。本文证明了优化后的参数修正算法可以保证FNPN网络的收敛性。在改进算法的应用方面，本文将其应用在近来被广泛研究的故障诊断等系统当中，通过对专家系统和故障诊断系统建立相应的FNPN模型，利用改进前后的算法对模型进行计算，由数据统计图可以对比看出本算法在计算精度、算法效率以及收敛性方面的效果均比传统算法好。

目录

声明

摘要

1 前言

1．1 研究背景和意义

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究概况和发展趋势

1．2．1 国内外研究概况

1．2．2 发展趋势

1．3 本文的主要工作

2 基础理论介绍

2．1 Petri网基本理论

2．1．1 Petri网的定义

2．1．2 网系统理论和性质

2．1．3 Petri网的应用领域

2．1．4 Petri网的优缺点

2．2 模糊理论

2．2．1 模糊理论基础

2．2．2 模糊理论应用

2．3 模糊Petri网

2．3．1 模糊Petri网的定义

2．3．2 模糊Petri网的研究及应用

2．3．2 模糊Petri网的优缺点

2．4 神经网络

2．4．1 神经网络的定义

2．4．2 神经网络算法的种类

2．4．3 BP神经网络算法

3 模糊神经Petri网算法优化及其收敛性分析

3．1 模糊神经Petri网的基本理论

3．1．1 模糊神经Petri网的定义

3．1．2 模糊神经Petri网的模糊产生式规则

3．1．3 模糊神经Petri网的使能条件

3．1．4 模糊神经Petri网的变迁规则

3．2 模糊神经Petri网算法优化

3．2．1 采用S型函数

3．2．2 增加新型动量项

3．2．3 FNPN模型实例说明

3．3 改进的FNPN算法步骤及其收敛性分析

3．3．1 算法步骤

3．3．2 算法步骤流程图

3．3．3 算法收敛性分析

3．4 本章总结

4 模糊神经Petri网的应用

4．1 专家系统的FNPN模型

4．1．1 模型的建立

4．1．2 模型的训练及分析

4．2 FMS加工中心故障诊断模型

4．2．1 模型的建立

4．2．1 模型的训练及分析

5 结论

6 展望

参考文献

8 攻读硕士学位期间发表论文及参加项目情况

致谢