已阅读5页,还剩75页未读, 继续免费阅读
(基础数学专业论文)基于遗传算法的模糊规则获取研究.pdf.pdf 免费下载
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
基于遗传算法的模糊规刘获取觋究 摘要 蘧慧科学投术懿飞速发震,天民生活承平静显著提高,数耀获鬃成倍穗大,需簧链理静 信息最迅速增加。要把大量的数据作为信息,从数据中提取出有用的知识,把知识变成指鼯 工作、擞产、逡营和锖售的策晤,等祷这些融使一垫传统静方法感到无能为力。 在模糊系统体系中,人类知识不得不以模糊规则的形式来表达。只有用模糊规则来描述 的知识才能被入类所利用。在窳际应用中,模糊规则往往是融专家根据经验给出的,这就存 在羞一定的目题,比如趣则不够客鼹、专家经验难以获取等笛。因姥,如舞楚捷有效地提取 默摸糊娥则是一项很有意义的工作。对于模糊规则的获取,传统的方法是凭经验来确定,这 秘方法复杂且攮度大。 本文通过对模糊系统、遗传算法和神经鼢路的宥获理论进行研究。提出了将遗传算法皮 翔于获敬荔于瑾解静模搦麓翱。采蔫遗话算法移静经溺络静缝舍来伉纯和学习隶属菠函数的 模糊划分和参数,从而生成客观的隶属度函数。在此基础上生成初始的模糊规则集。 在优化模糊瓶判懿遗传算法设计中,提出了适应度评估溺数,敛及交叉概率和变异概率 的自适应变化公式。在逑应度评估函数的设计中增加了模糊媲则的可解释憾的附加项使褥 所获取的模糊规则易于人类理解。 最蠢,对提出的自逶应交叉概率耧蠹逶应变异穰攀裂用遗传算法豹公理纯理论避行7 援 敛性的诚明。以液明所提出的公式是合理和有效的。 在编程实验上,裂琢m a f l a b 实瑗了羼遗传算法慕谯诬横 蘸嚣城耱划分。 关键词:隶瘸逡数模糊蕊翔遗传雾法神经嬲络瓶羹l j 获墩 t h er e s e a r c ho ft h ef u z z yr u l e se x t r a c t i o n b a s e do ng e n e t i ca l g o r i t h m s a b s t r a c t w i t ht h ed e v e l o p m e n to ft h es c i e n c ea n dt e c h n o l o g y 谯ep e o p l e ss t a n do fl i v i n gb e i n g i m p r o v e dp r o m i n e n t l y 。t h ep il e dd a t ah a v i n gd o u b l e da n dr e d o u b l e d w h i c hm a k e t h e i n f o r m a t i o nn e e d e dt ob ed e a lw i t hi n c r e a s er a p i d l y 。c o n v e r t i n gt h ev a s td a t ai n t o t h e i n f o r m a t i o na n de x t r a c t i n gt h eu s e f u lk n o w l e d g ef r o mt h ed a t a ,t u r n i n gt h ek n o w l e d g ei n t o t h es t r a t e g yo fd i r e c t i n gt h ej o b s ,p r o d u c t i o n ,a n dd o i n gi nb u s i n e s sa n ds e l l i n g i nt h ef u z z ys y s t e m s ,t h ek n o w l e d g eo fh u m a nb e i n gh a st ob er e p r e s s e db yf u z z yr u e s o n l yi nt h i sw a yc a nt h ek n o w l e d g eo fd e s c r i b e df u z z yr u l e sb eu s e df o rt h eh u m a nb e i n g f u z z yr u l e sc s nb eg i v e nb yt h ee x p e r i e n c eo fe x p e r t si nr e a la p p l i c a t i o n ,w h i c hh a v e d i f f i c u l t yi ne x t r a c t i n gt h er u l e so fn o ti 帕p e r 8 0 n a l i t ye n o u g h a n ds p e c i a l i s t se x p e r i e n c e n o tb e i n ga c q u i r e ds oo i lt h e r e f o r e ,i ti sas p e a k i n gv o l u m e sj o bt h a th o wt oe x t r a c tf u z z y r u l e si nc o m p a c t n e s sa n de f f i c i e n c y t h ec l a s s i c a lm e t h o d so fe x t r a c t i n gf u z z yr u l e si s d e t e r m i n e db ye x p e r i e n c e ,w h i c hi sc o m p l e xa n dm o r ed i f f i c u l t w es t u d yf u z z ys y s t e m ,g e n e t i ca l g o r i t h m ,n e u r a ln e t w o r ka n dt h ei n t e g r a t i o no ft h e s e a p p r o a c h e s 。t oe x t r a c tf u z z yr u l e s ,w ec o m b i n eg e n e t i ca l g o r i t h ma n dn e u r a ln e t w o r km e t h o d t oo p t i m i z ea n dl e a r nf u z z yp a r t i t i o n sa n dp a r 船e t e ro fm e m b e r s h i pf u n c t i o n 酶e ng e n e r a t i n g m e m b e r s h i pf u n c t i o n s ow es w i t c h e df r o mac o m p l e t e l ys u b j e c t i v ep r o b l e mt oah i g h l y o b j e c t i v ef o r m ,t h e ng e n e r a t ei n i t i a lf u z z yr u l e sb a s e do nt h e s es t e p s , t h u sf u z z yr u l e s w h i c hw ee x t r a c tc a ne a s i l yb eu n d e r s t o o dt oh u m a nb e i n g i nd e s i g n i n g 繇,w ep r o p o s ea d a p t i v ef i t n e s se v a l u a t i n gf u n o t i o n s ,a d a p t i v ec r o s s o v e r p r o b a b i l i t ya n da d a p t i v em u t a t i o np r o b a b i l i t y 。i no r d e rt oe x t r a c tf u z z yr u l e st h a ta r e u n d e r s t a n d a b l et oh u m a nb e i n g sf r o md a t au s i n gg e n e t i ca l g o r i t h mm e t h o d s ,t h e i n t e r p r e t a h i l i t yo ff u z z ys y s t e m sa r ea d d e dt ot h ef i t n e s sf u n c t i o no fg e n e t i ca l g o r i t h m s w ep r o v e dt h ec o n v e r g e n c eo fg aw h i c hw ep r o p o s e da d a p t i v ef i t n e s sf u n c t i o n s ,a d a p t i v e c r o s s o v e rp r o b a b i l i t ya n da d a p t i v em u t a t i o np r o b a b i l i t y i ts h o w st h a tt h em e t h o d sw e p r o p o s e da r er e a s o n a b l e k e yw o r d s :m e m b e r s h i pf u n c t i o n f u z z yr u l e s g 矗a n n e x t r a c t i n gr u l e s 独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进 行的研究工作及取得的研究成果。尽我所知,除文中已经标 明引用的内容外,本论文不包含任何其他个人或集体已经发 表或撰写过的研究成果。对本文的研究做出贡献的个人和集 体,均已在文中以明确方式标明。本人完全意识到本声明的 法律结果由本人承担。 学位论文作者签名:去舷 2 棚于年6 月c f 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文 的规定,郧:学校有权保翟荠闫国家畜关部门或橇梅送交论 文的复印件和电子版,允许论文被查阅和惜阅。本人授权云 南师范大学霹戳将本学位论文的全郝或部分志容缡入鸯关 数据库进行检索,可以采用影印、缩印或扫描等复制手段保 存和汇编本学位论文。 学位论文作者签名:舅獭 指导教师签名:项多嘲 沩隼6 嗣f f 翟伊矿年月少e t 云南师藏大学硕士学位论文 1 模糊集和模糊系统 1 ,1 模糊集 一个集奋是指有限或焉限多个对象的金体,该对象称为集合中的鼐索或成员。程传统的集合 论中,一个对教要么属于一个集台,要么不属于一个集合。如果x 是a 中的一个元素,我们用x a 来表示;如粜x 不是a 中的元素,我们用x g 渔来表示。 然丽,攀翔诧概念不燕黻瓤画现实氆舞。现实世界孛豹狠多概念眈秘赢出、潮泊、漶塘等概念 是很难用传统的集合理论来加以描述的。脊许多属性是模糊的,比如:低、高、矮、渫亮和丑陋等 锋。如果我们用传统的集合米描述一个个子高的人,那么我们必须提供一个准确的标准,比如是 1 8 0 c m 。在这耱馕嚣下,如一令久戆赛裹憝1 8 0 2 c m ,那么我害】说这令入潢是该羲嚣,疆鞋毽个子 商;而另一个身高是1 7 9 8 c m 的人则不满魑该标准,所以仇个子不高。德生活中我们麓不多都认为 他们是一样商,从而这种袭颇上看来似乎摄很准确的分类商式却带来了个不合理时结果。 传统集台论的一个局限在于用一个特鬣函数来描述一个仅仅是值为0 和1 的集合。然而,如果 我 j 筢这个德扩展刭0 弱1 乏闻,那么,这一疆难将衾被解凌。这蓑键豹思恕是鑫l 。a z a d e h 【l a z a d e h1 9 6 5 】首先提出来的。 设a 是论城u 上的一个集合,其特征函数为陬( x ) : 陬( x ) :# 一 o ,l 】 ( 。 ) 对任意x l l ( x ) o ,1 3 魑一个箕元素x 属于a 的程度妁一个函数,该函数就称为蕊耩函数,籀 应的集合就称为模糊集。 模糊集含理论的概念越美国控制论专家l a z a d e h 在1 9 6 5 年提出浓的。模糊集合蟹限于现实 毽界趋不精确釉不完整靛偿爨绪惑。越隶瓣丞数作为建巍蔟磊,遥遘定义黥隶嚣疫特缎蕊羧采表达 模糊性,利用模糊推理规则,从数据中挖搠知识表达的逻辑关系。它能窳现信息的并行处理,从输 入信息中找到一种非线性映射的数学关系。 模糊集会瑗论在理论磺巍器盛用研究寅瑟已经经历7 避四+ 年盼发震,在处理信惑蓉统的知谈 不完整、不精确斑题中,特剿是近十年来模糊电子产晶酌辆浪潮提供了瑕动力,为模糊控懿的发袋 立下了不朽功勋曾黄麟2 0 0 4 。 ,2 隶震番数 1 9 6 5 年,美国加州犬学控制论专家z a d e h 发表了蓿名论文“模糊集合论”,首次提出了“隶 属函数”( m e m b e r s h i p f u n c t i o n ) 的概念,由式( 1 1 ) 确定。引入该概念的目的是为了描述差异的 孛闻过度,簌嚣突破了经典懿会论孛属予绒不震予熬缝辩哭系,扩展7 姆摄函数戆掇念。 隶属两数不仅是模糊系统理论中的一个重要概念。阐时,在模糊控制中也起着影响控制品璜 的重要作用。在模糊控制器设计中,隶属函数的自动生成有着重要的使用价值【自瑞林1 9 9 5 。 基予遗镗算法的模赣戴剐获取研究 接下来的一个重凝问题是:怎样确定隶属函数? 隶属函数有静种各样的选择,怎样从中进行 选择? 从概念上讲,有两种确定隶属瀚数的方法。第一种方法是利用人类专家的知识,也就是说请 该领壤鹣专家来携定塞麟遁兹。蠹手援期集舍透露蠲予攘邃久类躲谈,所鞋,隶簇波番数趣就我袭 了部分人类知识。通常。这种方法仪熊给出隶属函数的个粗略的公式,还必颓对其进行“微调”; 第二种方法是从各种传感器中收集数据来确定隶属函数旺立新2 0 0 3 。目前在遮方面也成为研究 豹热点翘题。 1 。3 模糊规则系统 1 3 。1 语蠢变量察疆富黻潮( h e d g e ) 一个规则系统是由带有条件部分和行为部分的许多规则构成: 如襞条件 ,那么 ( 4 ) 则称该模糊划分是完备的。熟中s ( a ,b ) 是如下定义1 4 所定义的模糊子集a 和b 之间的模糊 相似性度量。 定义1 2 ;( 筑赠集合熬竞罄搜) 蠡暴露强絮x 翻,在模凝溉燹潺尊都至多存在一条筑刘,称之秀燕 则r 0 0 【形如舰则( 1 3 ) 】,对于所有i = 1 , 2 ,n 都满足 队“( x i ) o ( 1 5 ) 剃称这个模糊 f - t h t 雕藐剜燕台是完备的。 直观地讲,一个规盈l j 集会的完备褴表明,赣入空闻串酌任意点上郡纛少存在一条w 用的规劐。 1 4 2 模糊划分的可区分性 模糊系绕的可解释瞧( i n t e r p r e t a b i l i t y ) 的主妻嚣求之一是可区势性( d i s t i n g u i s h a b i l h y ) 。也有 作者【肘招军2 0 0 s 称之为隶属函数的语义性,即要有合理的形状,使人舄于理解。程设计一个可 基于遗传算法自q 模糊规则获取掰f 究 解释的模糊系统中,通常需要分配一个语言项绘一个模糊予熊。然而,这服有一个先决条件就是模 糊划分中的楱期予集应该是霹酝努兹。 模糊划分的可区分牲依赖予模糊划分中的模糊子集数。在保证模糊翎分完备性的条件下,模 糊划分中越小的模糊子集数。模糊划分越可区分。实际在设计模糊规则系统中,往往是繁干专家知 识或常识,模糊予集数通常小予l o j v a l e n t ed eo l i v e i r a1 9 9 8 。 定义1 3 :设模糊划分的任意拥临的两个模糊子集为 和a i + 1 ,对于0 8 1 ,若 s ( a i 。a i “) 6 ( 1 6 ) 赋豫该模期划分是可区分鲍。 1 4 3 模糊规则的一致性 模糊规则的一致性是遴过觌贝蘸提的相似性和规则结论的裙 鞋性 y , j i n ,1 9 9 9 来加以定义的。 突义1 a :设辍、舄和毽是翔上( 1 。3 ) 式耩表示的模糊栽刘,舞l 模裙瓣剃前疆静耱织镶为: s r t ( r j ,r d = 1 1 1 i n j 芸l n s c ,a 岣) ( 1 7 ) 其中,s ( a ,) 表示模糊集籼和a 崎之间的模糊相似性。 鼢籼净丽嚣筹丽 汽 m ( ) 表示的大小。 怒义l 。s :设辍、嚣i 和琏是热上( 。3 ) 莹:掰表示毂模糊栽粼,更搂壤裁鲻络埝躯摆戳性为: s r c ( r i ,) = s ( 飘,磁) ( 1 9 ) 蕊中s ( b i ,取) 表示模糊集b i 和b j 之间的相似性。这样,两个模糊规则的一致性定义如下: 定义1 6 :假设规则r i 和r j 为如上( 1 3 ) 式所表示的模糊舰贝唾。则模糊蛾则r ;和玛之间的一致性 定义热下: c n ( r f ,r j ) = e x p 一 ( 墅s r c ( r 黑ir “0 ) 2 、 , i ) 。 面瓦1 面) 2 ( 1 。1 0 ) 这个模糊规则一致性的定义有两个基本性质:第一,当两个模糊规则的s r p 和s r c 成比例时, 假定两个模糊规则的s r p 是高的,则其一致蚀度趋向于是高的。在特殊场,如果规则有捆同的前 撼襄相羁静结谂,爨一致毪遮戮最太整1 。銎藩提莛耪霹戆,燕维谂是不弱豹霹,一致蛙软0 鬟1 0 之间变化。此辨,如果两个规划的前提都分脊很低的相似饿,换句话说,s r p 是很小的,那么不管 s r c 如何变化,蕻一致性总是商的【j y e n ,l w a n g ,a n dw g i l l e s p i e1 9 9 s 。 1 毒。4 摸瘸援粼豹完备毪窝黪港羧 实际上横糊划分的完备性并不能保_ i 难模糊系统的完备性,如果模糊规则结构不完备。那么 云摩耀藏大学蠖士学短论文 什么是模糊规则结构的完备性? 一个直接的答寨就是:每个输入变量的模糊划分在模糊规则蕊统中 应该毯少被使用一次。最广泛使用的满格结构是完备的,如下圈1 ( a ) 所示。 然嚣,一个宠备的模糊筑剿络稳不一定是满穰栽剃结构。如下围 国) 掰搴,尽管在菜蹙元 素上没有规则,但落是完备的。相反,图1 ( c ) 撼不完备的。实际上,一个简沽而又完备的模糊系 统不仅是可行的,而且也是很有必隳的,特别对于很大的系统来说,更是如此。 一一 i ni m 一 一 一 ( a )( b ) 图1 :规则结构图中阴影区域表示一个模糊规则 一 一 一一 模翻艇划结鞫缒障法性主要关心的怒爨现在翅剥藏提孛翦模糊交撼数。如果一个模糖系绞有1 0 个 输入并且所有静输入都出现在模襁栽剃的前提中,娣么人雷】是摄难理解规猁的。个有效的方法是 对规则前提中出现的变量数进行约减,有采用进化的方法j i n 1 9 9 8 】j i n 。1 9 9 9 来约减输入变 量数。本文将在后耐的章节中采用储息熵的方法来进行模糊规则前提中的输入燮爨数的约减。此外, 甄裂簿黪蘧洼健,逐骞模糊援剐蓐枣豹攘罄援爨数瓣子一令摸赣系统豹霹解释拣( i n t e r p r e t a b i l i t y ) 起至4 一个很重要的俸粥。规则库中的模糊规则数趟少,人类用户越容易理解。 - 5 - 基予遗黄葵法粒蠖期蠛翔获取搿究 2 遗传簿法 2 1 介妻召 蘧镑算法是建立雀自然选择鞠群缚遗转学机瓒基础上静髓机迭代秘进化,麒有广泛适用峻的 攘索方法,其有穰强的全局优纯援索能力。它模赫了蠡然选择帮囊然遗传过程巾发生的繁殪、交配 和变舜现象,根据邋者生存、优胜熬汰的自然法则,利用遗传簿子( 选择、交叉和变异) 逐代产生优 选个体( 即候选解) 。最终搜索到较优的个体。 瀵接算法豹萋零思想是:维持令染色棼静群( 表示具薅瓣越豹攘选辫) 避建竞争和控髑变 异的过程来逐代进化,从而,最终褥到较优的个体( 问题的较优解) 。以一个随机生成的染甑体开 始,通过应用发生在自然界的遗传过程上的遗传操作而获得更好的染色体。在遗续迭代形成过稷中, 群体巾的染色体由潮题解所确定的邋艘度函数来谱储,在这种评惦的基础上,新一代染色体辩群得 鞋形袋,主要是遥遵馒蠲一个选择橇霸和特定的逮传操律毙如交叉鞋变异采宠藏f o c o r d o n2 0 0 4 。 2 2 遗传算法的关键披术 荚子遗黉算法豹裳要隶辞多骤谨霓综述。这燕绘窭一个蘧褥箨法懿数学壤黧滁宗本2 0 0 3 , 其可袭示为: g a ( e j t 。s t ,c t , m t ,z t ) 其中扩磺;t 代算法辑使用的编礤方法( 含编秘长发,解码规则等) j ,第t 代辣法所使用的逶斑度度量 8 r 一第t 代辫法所使用的选撵操作 酝一第t 代算法所使用的交激操作( 含交叉概率p c ( t ) ) 虢第t 鼗筹法舞毽瑁戆交势绦终( 禽交茹凝辜p m c 0 ) x 广一第t 代算法所使用的系统参数( 如终此准则t t ,种群规模n 。等) 由该数学模酗w 知,利用遗传算法求解主要党成以下六步操作设计:遗传编码和解码方法设 计、邋藏度评价函数设计、选择操 譬设诗、交叉操作设计、变异操作设计和系统的约束参数设计。 - 6 云南师范大学硬士学位论文 3 模糊区域划分和隶属函数的参数学习 模糊隶属函数是设计模糊系统的一个关键概念。生成适当的隶属函数已成为3 0 年来一个富有 挑战的问题。尽管已提出了许多的方法来生成隶属函数,但大多是基于专家知识和经验直觉的,比 较主观的方法肿a s o u dm a k r e h c h i2 0 0 3 。本节利用遗传算法和神经网络相结合的方法来解决模糊 区域划分和隶属函数参数的学习问题。先利用遗传算法来对模糊划分进行优化。然后,利用神经网 络的b p 算法对隶属函数的参数进行学习。 3 1 用遗传算法来优化模糊划分 一个隶属函数的模糊划分是关于发生不确定信息的一部分。那么问题是找几个给定的优化模糊 划分以至于能最大化论域( u n i v e r s eo fd i s c o u r s e ) l i d 的信息度量。如x 是论域u d 且x i 定义在x 中: x = x 1 ,x 2 ,) ( 3 1 ) 定义x 的一个模糊划分或模糊子集为: x = 意,毛,磊) = x :,x 1 ,x c x ,1 s i 一 ( 3 。2 ) 其中,兢( 磊) 叫做一个下界( 上界) 。假设论域u d 已被划分以至于x 的所有元素属于一个或 多个划分。 x = u “x ;= 0 嘭,x 妇 f 一1i - 1 在x i 上定义一个隶属函数为: 讳re :x i c _ x ( 3 3 ) ( 3 4 ) 从一个模糊系统的观点来说,论域u d 被划分成了m 个重叠的子集,因此,我们将隶属函数的一个 支撑集表达为论域i i d 的一个划分,假设只有相临近的划分是重叠的,即:x j n x “1 中,1 s i m 一1 。 假定我们的目的是在l i d 中找m 个优化的划分,从( 3 2 ) 式中有: x 1 = x :,x : ,x 2 = 磊,x : ,x i = x :,x : ( 3 5 ) 这里x := 一l ,x := 1 ,由于两个相邻划分间有一个重叠,那么,我们有 z “= x :,x : n x :_ ,x 日i + 1 ,x 。i + 1 x t ,1 i m 一1 其中,z “1 是第i 和第i + 1 个划分的重叠,易知: ( 3 6 ) z i , 1 1 = x ? 1 ,x : ,l s i q 一1 ( 3 - 7 ) 在m 划分的论域u d 中,有m - 1 个重叠,基于( 3 5 ) 式j 有2 ( m 一1 ) 参数来量化这些重叠。如 7 纂予遗传算法的攘釉裁鲻获取研究 果包括第一和最后一个非重叠的参数x :和x :,参数集合为: = 兢,溉2 ,磊,x ,z ,东1 ,x :j 。,。 ( 3 渤 r = t 奠毛,溉,确,x 抒,兢,j 麓,x 痒j儿 t 摹- 蟮, 遮里p 是一个将攫被优化的完备巢。下面通j 瘦遗传算法来潞参数集台里的参数。 为了设计一个遗传算法g a ,需鬻设定一系列的参数包括:参数编码,初始群体的设定,适应 疫函数的设计,遗传擞传豹设计,按刽参数豹设定游五个方蔼。 3 1 1 遗传算法的= 进制编码 为了便于使用二避割编码,先姆参数集p 的初贻化,变为: p = p 融p l ,p 静,强“ ( 3 。9 ) 篡中j p 俨x 工1 ,p l = x 工2 ,p 砷一x : 为了约麓遗传算法表示参数所鼹娶的拉数,那么采用摆对参数靛方法来加以锵决,摆对参数由 下式获褥: r p 口,r l = p 厂p 0 ,r * 1 = p 辞l d h 卜盘 ( 3 1 0 ) 从而,r t 表示参数p “和p t 之阃的距离度量。由于r 萨p o - 一l ,所以,参数的总个数是2 m - 1 ,最后 静攘辩参数集r 为; r = r l ,r 2 ,r * “r * i ( 3 1 1 ) 为了表示一个二进制的染色体,用q 位来编码每一个参数。因此,每位的势数有如下的范围: o 靠t 秽一l 。应该注意到,为了避免没有重叠,我们甭取参数的边界值( 即0 和2 。1 ) 。下嚣躺串表 鹾了参数编码纂, 醚碣酩矗2 l u 2 2 碹 、_ - v _ 一、- _ o 一 毪您 3 1 2 造应度函数的设计 晴一1 碹一1 中卅 、- 、p - - - 一 强m i 3 + 2 ) 袋羽绉惑论孛的壤息壤襄互蘩爨熬装合来建痰遥痘发嚣数,巍( 3 。l i ) 式巾遴过蠲r 静纛方鞠 来建囊模糊射分闻的个关系( 下豳) 。这里定义适应度函数为一个划分的总熵。该划分的宽度由 向薰r 所参数化。濑过优化r 集中的参数以最大化划分直方圈的总熵。为了嫩成m 个隶属函数 需要m 个联合划分靼m 一1 个重鼹的划分直方图。每个联合划分阐述了一个联含熵且每个重鼗邋过 嚣个瓣之闫表瑗鑫瓣糖互莜蔟嚣耍馆怠来表示。下鬻豹( 3 。1 3 ) 妓裘露疆慧璃寒俸为每令参数祭襄 的滔威度函数: ” m l 融 一j ;节+ j 建毽黧立盟, p j p | “ 喇枷= 塑塾笔糕鬻燮燮 其脊m 个联合划分和m 1 个露叠划分的模糊划分的直方圈 3 。1 3 遗传舞法的控制参数的设定 ( 3 1 4 ) ( 3 1 5 ) ( 3 6 ) ( 3 1 7 ) 遗传算法中需要选耩的控制参数主冀有个体编码串的长度l 、群体大小n 、交叉概率p c 、交辣 概率p m 、终止代数t 等。这些参数对算法的运行性能材较大的影响f 施建强2 0 0 3 】。 编码串长度l 缭码的长度与掰用的编码方法农关。当用二避俸4 编码来表承个体时,编码 串长度与毛豹选取与嗣邋耩簧采豹采熊麴耩菠毒关;零赛分采矮二避捌编玛,编羁l l 拳长度l 满是 o r i l 帮掰。 交叉概率p c 。交叉操作是遗传算法中产生新个体的主要方法,所以交叉概率一般应取较 大值。若取傻过大,会破坏群体中的优鼹模式,对进行运筹反而产生不利的影响;若取值过小,产生 耨个体豹遥发叉淫。奉算法孛,采臻戆交叉穰率 e 两。8 。 变异概率p m 。变异决定了物种的多样性。但糟变异概率取值过大,虽然能够产生出较多 的新个体,但却可能破坏很弗较好的模式。使遗传算法的性能近似于随机搜索算法的性能;若变异 。9 基于遗传算法的模糊规则获取研究 概率取值太小,则变异操作产生新个体的能力和抑制早熟现象的能力会较差。因此在本算法中,选 定变异概率p m = 0 2 5 。 终止代数t 。终止代数是表示遗传算法运行结束条件的一个参数,它表示遗传算法运行 到指定的进化代数之后就停止运行,并将当前群体中的最佳个体作为最优解输出。在本例中,我们将 初始进化代数设置为t 毫1 0 0 。 经过以上的步骤后,对于一个给定的数据表。即可通过上面的方法得出其隶属函数的模糊区间 的优化值。归纳以上的算法思想得如下1 v 伊p o o a ( m e m b e r s h i pf u n c t i o n sp a r t i t i o no p t i m i z e du s i n g g e n e t i ca l g o r i t h m ) 算法: m f p o g a 算法( 隶属函数模糊划分的优化) 输入:信息系统或给定的数据表; 输出:隶属函数优化的区域划分。 s t e p l :先将输入变量按预定的模糊子集数进行划分,设模糊子集数为m ,得到待优化的初始 的模糊划分,如上面的( 3 1 1 ) 式: r = r 1 ,r z ,1 - ,r * - ( 共2 m 1 个元素) 其中m 表示模糊子集数,一般m = 7 或5 。 s t e p 2 :用遗传算法来优化该模糊划分。 s t e p 2 1 :初始化随机生成一个初始种群p ( 0 ) = x 1 ,) ( 2 ,) 白 ;种群大小设置为n = 9 ,设置 最大进化代数t = 1 0 0 :p c = 0 8 ;p r o = 0 2 5 ; s t e ,p 2 。2 :选择对当前种群p 中的每一个个体计算其适应度值,用( 3 1 3 ) 式来加以计算。 并按照适应度值进行降序排序,排在前面的个体选择两份,排在中间的个体选择一份,排在后面的 个体不选择,予以删除。以保持群体中的总个体数不变,从而,生成当前种群。 s t e p 2 3 :交叉从当前种群中,随机选择个体x l 和x ”,按照交叉概率p c 进行交叉: s t e p 2 4 :变异在当前种群中按照变异概率选择m 个个体进行变异操作;群体p ( t ) 经过选 择、交叉、变异运算后得到下一代群体p ( c + 1 ) 。 s t e p 2 5 :终止条件判定同终止代数进行对比,若t t 则t = t + l ,转到s t e p2 2 ;否则,若 t ,t ,则以进化过程中所得到的具有最大适应度的个体作为最优解输出,终止运算,并输出结果。 s t e p 2 6 :输出优化后的模糊区域的参数集r 。 3 1 4 实验结果和分析 本文利用m a t l a b 对模糊区域划分进行优化,遗传算法的初始种群数为9 个,使用最佳个体保留 策略。即每一代的最佳个体不参加交叉和变异操作,直接进入下一代。采用点交叉操作,交叉概率 为p c = 0 8 ,点变异操作,变异概率为p m = 0 2 5 ,终止代数t = 1 0 0 得到如下表的结果: 1 0 一 云南师范大学硕士学位论文 结果适应度函数值遗传进化代数 未优化 5 ,5 ,5 ,5 ,5 ,5 ,5 ,5 ,5 1 2 2 6 6 7 1 ,8 ,6 ,5 ,2 ,3 ,9 ,7 ,4 1 2 4 5 1 31 3 ,2 9 ,8 ,1 ,4 ,6 ,7 ,5 1 2 4 3 5 62 采用遗传 1 7 ,3 ,4 ,6 ,8 ,1 ,2 ,9 ,5 1 2 6 0 1 55 算法优化 1 1 ,3 ,9 ,8 ,6 ,2 ,6 ,7 ,3 1 2 5 0 7 41 0 的结果 1 5 ,6 ,1 ,8 ,3 ,2 ,4 ,9 ,7 1 2 7 1 0 31 5 2 ,4 ,8 ,6 ,1 ,5 ,3 ,9 ,7 1 2 7 0 7 25 0 1 2 ,8 ,5 ,6 ,3 ,1 ,4 ,9 ,7 1 2 7 4 1 91 0 0 根据上表可知,采用遗传算法来优化模糊区域的划分,克服了人的主观性,使所得结果更加客 观。而且优化后的适应度函数值比未优化的适应度函数值要高。以此可以说明采用遗传算法来优化 模糊区域划分会得到更加理想的结果。 3 2 基于神经网络的隶属函数参数学习 由上一节可得出给定数据的模糊区域的划分, 数。神经网络的类型很多,我们选用目前最常用、 本节采用神经网络的方法来学习隶属函数中的参 最流行的误差逆传播神经网络即前馈型b p 神经 网络模型。b p 网络的输入和输出关系可以看成是一种非线性映射关系,即每一组输入对应一组输 出。由于网络中神经元作用函数的非线性,网络实现是复杂的非线性映射,关于这类网络对非线性 的逼近能力,h o m i k l 等分别利用不同的方法证明了如下一个事实:仅含有一个隐层的前向网络能以 任意精度逼近定义在r n 的一个紧集上的任意非线性函数【刘长安2 0 0 4 。文献【徐宗本2 0 0 3 1 指出, 任何神经网络的设计可分为三个部分:网络结构设计、参数优化学习算法和激活( 目标) 函数构造。 3 2 1 网络结构设计 3 2 1 1 隐层数 一般认为,增加隐层数可以降低网络误差( 也有文献认为不一定能有效降低) ,提高精度,但 也使网络复杂化,从而增加了网络的训练时间和出现“过拟合”的倾向。本文的网络设计为_ 两个隐层。 3 2 1 2 隐层节点数 在b p 网络中,隐层节点数的选择非常重要,它不仅对建立的神经网络模型的性能影响很大, 而且是训练时出现。过拟合。的直接原因,但是目前理论上还没有一种科学的和普遍的确定方法。本 文中的隐层节点数等于模糊子集数。 基于遗传算法的模糊规则获取研究 3 2 2 参数优化学习算法设计 在神经网络的帮助下通过训练和学习的过程来获取知识。在许多情况下,一个未知系统的知识 以数据的形式出现。因此,许多学习算法都是基于数据的。众所周知,在某些实际问题中收集数据 是很困难的。这样,融合先验知识( 包括启发式和专家知识) 在神经网络中将变得很重要,特别是 在可获得的训练数据不足时显得尤为重要。 学习是通过改变神经网络的参数( 权值和节点) 以优化目标函数来实现。依赖于所涉及到的学 习方法,目标函数可能是很不同的。一般来说,有三种主要的学习模式:有监督学习、无监督学习 和增强学习。本文采用有监督学习中的b p 网络。 学习率 学习率影响系统学习过程的稳定性。大的学习率可能使网络权值每一次的修正量过大,甚至会 导致权值在修正过程中超出某个误差的极小值呈不规则跳跃而不收敛:但过小的学习率导致学习时 间过长,不过能保证收敛于某个极小值。所以,一般倾向选取较小的学习率以保证学习过程的收敛 性( 稳定性) ,通常在0 0 1 0 8 之间。 网络的初始连接权值 b p 算法决定了误差函数一般存在( 很) 多个局部极小点,不同的网络初始权值直接决定了b p 算法收敛于哪个局部极小点或是全局极小点。如采用的是s i g m o i d 转换函数作为目标函数,则由于 s i g m o i d 转换函数的特性,一般要求初始权值分布在一o 5 0 5 之间比较有效。而本文采用的是训练 模糊系统的隶属函数的参数,考虑到b p 算法易陷入局部收敛而选则较小的初始参数。 3 2 3 激活( 目标) 函数的构造 由于神经网络需要求梯度,从而,所给的隶属函数必须满足可导性,于是,采用最普遍使用的 高斯型隶属函数。 l g ( x o :e x p ( - ( ! 笋n ( 3 1 8 ) ( 兀 式中肛:和( 7 :分别为隶属函数的中心和宽度。为了利用神经网络来学习隶属函数的参数:和 仃:需要先设计目标函数( 阈值函数) ,这里采用具有带有乘积推理机、单值模糊器、中心平均解 模糊器和高斯隶属函数的模糊系统。原因是“带有乘积推理机、单值模糊器、中心平均解模糊器和 高斯隶属函数的模糊系统是一个万能逼近系统,即模糊系统以任意精度逼近任意非线性函数。”f 王 立新2 0 0 3 。于是,激活阈值( 目标) 函数为: 1 2 云南师范大学硕士学位论文 。弘舾一学n , “x ) - 。2 一 抛酬鼍猢 ( 3 1 9 ) 一j 这里,m 是固定不变的,它表示模糊规则数,y 表示模糊规则的t h e n 部分的模糊集的中心, 在本文中歹。也是当作权值来学习,目的在于有它才能对:和d 进行学习。n 是数据对的个数,肛: 和d 是需要学习的权值。为了便于讨论,对( 3 1 9 ) 式进行如下分解: 才。n 阱c 鼍瑚 再通过对z f 的一个求和运算和一个加权求和运算得到 m b _ 善 。:等_ f z , 钉。 从而,激活阈值函数为 件詈p 本文的神经网络结构图如下: z l ( 3 2 1 ) ( 3 2 2 ) ( 3 2 3 ) 输入层 第一隐层第二隐层 输出层 对于给定的输入一输出数据对( x 品,x 品;y :) ,要完成的任务是根据( 3 1 9 ) 式定义 一1 3 - 基予避橹算法的麟期瓣酣蔌墩研究 的激活阏馕鳓数,使得下面的拟合误差最小 e = 兰f f ( x 溯2 f 3 。2 4 ) 本文中使期最常用的误差反商赞播b p 算法来学习参数;和d 。臻下列采确定: f 2 :( q + t ) = 肛妙饯兰| ,f ( q + 1 ) 2 熊国”饯j k o ; 瑁a e ;可o e 面o f 丽a z t 呵劫亭z 警 上式中的f 袭示自,y 表示y i 。 将 3 。2 6 ) 式投入( 3 。2 5 ) 式,霹褥弘:麴学习冀法魏: 秘:( q + 她邸:国一蟛嘲掣z弘i ( q 十1 ) 2 邸i 国一( ,一y ) 卫i ;2 瓴一t i ( q ) ) ( d 幻) ) 2 上式中麴程为学霹率,一般o a l 。本文中选取游啦8 ( t r e ) 学习参数矗用下列米确定: d 婚1 ) = d 攫墨k 口( 丁i 糊样,掇据复合函数的求导法则,有: 嚣= 可a e 可o f 丽o z 呵嘲孥z2 警 将( 3 。3 3 ) 式筏入( 3 3 2 ) 式,耐褥d 静学瓣算法赫下: ( 3 2 5 ) ( 3 ,2 8 ) ( 3 2 7 ) 3 2 8 ( 3 2 9 ) 幽肌幽叫细,挈z 2 等铲 通理,可得y 的学习算法如下: y ,= 歹妯孚z 4 氓 学嚣算法( 3 。2 7 ) 、( 3 。3 0 ) 窝( 3 3 1 ) 竞戏瓣楚一个b p 算法。下嚣给氆箕疑薅豹m b 攀l b p ( m e m b e r s h i p f u n c t i o n s p a r a m e t e r s l e a r n e d b y b p n e u r a l n e t w o r k s ) 算法; 一t 4 一 云南师范大学硕士学位论文 m f p l b p 算 去( 模糊隶属函数参数的学习) 输入:数据对 输出:学习后的隶属函数参数或隶属函数的图形表示 s t e p l : 阈值函数的确定和参数的设置。如上( 3 1 9 ) 式确定m 和初始参数肛:( o ) 和( 丁:( d ) 可k o ) 。 s t e p 2 : 给定输入数据并计算其输出对于给定的输入输出数据对( x p 。,蒜;y :) , p = l ,2 ,在学习的第q ( q = o ,1 ,2 ,- - - ) 阶段,计算: 出鼻e 蚺铜 j l , b _ 善 a :? m - - y 。z 。 臼。 帖詈 s t e p 3 :调整参数。采用学习算法( 3 2 7 ) 、( 3 3 0 ) 和( 3 3 1 ) 计算要调整的参数肼:“+ 1 ) 、 一f d ( q + 1 ) 和y ( q + 1 ) 。其中y = y l ,乙b 。a ,f 等于s t e p 2 中算出的乙b ,a 。f 。 s t e p 4 :令q = q + l 。返回s t e p 2 重新计算,直到误差i f _ m i i ) 个子系统,系统熵h 的期望值可以表达为: 善胪, 这里p j 和h i 分别为第j 个子系统出现的概率和熵【曾黄麟2 0 0 4 。 通过求属性的系统熵的期望值最小来考察其重要性,从而保留该属性 ( 4 2 ) 而删去系统熵的期望 云南师范大学硕士学位论文 值最大的属性,以达到约简属性的目的。下面通过个例子来说明怎样利用信息熵来进行属性的约 简。 设一个知识表达系统给出表格表达形式于下: uabcd 1 11 1 1 22111 32121 42212 51312 62321 72312 81321 上表中,决策属性d 中“1 ”类的对象出现的概率p l = 3 8 ,“2 ”类的对象出现的概率p 2 = 5 8 , 则基于决策属性d 的系统的熵: h 。= 一n1 0 9 2 慨) = ( 3 8 1 0 9 z ( 3 8 ) + 5 i 8 1 0 9 2 ( 5 8 ) ) = 0 _ 9 5 4 ( 4 3 ) h d 度量了系统在初始状态时的信息不确定性。 下面考察各属性值对系统决策属性的重要程度,即对减小信息不确定性的情况。例如上表中 的属性“b ”,因为根据属性值分为3 种情况( 即3 个子系统) ,基于属性”的系统熵的期望值 h b 可以表达为: 3 h b = p ,h = p l h i + p 2 h 2 + p 3 h 3 ( 4 4 ) 这里p 1 = 3 8 ,p 2 = 1 8 ,p 3 = 4 1 8 分别为研究对象属于属性b 的属性值分为3 种情况等价类的概率 ( 由上表即可求出) 。h 1 、h ”h 3 是划分3 个子系统后相应子系统的熵。即: h 1 - 。善p d 帕i 1 ) i 。9 2 吣一n i 。9 2 ( 1 ) + o | 0 9 2 ( 0 ) = o h 2 = - h 。一善 p ( d | | b 2 ) l 0 9 2 ( d i l b 2 ) _ - ( 0 1 0 9 2 ( 0 ) + 1 l 0
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 电子竞技赛事裁判培训与考核指南
- 2026小学教资面试道法答辩高频考题题库
- 初中生物教资面试答辩易错题题库及解析
- 高中英语教资面试试讲高频考题题库
- 企业级数据丢失与恢复工具手册
- 2026事业单位计算机岗面试高频考题试卷及解析
- 索取售后服务评价结果的联系函(4篇)
- 初中英语教资面试答辩题库及参考答案
- 2026事业单位档案岗面试高频考题题库及答案
- 项目进度报告及预算调整通知函4篇
- PLC应用技术(西门子S7-1200)(第二版)
- 中国再保险集团笔试题型
- 大树移植监理实施细则
- FZT 01108-2025 再生对苯二甲酸技术要求标准立项发展报告
- 广西广电网络公司招聘笔试题库2026
- 病区卫生间使用管理制度
- 2025广东揭阳揭东农商银行小微金融部人才招聘(公共基础知识)测试题附答案解析
- 肾动脉栓塞介入术
- 军队职工抚恤管理办法
- GB/T 39542.3-2025技术制图活动铅笔第3部分:黑铅芯HB铅芯弯曲强度
- 《ERP软件实训》教学大纲
评论
0/150
提交评论