（交通信息工程及控制专业论文）模糊模型的智能学习方法与应用研究.pdf

摘要 为了提高模糊模型面向复杂对象的学习能力和应用能力，将模糊 模型与其它智能技术有机结合，成为互补的混合智能模糊模型。学习 模糊模型具有多约束性和多目标性，单一智能技术学习模糊模型所涉 及的问题是非常困难的，有必要利用多种智能技术通过互相合作，协 同求解模糊模型，为此本文利用智能协作、层次智能、混合智能等理 论和技术，从不同的角度研究这些智能方法与模糊模型互补学习的问 题，构造基于多智能混合的模糊模型，为不同应用目的和不同类型的 模糊模型学习问题提供一般性的学习框架，可几乎在不了解对象情况 下，通过这些框架学习基于对象实值样本数据的不同特征模糊模型 ( 广义模糊模型、语言模型、分层模糊模型) 。 论文系统论述了模糊模型的表现形式及各自特点、糊模型的学习 内容和模糊建模过程，总结了模糊建模技术的研究现状及存在的问 题，相关计算智能技术的基本特征和研究现状。 在对当前主要应用的各种模糊模型进行统一描述( 称为广义模糊 模型) 的基础上，提出了广义模糊模型的协同进化( c o e g f m ) 。 在协同进化框架下将广义模糊模型的完整解由两类种群组成，第一类 种群描述模糊模型及其规则的结构，采用灵活的二维编码方式；第二 类种群描述了各分区隶属函数参数，采用分层树状结构编码方式，根 据各种群的编码特点采用不同的进化策略，两异构种群协同进化形成 模糊模型。g f m c o e 可学习各种类型的模糊模型，并表现出较好的 紧凑性和精确性，其另一个特点对系统的先验专家知识要求较少，几 乎能实现黑箱系统的模糊模型学习。通过函数近似、混沌时间序列预 测预测和典型分类问题为例证明模型的有效性。 可理解性模糊模型( 语言模型) 具有很好的对象描述性和认知性， 但其在面向复杂对象时精确性比较低，为此开展了语言模型的可理解 性和精确性平衡策略研究，提出了两种策略提高语言模型的精确性， 一种是使语言值及其隶属函数参数符合各对象变量的本质特征，另 种是在子空间引入协作规则。应用微粒群算法( p s 0 ) 学习各变量上 的语言值及其正交隶属函数参数，并采用合适的语言值合并策略，形 成候选规则集和粗糙语言模型；应用模拟退火算法( s a ) 优选各子 空间上的候选规则，重构精确的语言模型。在应用微粒群算法过程中， 提出了基于模型性能启发信息和迭代次序特征的微粒惯性权重自适 应动态调整策略，改进的微粒群算法( m p s o ) 在语言值的学习中体 现了具有非常明显的局部精细搜索能力和全局探索能力。 分层模糊模型是一种有效表征高维复杂对象的模型，获取高维复 杂对象的分层模糊模型是非常困难的。本文提出了面向高维复杂对象 的分层模糊模型g a - d b p 混合智能学习算法，这种算法可学习常用 的增长型和累积型分层模糊模型。在这两类分层模糊模型的最优结构 框架下，通过g a 算法使分层模糊模型满足对象各变量耦合特征或者 对象的内在结构特征，同时认为分层模糊模型是由一系列子模型连接 形成的前向网络，给出了分层模糊模型中各子模型连接策略，提出并 证明在动态结构下各相连子模型之间误差率传播关系定理，得到在 g a 下不同结构分层模糊模型的操作参数动态b p ( d b p ) 调整算法。 根据变压器油中溶解气体色谱分析数据( d g a ) 的特点，确定 了变压器运行状态识别特征及其预处理方法，建立了两种基于d g a 数据的变压器运行状态识别模糊模型，一种是变压器运行状态识别语 言模型，另一种是变压器运行状态分层模糊模型，都表现了较好的精 确性和推广能力，弥补i e c 方法的不足。在状态识别语言模型建立 过程中，提出了基于子空间对各运行状态支持度的语言分类规则提取 方法。 关键词模糊模型，计算智能，协同进化，混合智能，故障状态识别 缸 a b s t r a c t i no r d e rt oe n h a n c el e a r n i n ga n da p p l i e dc a p a b i l i t yo ff u z z ym o d e l w h e ni tt r e a t sw i t hc o m p l i c a t e do b j e c t s ，i to f t e nn e e d st oc o m b i n et h e f u z z y m o d e lw i t ho t h e ri n t e l l i g e n tt e c h n o l o g y , w e l l t h e nt h e c o m p l e m e n t a lh y b r i di n t e l l i g e n tf u z z ym o d e li sd e v e l o p e d i ti sd i f f i c u l t t ol e a r nf u z z ym o d e lv i as i n g l ei n t e l l i g e n tt e c h n o l o g yb e c a u s eo ft h e p r o b l e m i sm u l t i - c o n s t r a i n ta n dm u l t i t a r g e to p t i m i z a t i o n i ti sn e c e s s a r y t om a k eu s eo ft h ei n t e r a c t i o na n dc o o p e r a t i o no fm u l t i f o r mi n t e l l i g e n c e t e c h n i q u e sf o rl e a r n i n gf u z z ym o d e l i nt h ed i s s e r t a t i o n ，t h ed i f f e r e n t i n t e l l i g e n ti n t e r m i xt h e o r ya n dt e c h n o l o g ya r eu t i l i z e dt oc o m p l e m e n t a l l e a r n i n gf u z z ym o d e lf r o mt h ed i f f e r e n tp o i n t o fv i e w ，a n dt h e f r a m e w o r k sb a s e do nm u l t i i n t e u i g e n c ei n t e r m i xf o rd i f f e r e n ta p p l i e da n d f o r m a lf u z z ym o d e l sa r ec o n s t r u c t e d t h ef r a m e w o r k sr e q u e s ts c a r c e l y a n yp r e v i o u si n f o r m a t i o na n dc a nl e a r nd i f f e r e n tc h a r a c t e r i s t i cf u z z y m o d e l s ( g e n e r a l i z e df u z z ym o d e l ，l i n g u i s t i cm o d e l ，h i e r a r c h i c a lf u z z y m o d e l ) n e s h o w i n gf o r m sa n dr e s p e c t i v ef e a t u r ea n dl e a r n i n gc o n t e n t sa n d m o d e l i n gp r o c e s so ft h ef u z z ym o d e l sa r ed i s c u s s e da n ds u m m a r i z e d t h ec o n t e m p o r a r yr e s e a r c hs t a t u sa n dt h ee x i s t i n gp r o b l e m so ft h e t e c h n o l o g yo fc o n s t r u c t i n gf u z z ym o d e l sa r es u m m a r i z e d ，a n dt h eb a s i c i d e a sa n dt h ec o n t e m p o r a r yr e s e a r c hs t a t u so ft h er e l e v a n tc o m p u t a t i o n a l i n t e l l i g e n c ea r es u r v e y e d b a s e do nv a r i o u sf u z z ym o d e l sa p p l i c a t i o nm a i n l ya r ed e s c r i b e d u n i f o r m l y a s g e n e r a l i z e df u z z y m o d e la n dt h e nac o e v o l u t i o n g e n e r a l i z e df u z z ym o d e l ( g f m - c o e ) i sp u tf o r w a r d i nc o e v o l u t i o n f r a m e w o r k ，t h eg e n e r a l i z e df u z z ym o d e li sd e c o m p o s e da st w a i ns p e c i e s ， t h ef i r s ts p e c i e sd e s c r i b e st h es t r u c t u r eo ff u z z ym o d e la n df u z z yr u l e s a n da d o p t sf l e x i b l em a t r i xe n c o d i n g ，t h es e c o n ds p e c i e sd e s c r i b e st h e p a r a m e t e r so fm e m b e r s h i pf u n c t i o n so fr e s p e c t i v ep a r t i t i o n sa n da d o p t s t r e e l i k es t r u c t u r ee n c o d i n g i na c c o r d a n c ew i t he a c hs p e c i e sc h a r a c t e r ， t h ev a r i o u se v o l u t i o ns t r a t e g i e sa r ea d o p t e d ，a n dt h ef u z z ym o d e li s f o r m e db yv a r i o u ss t r u c t u r es p e c i e sc o e v o l v e d g f m c o ec a ni d e n t i f y m u l t i p l i c a t ef u z z y m o d e l sa n db e h a v e sw e l li n c o m p a c t a n d i n a c c u r a c y a n o t h e rc h a r a c t e r i s t i co ft h eg f m c o er e q u e s t sal i t t l e o f p r e v i o u si n f o r m a t i o na b o u tt h eo b j e c t t h ev a l i d i t yo ft h em o d e lh a sb e e n d e m o n s t r a t e db ye x a m p l e so ff u n c t i o na p p r o x i m a t i o na n dp r e d i c t i o no f c h a o t i ct i m es e r i e sa n dt y p i c a le l a s s i f i c a t i o n i n t e r p r e t a b l ef u z z ym o d e l ( 1 i n g u i s t i cm o d e l ) b e h a v e s w e l li n c o g n i t i o na n dd e s c r i p t i o n ，b u tt h ea c c u r a c yo fl i n g u i s t i cm o d e li sn o ta s u f f i c i e n td e g r e et oac o m p l i c a t e do b j e c t t h et h e s i sd e v e l o p st h e r e s e a r c ho nt r a d e - o f fb e t w e e ni n t e r p r e t a t i o na n da c c u r a c y , a n dp r o p o s e s t w os t r a t e g i e sf o re n h a n c i n ga c c u r a c yf o rl i n g u i s t i cm o d e l t h eo n ei s t h a tm a k i n gl i n g u i s t i ct e r m sa n di t sm e m b e r s h i pf u n c t i o np a r a m e t e r s a d a p tt ot h ee s s e n t i a lc h a r a c t e r i s t i c so fe a c ho b j e c tv a i l a b l e ，a n dt h eo t h e r s t r a t e g yi st h a tt h ec o u a b o r a t i v er u l ei si n s e r t e di n t oe a c hs u b s p a c e ，砀e p a r t i c l es w a r mo p t i m i z a t i o n ( p s o 】i su s e dt oo p t i m i z ee a c ho r t h o d o x y m e m b e r s h i pf u n c t i o no fl i n g u i s t i ct e r m sf r o me a c hv a r i a b l e ，a n da i n c o r p o r a t i v es t r a t e g yf o rl i n g u i s t i ct e r m si sa d o p t e d , a n dc a n d i d a t er u l e b a s e sa n dr o u g hl i n g u i s t i cm o d e la r ef o r m e d s ai su t i l i z e dt oc h o o s e e x c e l l e n tc a n d i d a t er u l ef r o me a c hs u b s p a c ea n dr e c o n s t r u c ta c c u r a t e l i n g u i s t i cm o d e l s i nt h ep r o c e s so fa p p l y i n gp s o ，t h em o d i f i e dp a r t i c l e s w a m io p t i m i z a t i o n ( m p s o ) i sp r o p o s e d , m p s oa d o p t sas t r a t e g yo f d y n a m i c a ls e l f - a d j u s t i n g i n e r t i a p a r a m e t e r b a s e do n i l l u m i n a t i n g i n f o r m a t i o no ft h em o d e lf i t n e s sa n di t e r a t i v eo r d e rc h a r a c t e r i s t i c a n d b e h a v e sw e l li nl o c a l l ys e a r c h i n ga n da l l r o u n d l ye x p l o r i n ga b i l i t i e s h i e r a r c h i c a lf u z z ym o d e lc a ne x p r e s sh i g h d i m e n s i o nc o m p l i c a t e d o b j e c t sa v a i l a b l y , b u ti ti sv e r yd i 髓c u l tt oo b t a i nt h em o d e lo ft h eo b j e c t s an e wg a - d b ph y b r i di n t e l l i g e n ta l g o r i t h mi sp r e s e n t e df o rl e a r n i n g h i e r a r c h i c a lf u z z ym o d e l ( i n c l u d ea s c e n d i n ga n da c c u m u l a t i n gm o d e l ) w i t hh i g h - d i m e n s i o nc o m p l i c a t e do b j c o t s i nt h eb e s tf r a m e w o r ko ft h e m o d e l s ，h i e r a r c h i c a lf u z z ym o d e lc a nb es a t i s f i e dt h ef e a t u r e so f r e l a t i o n s h i po fv a r i a b l e sa n di n h e r e n ts t r u c t u r eo ft h eo b j e c tb vg a t h e a u t h o rp o i n t so u tt h a tt h eh i e r a r c h i c a lf u z z ym o d e li saf e e d f o r w a r d n e t w o r kc o n n e c t e dw i t has e r i e so fs u b - m o d e l s ，髓et a c t i c sc o n n e c t e d e a c hs u b m o d e lt oh i e r a r c h i c a lf u z z ym o d e la l ep r e s e n t e d t h ee r r o rr a t e b e t w e e nr e s p e c t i v es u b m o d e lp r o p a g a t i o nr e l a t i o nt h e o r e mi sp r e s e n t e d a n dp r o v e di nd y n a m i cs t r u c t u r e ，s od y n a m i cb p ( d b p ) c a na d j u s tt h e o p e r a t i o np a r a m e t e r so fh i e r a r c h i c a lf u z z ym o d e lw i t hv a r y i n gs t r u c t u r e i n g a b a s e do nt h ed a t af e a t u r eo fd i s s o l v e dg a sa n a l y s i s ( d g a ) ，t h e t r a n s f o r m e rc o n d i t i o nf e a t u r e sa l eo r g a n i z e da n dt h d rp r e v i o u sh a n d i n g w a yi s d e c i d e d t h ea p p l i c a t i o np r o b l e mo f l i n g u i s t i cm o d e la n d h i e r a r c h i c a l f u z z ym o d e lf o r c o n d i t i o n r e c o g n i t i o n ( c l a s s i f i c a t i o n ) a r e s t u d i e d ，s ot w oc o n d i t i o nr e c o g n i t i o nm o d d sa r ee s t a b l i s h e db a s e do n d g a ，e v e r ym o d e lb e h a v e sw e l li na c c u r a c ya n dg e n e r a l i z a t i o n ，a n d t h e s ec o n d i t i o nr e c o g n i t i o nm o d e l sm a k eu pf o rt h ed e f e c to fi e cw a y a m e t h o db a s e do nt h es u b - s p a c e ss u p p o r te a c hc o n d i t i o nd e g r e et oo b t a i n l i n g u i s t i cc l a s s i f i c a t i o nr u l e si sp r e s e n t e d k e yw o r d sf u z z ym o d a l ，c o m p u t a t i o n a li n t e l l i g e n c e ，c o e v o l u t i o n ， h y b r i di n t e l l i g e n c e ，r u n n i n gc o n d i t i o nr e c o g n i t i o n v 原创性声明 本人声明，所呈交的学位论文是本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，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在在论文中作了明确的说 明。 作者签名：达业丛 日期：趔年坐月丛日 关于学位论文使用授权说明 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文，允许学位论文被查阅和借阅；学校可以公布学位 论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论 文；学校可根据国家或湖南省有关部门规定送交学位论文。 博士学位论文 第一章导论 第一章导论 模糊模型是基于规则的模糊推理系统，具有多种表现形式，是多值分类和 回归近似的有效工具。作为软计算方法论中的一种，越来越受到人们的关注， 在各领域得到广泛的应用。本文是研究从实值样本数据中自动获取不同应用目 的和不同特征的多智能模糊模型。 1 1 引言 1 1 1 问题的提出 无任是在工程技术和自然科学领域，还是在社会科学领域，分析系统、建 立系统模型是研究者经常需要面临的问题。通过模型的建立，研究者可深入了 解系统的行为特征、运行枧理，对系统进行仿真和预测，或者对某种模式识别 和作出某种决策。当面向一个具有高度非线性、不确定性、多因素、强耦合的 复杂系统时，传统的数学模型表示和分析计算方法很难满足要求，迫切需要发 展新的理论和模型表征这类系统。模糊模型就是表示该类系统一种有效方法， 模糊模型主要是源于z a d e hl a 的模糊集理论、模糊i f - t h e n 和模糊推理。它 既可处理自然语言表达的信息，又可进行数值计算，与人对信息的表达和处理 方法相似，易于与人的领域知识和经验很好的结合，模拟人的思维过程，模型 结构清晰，具有可解释性和人的参入性，同时许多学者从不同的角度对模糊模 型泛逼近性能力进行了证明【l “。 近二十年来，模糊模型由于在智能控制【鲥3 1 ，系统建模和辨识 1 4 - 1 8 l ，模式识 别1 9 - 2 1 1 ，图象处理f 2 2 ，数据挖掘1 2 5 2 哪，决策支持【凹，3 田，机电设备故障诊断与可 靠性分析3 卜3 6 ，医学诊断 3 7 。观等众多领域得到成功的应用而倍受重视。然而模 糊模型本身不具有学习功能，当然模型的知识可由领域专家提供，但专家知识 是不完整、不精确、主观的，使模糊模型需要进一步补充、调整和完善，同时 系统本身及其环境是变化的，甚至有些系统是未知的，这就要求模型具有学习 能力和自适应能力。为此有必要将模糊逻辑或者模糊模型与其它智能技术有机 结合，发挥各自的优势，成为互补的混合智能模糊模型。这种为了利用模糊逻 辑求解复杂对象而采用的多计算智能技术互补学习方法正在受到广泛的关注， 成为新的研究重点。这方面主要有：模糊集理论与神经网络的结合产生基于模 糊算子的网络模型 4 0 , 4 1 1 、模糊化神经网络 4 2 4 5 3 、基于模糊推理的网络 4 6 - 5 5 ：进化 计算与模糊推理的结合产生了各种进化模糊模型 5 6 6 s 1 ，基于进化计算的模糊神 博士学位论文第一章导论 经网络 6 9 4 0 】；基于模拟退火的模糊模型【7 1 】；在进化算法中各种控制参数利用模 糊逻辑产生的模糊进化计算7 7 3 1 ，利用模糊进化算法学习神经网络讲l ，基于支 持向量机的模糊模型【7 9 。 在上述各种模糊理论与其它智能方法的结合过程，按照合作的机理，可将 这些结合分为两种形式： 第一种是利用模糊理论提高智能技术的学习能力和处理不确定数据的能 力。如：基于模糊算子的网络模型是将模糊算子引入各种神经网络中，模糊化 神经网络是对神经元直接模糊化，网络内部运算基于模糊扩展原理与模糊算术， 这两种结合都是提高神经网络处理不确定数据的能力，但完全失去了模糊模型 的基本特征：直观性和可解释性。模糊进化计算是利用模糊逻辑实现进化算法 中控制参数的模糊初选和进化过程中的参数模糊调整，以及个体性能的模糊评 价，目的是提高进化计算的学习性能。 第二种是基于各种智能技术( 主要是计算智能) 的模糊模型，也就是利用 各种计算智能技术学习模糊模型。这种结合保持了模型的系统表征能力和处理 不确定数据的能力，同时提高模型的学习能力，这正是本文的研究内容。 进一步开展模糊模型智能学习方法的研究主要源于以下理由： 系统分析当前各种模糊模型智能学习方法，主要存在下列问题。 只注重模型参数的学习，不注重模型结构的优化，或者模型参数和结构分开 学习。实际上当模型结构和参数不在同一框架进行学习或者结构不能满足系统 要求时，很难保证模型的泛化能力。 语言模型作为模糊模型在可理解性要求下的一种表现形式，具有很好的系统 认知性和描述性，通过分析语言模型的结构和参数，可了解对应系统的运行机 理和特征。当前的语言模型学习方法陋7 8 j 总是在结构或者参数上做出某些硬性 规定，不但无法保证语言模型的精确性及其推广能力，还要求建模者先认知系 统，使之成为灰色或白色系统，这就限制了语言模型的应用能力。保持语言模 型的描述性和可理解性的前提下，提高语言模型的精确性，并采取合适的学习 策略获取未知系统的语言模型是值得研究的问题。 面对高维复杂系统，模糊模型容易导致“规则爆炸”问题 7 9 , 8 0 ，也就是模型 的模糊规则数和待学习参数随维数递增呈指数率增加而膨胀，r u 、y a g e r 、 w a n g 、j 0 0 等人提出了各种形式的分层模糊模型3 , 8 1 , 8 2 ，即将高维输入系统 用多个相互连接的低维模糊模型来表示，同时利用s t o n e - w e i e r s t r a s s 定理或者 k l o m o g o r o v 定理证明分层模糊模型是泛逼近器p 】。分层模糊模型是一种有效 表示高维复杂系统的方法，面向一个高维未知复杂系统，如何精确的获取其分 层模糊模型是当前面临的问题。 博士学位论文 第一章导论 模糊模型是一种知识表达形式，本质属于知识工程领域的重要内容，与其 它智能技术( 特别是计算智能) 结合不但是解决知识获取瓶颈的有效途径，也 是数值计算与语义表达、抽象思维等智能行为互相联系的桥梁。模糊模型是具 有多约束和多目标学习问题，具有多种表现形式，单一智能技术优化模糊模型 所涉及的问题是非常困难的，有必要利用多种智能技术通过互相合作，协同求 解模糊模型。另外，随着新智能技术的出现，为建立更具有学习能力和表达能 力的混合模糊模型提供了新途径和方法。 开展模糊模型与计算智能的融合研究有很好的理论意义和应用价值，一方 面提高了模糊模型解决复杂问题的应用能力，另一方面丰富计算智能的应用领 域。 1 1 2 课题的来源 本文获得下列项目的资助： 机电设备虚拟检测及智能故障诊断系统的研究，湖南省自然科学基金项目 ( 0 1 j j y 2 0 6 3 ) 一种知识与规则归纳系统的研究，湖南省自然科学基金项目( 0 4 j j y 6 0 6 3 ) 异构检查信息集成与智能识别，湖南省科技攻关项目( 0 2 j z y 2 0 0 6 ) 远程监测和协作故障诊断系统，湖南省专项基金( o o j c y 2 0 0 8 ) 电力机车牵引主电路机电设备可靠性分析系统，铁道部株州电力机车研究所 联合研制( 2 0 0 0 7 2 0 0 2 7 ) 1 2 模糊建模技术综述 模糊建模技术就是基于模糊规则推理系统的构造方法，系统分析各种模糊建 模技术，可将从实值样本数据中获取模糊模型的方法分为三种：系统专家直接 方法、数值计算方法、基于计算智能的学习方法。 1 2 1 系统专家直接方法 这种方法主要用于语言模型的建立，源于z a d e h 的模糊建模思想 s 3 1 ，即由对 应系统专家知识直接参入攘个模型的建立过程，以下是按照z a d e h 提出的模糊模 型直接方法的步骤： 输入和输出变量选择，以及各变量论域的确定( 结构参数) 各变量上语言值的分配( 结构参数) 确定各语言值相关的隶属度函数及其参数( 操作参数) 博士学位论文 第一章导论 形成整个模型的规贝集( 结构参数) 选择合适的推理机制( 逻辑参数) 模型适用性评价 在控制系统中常用的w a n g 方法口硼是一种典型的直接方法。这种方法需要 对对象有深入的了解，一般建模的精度不高，不适合复杂对象的模糊建模。 1 2 2 数值计算方法 主要特征体现在利用数值计算策略对输入输出空间的划分( 即辨识结构参 数) ，数值计算方法主要有基于模糊聚类( f c m ) 的各种模糊模型建模【1 5 ，1 1 4 , 1 1 习， 这是模糊建模过程中常用的方法，在样本具有良好的类形状和已知类型数时， 具有较高的精确性，基于聚类的模糊模型可理解性不高，各种改进后的聚类方 法 1 1 6 , 1 1 7 1 也在模糊建模中得到应用：还有基于网格分区的建模方法【1 9 1 、基于决策 树分区的模糊模型方法【1 ，这些方法对维数比较敏感，形成的模型规则数庞大， 需要采用各种结构约简方法【1 1 9 1 。如果是应用t s 模糊模型建立非线性系统的近似 建模，一般采用最小二乘、卡尔曼滤波、梯度下降等方法辨识相应的后件参数。 1 2 3 基于计算智能的学习方法 模糊模型与其它计算智能技术有机结合，发挥各自的优势，成为互补的混 合智能模糊模型，也可以说是模糊模型的某种智能学习方法。按计算智能与模 糊模型结合的特点，可分为三类：模糊推理神经网络、基于进化计算的模糊模 型、模糊模型的其它智能学习方法。 ( i ) 模糊推理神经网络 模糊推理神经网络是利用神经网络结构表示的模糊推理系统，在9 0 年代开始 得到深入研究和应用，这类模糊神经网络按照各种模糊模型的推理步骤分层构 造，是模糊模型的连接表示。这种神经模糊系统一般为多层前馈网络，分为输 入层、隐含层和输出层。输入层是具有多元隶属函数特征的节点，完成输入变 量集的模糊化，隐含层是各种模糊推理算子节点实现模糊推理过程，输出层节 点则完成去模糊化。输入层、隐含层和输出层可以由单层节点构成，也可由多 层节点构成，每个节点层的节点数及权值可根据表示的模糊模型所采用的具体 形式而预先定义或者利用竞争学习得到；再通过其它学习方法进行精细调整， 常见的调整方法有b p 算法。神经模糊系统在学习过程中丧失了模糊推理系统的 可理解性特征。 模糊推理神经网络按照结构和推理方法有多种不同的形式，得到较好应用 的有下列几种：n a u c k 在1 9 9 7 年提出的节点具有感知能力的三层推理结构的 4 博士学位论文 第一章导论 形成整个模型的规则集( 结构参数) 选择合适的推理机制( 逻辑参数) 模型适用性评价 在控制系统中常用的w a n g 方法 7 8 1 是一种典型的直接方法。这种方法需要 对对象有深入的了解，一般建模的精度不高，不适合复杂对象的模糊建模。 1 2 2 数值计算方法 主要特征体现在利用数值计算策略对输入输出空间的划分( 即辨识结构参 数) ，数值计算方法主要有基于模糊聚类( f c m ) 的各种模糊模型建模l l 5 】1 1 4 , 1 1 5 这是模糊建模过程中常用的方法，在样本具有良好的类形状和已知类型数时， 具有较高的精确性，基于聚类的模糊模型可理解性不高，各种改进后的聚类方 法【1 1 6 3 1 ”也在模糊建模中得到应用；还有基于网格分区的建模方法【“、基于决策 树分区的模糊模型方法 1 ，这些方法对维数比较敏感，形成的模型规则数庞大， 需要采用各种结构约简方法 1 ”。如果是应用t s 模糊模型建立非线性系统的近似 建模，一般采用最d x - 乘、卡尔曼滤波、梯度下降等方法辨识相应的后件参数。 12 3 基于计算智能的学习方法 模糊模型与其它计算智能技术有机结合，发挥各自的优势，成为互补的混 合智能模糊模型，也可以说是模糊模型的某种智能学习方法。按计算智能与模 糊模型结台的特点，可分为三类：模糊推理神经网络、基于进化计算的模糊模 型、模糊模型的其它智能学习方法。 ( 1 ) 模糊推理神经网络 模糊推理神经网络是利用神经网络结构表示的模糊推理系统，在9 0 年代开始 得到深入研究和应用，这类模糊神经网络按照各种模糊模型的推理步骤分层构 造，是模糊模型的连接表示。这种神经模糊系统一般为多层前馈网络，分为输 入层、隐含层和输出层。输入层是具有多元隶属函数特征的节点，完成输入变 量集的模糊化，隐含层是各种模糊推理算子节点实现模糊推理过程，输出层节 点则完成去模糊化。输入层、隐含层和输出层可以由单层节点构成，也可由多 层节点构成，每个节点层的节点数及权值可根据表示的模糊模型所采用的具体 形式而预先定义或者利用竞争学习得到；再通过其它学习方法进行精细调整， 常见的调整方法有b p 算法。神经模糊系统在学习过程中丧失了模糊推理系统的 可理解性特征。 模糊推理神经网络按照结构和推理方法有多种不同的形式，得到较好应用 的有下列几种：n a u c k 在1 9 9 7 年提出的节点具有感知能力的三层推理结构的 的有下列几种：n a u c k 在1 9 9 7 年提出的节点具有感知能力的三层推理结构的 博士学位论文 第一章导论 形成整个模型的规贝集( 结构参数) 选择合适的推理机制( 逻辑参数) 模型适用性评价 在控制系统中常用的w a n g 方法口硼是一种典型的直接方法。这种方法需要 对对象有深入的了解，一般建模的精度不高，不适合复杂对象的模糊建模。 1 2 2 数值计算方法 主要特征体现在利用数值计算策略对输入输出空间的划分( 即辨识结构参 数) ，数值计算方法主要有基于模糊聚类( f c m ) 的各种模糊模型建模【1 5 ，1 1 4 , 1 1 习， 这是模糊建模过程中常用的方法，在样本具有良好的类形状和已知类型数时， 具有较高的精确性，基于聚类的模糊模型可理解性不高，各种改进后的聚类方 法 1 1 6 , 1 1 7 1 也在模糊建模中得到应用：还有基于网格分区的建模方法【1 9 1 、基于决策 树分区的模糊模型方法【1 ，这些方法对维数比较敏感，形成的模型规则数庞大， 需要采用各种结构约简方法【1 1 9 1 。如果是应用t s 模糊模型建立非线性系统的近似 建模，一般采用最小二乘、卡尔曼滤波、梯度下降等方法辨识相应的后件参数。 1 2 3 基于计算智能的学习方法 模糊模型与其它计算智能技术有机结合，发挥各自的优势，成为互补的混 合智能模糊模型，也可以说是模糊模型的某种智能学习方法。按计算智能与模 糊模型结合的特点，可分为三类：模糊推理神经网络、基于进化计算的模糊模 型、模糊模型的其它智能学习方法。 ( i ) 模糊推理神经网络 模糊推理神经网络是利用神经网络结构表示的模糊推理系统，在9 0 年代开始 得到深入研究和应用，这类模糊神经网络按照各种模糊模型的推理步骤分层构 造，是模糊模型的连接表示。这种神经模糊系统一般为多层前馈网络，分为输 入层、隐含层和输出层。输入层是具有多元隶属函数特征的节点，完成输入变 量集的模糊化，隐含层是各种模糊推理算子节点实现模糊推理过程，输出层节 点则完成去模糊化。输入层、隐含层和输出层可以由单层节点构成，也可由多 层节点构成，每个节点层的节点数及权值可根据表示的模糊模型所采用的具体 形式而预先定义或者利用竞争学习得到；再通过其它学习方法进行精细调整， 常见的调整方法有b p 算法。神经模糊系统在学习过程中丧失了模糊推理系统的 可理解性特征。 模糊推理神经网络按照结构和推理方法有多种不同的形式，得到较好应用 的有下列几种：n a u c k 在1 9 9 7 年提出的节点具有感知能力的三层推理结构的 4 博士学位论文 第一章导论 n e f c o n 4 6 ，用于模式分类：i g m 在1 9 9 9 年提出五层结构自适应特点的 h y f i s 4 7 ，应用于函数近似，t u n g 在2 0 0 2 年提出的具有自组织特征的五层结构 g e n s o f n n 4 s ，实现无监督模式分类，上述神经模糊系统基本上是按照m a m d a n i 模糊模型的结构组织。j a n g 于1 9 9 3 年提出五层结构自适应特征的a n f i s 删，即 可应用于函数近似，也可解决分类问题；c a s t e l l a n o 于2 0 0 5 年提出可直接提取分 类模糊规则的四层结构的神经模糊模型刚；k a s a b o v 的可在线获取模糊规则的五 层结构e f u n n s 5 1 1 ，n f i r n b e r g e r 在2 0 0 3 年提出的用于系统辨识的递归神经模糊 网纠5 2 1 ，这些神经模糊系统是按照t s k 模糊模型或者后件为分类标签的结构组 织。 在模糊推理神经网络构造过程，可利用进化计算学习的推理网络结构或者 参数，r a h m o u n 在2 0 0 2 年提出的n e f g e n 6 9 1 ，应用于分类问题，利用遗传算法 学习模糊分类推理网络结构。i s h i g a m i 在1 9 9 9 年提出了利用遗传算法优化 m a m d a n i 型模糊推理神经网络中的隶属函数参数【7 0 】。 ( 2 ) 基于进化计算的模糊模型 k a r r 首次将遗传算法应用到模糊系统的结构优化中【铜。进化模糊模型可分 为两种模式：单种群进化模糊模型和多种群进化模糊模型，进化方法常采用遗 传算法和遗传编程。分析各种基于单种群的进化模糊模型1 5 “4 1 ，其实现方式有 下列三种： m i c h i g a n 方式，种群的每个个体代表规则，进化后产生的种群就是整个模 糊模型的规则集。 p i t t s b u r g h 方式，种群的个体代表模糊模型的所有规则，进化后产生的最 优个体就是模糊模型： i r l ( 规则迭代学习) 方式，与m i c h i g a n 方法类似，种群的个体代表规则， 但进化后产生单条规则，通过多次迭代产生整个模糊模型。 模糊模型由多个部分组成，待学习内容多，如果各组成部分都在同一个体 编码中，那么对个体中好的部分基因可能会被其它较差的部分基因所掩盖，可 使进化算法易于陷入局部最优点而过早收敛，所以在应用单种群进化模糊模型 时，总是给定某些先验知识，如各变量的模糊分区数、隶属函数或者模型规则 数，实际上是模糊模型局部学习方式，不能实现模糊模型在面向不同对象的全 局学习。 近年来，多种群进化模糊模型【6 5 8 l 等到初步的研究，也有三种表现形式： 一种是模糊模型的多种群分层进化 6 5 , 6 0 l ，将模糊模型分层模块结构，各层独立编 码和进化，互不干扰，进化终结后从各种群中选择最好个体形成模糊模型。第 二种是d e l g a d o 等在2 0 0 4 年提出一种基于四种群并行遗传算法的t s 模糊模型唧