基于AFS模糊逻辑的案例推理算法研究_图文

1、 0.35 0.3 Original result AFS result RBFNN result 0.25 0.2 0.15 0.1 0.05 0 0 5 10 15 20 25 图 3. 前馈补偿积分系数结果比较图 5.2优化部分：反馈补偿比例积分系数数据 5.2.1数据分析及预处理 在本组数据中，各个属性量分为输入量、输出量和综合评价。其中输入量有 14 个属性： 1、硬度等级；2、厚度；3、冷却水温；4、温加速；5、功加速；6、减速度；7、功加后速 度；8、最高速度；9、抛钢速度；10、上始阀；11、下始阀；12、主冷阀；13、入口温度； 14、入口速度。输出量有 2 个属性：15、反

2、馈补偿比例系数；16、反馈补偿积分系数。综合 评价有 1 个属性：17、评价温差。 根据前馈补偿数据的预处理方法，对本组数据处理考虑以下几个属性：属性 1、最高速 度；属性 2、主冷阀；属性 3、入口温度；属性 4、入口速度；属性 5、反馈补偿比例系数； 属性 6、反馈补偿积分系数；属性 7、综合评价。其中输入量为 1、最高速度；2、主冷阀； 3、入口温度；4、入口速度。输出量为：1、反馈补偿比例系数；2、反馈补偿积分系数。综 合评价：评价温差。 因为所给样本的综合评价都在可以接受的范围之内， 可以认为此数据中所罗列的样本的 评价都为真，即都可应用于基于 AFS 模糊逻辑的案例推理。 5.2.

3、2算法步骤 对本组数据得处理采用与前馈补偿比例积分系数相同的算法，即基于 AFS 模糊逻辑的 案例推理算法。具体步骤和 5.1.2 中的算法步骤是一样的。 5.2.3算法检验 在本组数据的 236 个样本中， 共有 234 个样本的反馈补偿比例系数和反馈补偿积分系数 相等，第 57 和第 63 个样本的反馈补偿比例系数和反馈补偿积分系数相异。为此，随机地将 234 个样本分为训练样本和测试样本，所占的比例分别为 90%(210 个和 10%(24 个。然后 把第 57 和第 63 个样本放入训练样本中。即训练样本为 212 个，测试样本为 24 个。把训练 -6- 样本作为已知样本，来建立基于

4、 AFS 模糊逻辑的案例推理的模型，然后用测试样本来检验 这个模型的好坏，并与 RBF 神经网络模型所得到的结果进行比较来分析本文所提出方法的 优点。对两者的结果误差也采用均方误差差(MSE标准来量化。 0.6 0.5 0.4 0.3 0.2 0.1 0 -0.1 -0.2 Original result AFS result RBFNN result 0 5 10 15 20 25 图 4. 反馈补偿比例系数结果比较图 0.5 0.4 Original result AFS result RBFNN result 0.3 0.2 0.1 0 -0.1 -0.2 0 5 10 15 20 25

5、 图 5. 反馈补偿积分系数结果比较图 5.3结果误差比较 -7- 表3 均方误差(MSE 前馈补偿比例系数 前馈补偿积分系数 反馈补偿比例系数 反馈补偿积分系数 神经网络所得到的结果。 均方误差数据表(MSE AFS 算法误差 8.4193×10 -4 RBFNN 误差 8.1×10-3 6.6×10-3 3.6×10-3 2.1×10-3 3.1901×10-4 5.8765×10-4 7.7396×10-4 比较分析： 从上面的结果比较图和均方误差比较表， 可见本算法得到的结果明显优于 RBF 5.4结果分析

6、 本文基于AFS模糊逻辑的案例推理算法采用了更符合人类认识事物的表示方法， 在对事 在处理问题时得到的结果和误差都要 物进行描述是采用了比文1更加细致的模糊描述算法， 比采用RBF神经网络的要理想。 6 结论 本文提出了基于 AFS 模糊逻辑的案例推理算法，并运用此算法对一个实际工业流程数 据进行处理，得到了理想的结果。而且与 RBF 神经网络进行结果比较，显出了 AFS 模糊逻 辑在处理数据方面的更易于理解和准确度高的优势。本文在确定隶属度时，采用到了 AFS 模糊逻辑运算， 比传统的通过 t 模、 t 余模和否定算子来定义模糊逻辑运算更方便。 因为 AFS 结构与计算机的数据库在结构上很相

7、似， 所以非常便于计算机操作。 本文数据处理过程中的 计算就是用大型工程软件 Matlab 运算的。因此基于 AFS 模糊逻辑的案例学习算法是研究人 类概念及其结构的重要数据挖掘方法，并且可以将其应用到更多实际工业生产过程中。 参考文献 1 Xiaodong Liu, Wei Wang, and Tianyou Chai, “The Fuzzy Clustering Analysis Based on AFS Theory”, IEEE Transaction on Systems, Man, Cybernetics-partB: Cybernetics, vol. 35, no.5, pp.

8、 1013-1027, 2005. 1013-1027, 2005. 2 X. Liu, “The fuzzy sets and systems based on AFS structure, EI algebra and EII algebra,” Fuzzy Set Syst,vol.95, pp.179-188,1998. 3 X. Liu, “The fuzzy theory based on AFS algebras and AFS structure, ” J. Math. Anal. Appl., vol. 217,pp.459478,1998. 4 刘晓东, 张庆灵, 朱克久.

9、 基于AFS逻辑的模糊聚类分析J,模糊系统与数学, 2002, 16(1, 38-48 5 X. Liu, “The topology on AFS algebra and AFS structure,” J.Math. Anal. Appl., vol. 217, pp. 479489, 1998. 6 X. Liu, “Two algebra structures of AFS structure,” J. Fuzzy Math., vol. 3, pp. 561562, 1995. 7 Z. Yunjie, L. Qequan, and T. Shaocheng, “On AFS alg

10、ebra Part I,” Inf. Sci., vol. 167, pp. 263286, 2004. 8 Z. Yunjie, L. Qequan, and T. Shaocheng, “On AFS algebra Part II,” Inf. Sci., vol. 167, pp. 287303, 2004. 9 王国俊.广义拓扑分子格J, 中国科学, A辑, 1983, 12:1063-1072 10 L.Xiaodong,Z. Kejiu , and H. Hongzhong, “The representations of fuzzy concepts based on the

11、fuzzy matrix theory and the AFS theory,” in Proc. IEEE Int. Symp. Intelligent Control,Houston, TX, Oct. 2003, pp. 10061011. 11 L.Xiaodong, Witold Pedrycz and Zhang Qingling, “Axiomatics fuzzy sets logic,” in Proc. IEEE Int. Conf. Fuzzy Systems, vol. 1,St. Louis, MO, 2003, pp. 5560. 12 L. A. Zadeh, F

12、uzzy sets, Inf. Control, vol. 8, pp. 338-353,1965. -8- 13 任艳,王显昌,刘晓东.基于 AFS 模糊逻辑的聚类分析方法研究(一,WCICA06,2006. 14 王显昌,任艳,刘晓东.基于 AFS 模糊逻辑的聚类分析方法研究(二,WCICA06,2006. A novel case-based reasoning algorithm based on AFS fuzzy logic Yinpeng Tao Lidong Wang Likui Wang (Research Center of information and Control,

13、 Dalian University of Technology Abstract This paper proposes a novel case-based reasoning algorithm based on AFS fuzzy logic theory. This algorithm applies the semantic expression in data mining which is more understood by people。This algorithm is applied in the hot strips cooled by laminar flow water to solve the problem of the parameter identified. Based on this algorithm, the identified results is achieved, which is