基于禁忌搜索算法的模糊神經(jīng)網(wǎng)絡參數(shù)學習研究.pdf_第1頁
已閱讀1頁,還剩60頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、近年來,模糊神經(jīng)網(wǎng)絡以其廣義的函數(shù)逼近能力,已經(jīng)受到了廣泛的關注.在模糊神經(jīng)網(wǎng)絡的研究中,參數(shù)學習問題具有很大的重要性.一般來說,對模糊神經(jīng)網(wǎng)絡的參數(shù)學習問題可以轉化為對其目標函數(shù)的優(yōu)化問題,即尋找一組合適的參數(shù)向量使其目標函數(shù)值最優(yōu).目前,對模糊神經(jīng)網(wǎng)絡的權值或結構進行優(yōu)化的方法有兩類:一類是基于梯度向量的導數(shù)優(yōu)化方法;第二類方法是基于現(xiàn)代最優(yōu)化技術的非導數(shù)優(yōu)化方法,如遺傳算法、模擬退火算法等,其中以遺傳算法的研究最為突出.使用現(xiàn)代優(yōu)

2、化技術時不需要目標函數(shù)的梯度向量,因此在解決復雜優(yōu)化問題時有更大的靈活性.模糊神經(jīng)技術和現(xiàn)代優(yōu)化技術的結合是計算智能的一個發(fā)展趨勢.該文在對以前的模糊神經(jīng)網(wǎng)絡參數(shù)學習算法進行分析的基礎上,做了以下幾個方面的工作:1)根據(jù)禁忌搜索算法的特點,在Jyh-Shing Roger Jang提出的ANFIS模型的基礎上,將禁忌搜索算法應用于模糊神經(jīng)網(wǎng)絡線性和非線性參數(shù)的學習上,并將該模型用于單變量函數(shù)的逼近;2)在第一階段的基礎上,對算法進行了改

3、進,使改進后的算法能夠適用于復雜的函數(shù)逼近問題;3)根據(jù)計算機仿真的結果,對禁忌搜索算法的性能進行了分析,并對該模糊神經(jīng)系統(tǒng)的函數(shù)逼近能力和泛化能力進行了討論.4)對研究成果進行了總結和展望.通過該文的研究可以看出,將禁忌搜索算法用在模糊神經(jīng)系統(tǒng)參數(shù)學習中具有很好的性能,該算法具有收斂概率高,收斂精度好等優(yōu)點.訓練后的模糊神經(jīng)系統(tǒng)具有良好的函數(shù)逼近能力和泛化能力.禁忌搜索算法和模糊神經(jīng)網(wǎng)絡的結合在控制、信號處理等領域具有廣闊的應用前景.

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論