一類模糊神經(jīng)網(wǎng)絡的參數(shù)辨識和結(jié)構(gòu)優(yōu)化.pdf

1、模糊神經(jīng)網(wǎng)絡結(jié)合了模糊系統(tǒng)和人工神經(jīng)網(wǎng)絡兩者的特點，不僅能處理語言信息，還具有自學習功能，已廣泛應用于復雜系統(tǒng)的建模和控制。目前關于模糊神經(jīng)網(wǎng)絡的研究主要包括:確定網(wǎng)絡結(jié)構(gòu)、建立參數(shù)學習算法和優(yōu)化網(wǎng)絡結(jié)構(gòu)。本文分別探討了基于非多項式和多項式后件的模糊神經(jīng)網(wǎng)絡的參數(shù)辨識及結(jié)構(gòu)優(yōu)化。論文的主要工作如下:
　　第一，本文提出了一種基于極限學習機的模糊小波神經(jīng)網(wǎng)絡參數(shù)辨識算法，模糊神經(jīng)網(wǎng)絡的后件采用小波函數(shù)構(gòu)建，利用極限學習機辨識網(wǎng)絡的線

2、性參數(shù)，同時采用梯度尋優(yōu)算法對非線性參數(shù)進行優(yōu)化。在此基礎上，我們提出了分類建模策略對網(wǎng)絡結(jié)構(gòu)進行優(yōu)化，通過對建模數(shù)據(jù)的分類，進而對各局部模型進行參數(shù)辨識，可以較為有效地提高模糊小波網(wǎng)絡的建模精度。數(shù)值仿真結(jié)果表明，本文所建立的模糊小波神經(jīng)網(wǎng)絡對時間序列、非線性函數(shù)及UCI數(shù)據(jù)集具有較好的逼近效果。
　　第二，本文采用廣義Bernstein多項式函數(shù)作為推理規(guī)則的后件，構(gòu)建了Bernstein模糊神經(jīng)網(wǎng)絡。采用K均值聚類算法辨識網(wǎng)

3、絡的隸屬函數(shù)參數(shù)，對于網(wǎng)絡的連接權值則采用偏最小二乘算法進行計算，在計算過程中進行主元分析，提高了模型的逼近精度。通過對非線性系統(tǒng)的建模，測試結(jié)果驗證了本文模型的有效性。
　　第三，本文研究了基于模糊Bernstein神經(jīng)網(wǎng)絡的區(qū)間值時間序列的預測。首先，建立區(qū)間值時間序列的中值序列和半徑序列，然后，設計模糊Bernstein神經(jīng)網(wǎng)絡對這兩個時間序列分別預測，從而實現(xiàn)對區(qū)間值時間序列的預測。測試結(jié)果表明，模糊Bernstein神經(jīng)