基于協(xié)同PSO算法的模糊辨識(shí)與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí).pdf

1、粒子群優(yōu)化(Particle swarm optimization,PSO)算法是一種基于群體智能的算法,它模擬鳥群、魚群和蜂群等動(dòng)物群體的覓食行為,通過個(gè)體之間的相互協(xié)作使群體達(dá)到最優(yōu)化目的。同遺傳算法類似,PSO算法也是一種基于種群的優(yōu)化技術(shù),它初始化為一組隨機(jī)解,粒子群在搜索空間中追隨種群中的最優(yōu)粒子進(jìn)行協(xié)同搜索。PSO算法具有操作簡單、需要調(diào)節(jié)的參數(shù)少、收斂速度快等特點(diǎn),因而引起越來越多的關(guān)注,成為計(jì)算智能及經(jīng)濟(jì)、社會(huì)、生物等交

2、叉學(xué)科的研究熱點(diǎn)和前沿。協(xié)同搜索的主要思想是使用多個(gè)模塊同時(shí)搜索問題空間,這些模塊之間相互交換信息,以提高算法的效率,它在研究大規(guī)模復(fù)雜優(yōu)化問題中得到了廣泛的應(yīng)用。本文主要研究了結(jié)合協(xié)同搜索和PSO算法的協(xié)同PSO算法,以及其在模糊辨識(shí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的應(yīng)用。本文首先介紹了PSO算法的產(chǎn)生背景、研究的主要內(nèi)容和開放問題等；接著給出了協(xié)同PSO算法的基本框架和參數(shù)分析；然后提出了協(xié)同隨機(jī)PSO算法來改進(jìn)標(biāo)準(zhǔn)PSO算法的性能；最后將提出的改

3、進(jìn)算法和協(xié)同進(jìn)化PSO算法應(yīng)用在模糊辨識(shí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)等領(lǐng)域。本文研究的主要內(nèi)容和創(chuàng)新點(diǎn)可概括如下：(1)提出了一種協(xié)同隨機(jī)PSO算法,使用多個(gè)子種群同時(shí)搜索問題空間,在迭代的過程中,不同的子種群間以隨機(jī)方式相互交換信息。粒子通過學(xué)習(xí)不同子種群的最優(yōu)歷史信息來更新自己的速度和位置,保持了種群的多樣性；同時(shí),使用多個(gè)子種群的有用信息也保證了算法的收斂速度。從而算法的全局和局部搜索能力達(dá)到了很好的平衡。(2)提出了一種基于減法聚類和協(xié)同隨機(jī)

4、PSO算法的二階段模糊辨識(shí)方法：減法聚類用來辨識(shí)模糊模型的結(jié)構(gòu),協(xié)同隨機(jī)PSO算法用來優(yōu)化模型的參數(shù),同時(shí)使用減法聚類的結(jié)果來初始化算法的種群。該辨識(shí)方法能有效地獲得緊湊而精確的模糊模型。(3)針對(duì)一類用于時(shí)間序列預(yù)測的單乘法神經(jīng)元模型,引入?yún)f(xié)同隨機(jī)PSO算法來加強(qiáng)其學(xué)習(xí)能力。單乘法神經(jīng)元模型可以看作是結(jié)構(gòu)簡單,參數(shù)較少的神經(jīng)網(wǎng)絡(luò),代替多層神經(jīng)網(wǎng)絡(luò)來完成函數(shù)逼近等任務(wù)。協(xié)同隨機(jī)PSO算法作為該模型的訓(xùn)練算法,提高了模型的學(xué)習(xí)效率和魯棒性

5、。(4)針對(duì)模糊模型辨識(shí)中模型結(jié)構(gòu)難以確定的問題,提出了一種基于協(xié)同進(jìn)化PSO算法的自動(dòng)模糊模型辨識(shí)方法。首先預(yù)定義一個(gè)最大的模糊規(guī)則數(shù),每條規(guī)則都有一個(gè)標(biāo)簽來決定其是否屬于模糊模型；然后將標(biāo)簽、模糊模型的前件參數(shù)和后件參數(shù)編碼成不同的粒子,使用三個(gè)PSO算法協(xié)同地搜索；通過標(biāo)簽的進(jìn)化可以得到模糊模型的結(jié)構(gòu),在模型性能達(dá)到最優(yōu)時(shí),也得到了最優(yōu)的模型參數(shù)。該方法能直接從輸入輸出數(shù)據(jù)抽取精確的模糊模型。(5)針對(duì)全連接神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)冗余問題