基于數(shù)據(jù)與知識的模糊系統(tǒng)設計與應用研究.pdf

1、自從模糊集合的概念出現(xiàn)以來，由于其能夠充分地利用人類或專家知識來處理系統(tǒng)中存在的各種不確定性，使其在各個研究領域中得到了越來越多的應用。特別是模糊邏輯系統(tǒng)，已廣泛應用于建模和控制領域。然而，在系統(tǒng)建?；蚩刂七^程中，當輸入變量維數(shù)較高時，模糊邏輯系統(tǒng)不可避免地面臨規(guī)則爆炸問題，在這種情況下，很難實現(xiàn)模糊規(guī)則的建立以及系統(tǒng)參數(shù)的優(yōu)化。為解決以上問題，本文提出了基于數(shù)據(jù)與知識的模糊系統(tǒng)的設計方法，其主要研究內容如下：
　　首先，詳細介紹

2、了單輸入規(guī)則模塊加權模糊推理系統(tǒng)的結構及其單調性性能，并在此基礎上,提出了一種基于數(shù)據(jù)與知識的單輸入規(guī)則模塊加權模糊推理系統(tǒng)的設計方法。該方法在嵌入知識的基礎上，運用基于數(shù)據(jù)的參數(shù)學習策略對系統(tǒng)的參數(shù)進行優(yōu)化。將該方法應用于熱舒適性預測，仿真和比較結果證明了該方法對于熱舒適性預測的有效性，并且比一些其他現(xiàn)有方法表現(xiàn)得更好。
　　其次，研究了單輸入規(guī)則模塊加權模糊推理系統(tǒng)的擴展結構—函數(shù)形單輸入規(guī)則模塊模糊推理系統(tǒng)(FSIRM-FI

3、S)，并在此基礎上加入神經結構，提出了一種函數(shù)型單輸入規(guī)則模塊加權神經模糊系統(tǒng)(FSIRMNFS)，此系統(tǒng)結合了FSIRM-FIS和神經網絡兩者的優(yōu)點。同時，為了得到系統(tǒng)的最小訓練誤差和最佳參數(shù)，提出了一種基于最小二乘法的參數(shù)學習算法。將提出的FSIRMNFS及其參數(shù)學習算法應用于小時風速預測，仿真和比較結果驗證了該系統(tǒng)對于小時風速預測的有效性。
　　最后，提出了一種數(shù)據(jù)驅動的二型模糊邏輯系統(tǒng)的構建方法。首先通過自適應神經模糊推理