一种新的模糊系统建模方法研究与应用.pdfVIP

((冶金 自动化》2004年增刊 一种新的模糊系统建模方法研究与应用 张 永 忠 (上海电视大学计算机系，上海，200086) 摘〔 要〕基于聚类技术和一类模糊神经网络，提出一种新的自动生成模糊系统规则库的设计方法。通过结构辨识(原始 数据聚类得到模糊规则数)和参数辨识(RBF网络优化参数)方法，构造模糊系统完善的模糊规则库。通过对丙烯睛收益 率问题及函数逼近问题的仿真，说明了该方法具有规则数目少、学习速度快、建模精度高等特点。 关〔键词〕聚类;模糊神经网络;模糊规则库 0 引言 在模糊系统的设计过程中，对于模糊推理规则的获取，传统方法是单凭经验确定隶属度函数和规则， 实现自学习功能，复杂且难度大。模糊系统初始结构的确定涉及模糊规则的提取、输人输出空间的模糊 划分，初始参数的选取等诸多方面，因而模糊系统在设计时常会遇到:隶属函数的确定、模糊规则的选取 和模糊推理的实现等问题，而其中最重要的就是要得到理想的模糊规则库。对于模糊规则的获取，通常 采用在模型构造方面大有作为的聚类学习算法。目前，已有许多种聚类算法可以采用，如归类树法、最近 邻聚类法、K-means聚类法、模糊C-means以及自组织竞争法等。这些聚类学习具有聚类结果清晰， 无模糊、二义的优点，但也存在许多问题。研究表明，大多数聚类学习算法，如模糊C-means聚类算法 等，均需用户事先给定聚类个数。然而，聚类个数通常也正是问题求解的一部分，且聚类结果对聚类个数 大小非常敏感，聚类个数直接影响模糊划分的有效性，对于不同初值的聚类结果往往大相径庭。 1监督聚类算法和初始结构的确定 针对以上提出的问题，本文采用在径向基函数网络和模糊建模中常用的、具有代表性的一种无监督 的聚类算法— 减法聚类，自动地对已知输人输出数据聚类，而不需要有关数据的任何先验假设1-〔710 该算法是一种基于人类视觉数据集形成原理和数据间相关性而进行聚类的简洁算法。通过建立数据密 度指标，自适应地确定聚类数及类中心，进而确定模糊系统的初始结构。 聚类技术与径向基函数网络或是模糊建模一起使用，主要确定径向基函数的初始位置或模糊if- then规则。减法聚类中，聚类中心的候选集为数据点，计算量与数据点的数目呈简单的线性关系，且与所 考虑问题的维数无关。 考虑M维空间的n个数据点((XI9X2+...9X,)。不失一般性，假定数据点已经归一化到一个超立方体 中。由于每个数据点都是聚类中心的候选者，因此，数据点x、处的密度指标定义为: (1) D/一奢exp(-(r./2) 这里y。是一个正数。显然，如果一个数据点有多个邻近的数据点，则该数据点具有高密度值。半径 rQ定义了该点的一个邻域，半径以外的数据点对该点的密度指标贡献甚微。 在计算每个数据点密度指标后，选择具有最高密度指标的数据点为第1个聚类中心，令xd为选中的 点，D;为‘其密度指标。那么每个数据点x、的密度指标可用公式 D一”‘-Ddexp[-IIY(a/2)2II2」 (2) 修正。其中，7b是一个正数。显然，靠近第1个聚类中心x.1的数据点的密度指标将显著减小，这样使得 这些点不太可能被选为下一个聚类中心。常数y。定义了一个密度指标显著减小的邻域。常数y、通常 收〔稿日期〕2004-06-16 作〔者简介」张永忠(1968-)，男，江苏扬州人，副教授，主要从事计算机理论与控制工程方面的研究工作。 《冶金 自动化》2004年增刊 大于y.，以避免出现相距很近的聚类中心，一般,yb=1.5yao 修正了每个数据点的密度指标后，选定下一个聚类中心x2，再次修正数据点的所有密度指标。该过 程不断重复，直至产生足够多的聚类中心。 当减法聚类法应用于一个输人一输出数据集时，每个聚类中心代表一个展示被建模系统的某些特性 的原型，这些聚类中心可以合理地用作零阶Sugeno模糊模型中模糊规则的前提的中心，或RBFN中径 向基函数的中心。例如，假定i第个聚