基于BFGS的混合遗传算法在模糊神经网络识别中的应用.pdfVIP

第12卷 第2期 V01l2NO．2 2O13qe20q Feb．20l3 基于 BFGS的混合遗传算法在模糊 神经网络识别中的应用 樊春天 ，许 峰 (安徽理工大学 理学院，安徽 淮南 232001) 摘 要 ：针对传统的BP或 GA对模糊神经网络 的识别应用存在收敛容易陷入局部极小、识别率低下等 问题 ，提 出一 种基于BFGS的混合遗传算法 。其基本思想为 ：首先构造一种前馈型模糊神经 网络结构 ，然后用遗传算法进化若干代 后 ，当目标函数的梯度或者范数小于预先设定值 ，则改用BFGS算法进行优化识别。仿真实验表 明，对 比GA该算法 收敛速度较快，识别精度提高了约 7 ，能够较好地应用于一类模糊神经 网络的识别 。 关键词 ：模糊神经网络；BFGS算法；混合遗传算法；收敛性 中图分类号 ：TP312 文献标识码 ：A 文章编号 ：1672—7800(2013)002—0052—03 有的 “∈U，A和 B 的交集是定义在 u上 的一个模糊集 0 引言 合 ，其隶属函数定义如下： ^nB ()一 min{A(“)，B(“)} (1) 对于模糊系统的识别应用 ，尤其是对模糊神经 网络系 A和B是并集，是定义在U上的一个模糊集合，其隶 统的识别问题一直 困扰着许多研究学者 。现有方法识别 属函数定义如下： 结果也很不令人满意，识别效率低下、耗时、可靠性差 。例 AIJB ()一 max{A()，B()} (2) 如 ，近年用来识别模糊神经 网络的方法主要包括传统 BP 对所有的 “∈U，A 的补集A是定义在 u上 的一个模 算法和 GA等 。传统 BP算法虽然具有较快 的收敛速度 ， 糊集合 ，其隶属函数定义如下： 但不能避免陷人局部极小值 的情况 ，得到非最优解且计算 一 1一 (“) (3) 量大 ；利用 GA能够得到较简洁 的模糊神经 网络结构 ，但 定义 3 输入论域 U R 上的模糊集合与输 出论域 其识别率较差、收敛速度慢 。 VCR上的模糊集合 ，按照这个规则形式 ：R “’ 厂 ．厂， 考虑到基本遗传算法全局收敛性强而局部搜索性差 ， … ，-zisf then is 对应起来 的规则构成为模糊 “厂一 而一些经典优化算法的局部收敛性强、计算精度高，不少 then”规则 。其 中 和 均为模糊集合 。z一(z， ，…， 学者相继尝试将经典优化算法引入遗传算法 ，并取得 了较 56)’∈U ，yEV，z和 分别为输入和输 出语言变量 ，z一 好 的效果 。在如今各个领域广泛应用模糊神经 网络理论 1，2，…，M。其 中， 为系统根据此条规则得到的输出。 与技术 的大背景下，笔者提 出一种精度高、识别率好 的新 1．2 模糊神经网络结构理论分析 方法——基于 BFGS (Broyden-Fletcher-Goldfarb-Shanno) 模糊神经 网络是一种特殊 的四层前馈 网络 ，通过对非 的混合遗传算法 的识别方法 ，并且通过仿真结果证 明了其 线性基 函数 的非线性组合实现输入到输 出的映射关 系。 对模糊神经 网络识别应用 的高效性和准确性 。 它的网络结构如图 1所示 。 1 模糊神经网络概念及理论 1．1 模糊集与隶属度