高维空间优化问题的分析与研究 - 毕业设计论文.docVIP

高维空间优化问题的分析与研究 摘　要：提出了一种新的基于T-S模糊模型的建模方法,首先通过一种局部线性聚类算法,自适应确定模糊规则数目及初始T-S模型的前提和结论参数,建立相应的一阶T-S模糊神经网络.并用梯度下降和递推最小二乘混合算法训练网络参数,从而提高建模精度.最后,通过两个仿真实例验证了本文方法的有效性。研究了模糊聚类分析在多变量模糊神经网络的结构确定中的应用。同时在传统的模糊C2均值算法的基础上,给出了一个衡量聚类有效性的函数和确定模糊指数的启发式方法,并给出了应用该算法的具体的模糊神经网络模型。 关键词：T-S模糊模型；聚类算法；模糊神经网络；模糊规则；模糊神经网络；模糊聚类；有效性函数；模糊指数 §1 基于局部线性聚类算法的模糊建模 引言(Introduction) 模糊建模广泛应用于对复杂、非线性、不确定系统的研究中,它能用一系列模糊推理规则,描述系统输入输出行为.在已知输入/输出样本数据时,聚类是模糊建模的基础,是从数据中提取系统结构信息最有效的方法.模糊C均值(FCM)[1～3]、山峰─减法聚类[4～6]等均被用于系统结构辨识.模糊C均值聚类算法要预先确定聚类数,并对聚类中心初始值较敏感;山峰—减法聚类算法得到的聚类中心只局限于样本点,并且没有对样本数据分类,因此不能确定类的大小、形状[7].Chiu[8]将山峰—减法聚类用于T-S(Takagi2Sugeno)模糊逻辑系统[9]建模;文[7]提出了关系隶属度的迭代聚类算法,无须任何先验假设,自动聚类样本数据,文[10]给出了其收敛证明,并将其应用在T-S模糊建模中,取得较好的效果.但上述聚类算法均将数据样本看作团状分布,与T-S模糊逻辑系统的区域线性思想不一致[11].因此,文[11]提出了线性度量的概念,但其算法实质仍是山峰─减法聚类,并没有很好地解决问题.针对上述问题,本文提出了一种局部线性聚类算法,无须任何样本数据的先验假设,根据局部线性思想自动聚类样本数据,从而产生了较优的初始T-S模糊模型,建立了一阶T-S模糊神经网络,并用混合学习算法进行参数辨识,最后通过仿真实例验证说明了该方法的有效性. T2S模糊模型(T2Sfuzzymodel) T2S模糊模型[9]的结论部分用线性方程的形式代替了一般的模糊数,使系统可用较少的规则描述一个复杂的非线性系统.其多输入单输出推理规则形式为: 式中Ali是模糊集合,cli为真值参数,yl为规则Rl的输出,l=1,2,…,P(P为规则数),其条件部分为模糊,而结论则是各输入变量的线性组合.对于一个输入向量x=(x1,x2,…,xm)T,T-S模糊逻辑模型的输出y(x)等于各条规则输出yl的加权平均: （2） 其中的加权系数ωl由下式计算: 局部线性聚类算法(Locallinearcluster2ingalgorithm) 数据空间中样本点的属性值决定了样本点在空间中的分布,采用不同方法定义样本点属性值时,样本点的分布也不同.在山峰─减法聚类[4～6]中定义了样本点的密度势函数,以势密度为样本点属性,改变了样本点在空间中的分布,具体算法不再赘述,仍然只能对团状数据聚类,与T2S模糊逻辑系统的区域线性思想不一致.文[9]提出了局部线性度量的概念,设有n个样本数据对{(x1,y1),…,(xn,yn)},xi∈Rm为输入,yi∈R为输出,以T2S模型的线性关系y≈Bx+b对样本点xi的附近样本点进行线性拟合,以最优拟合后的拟合误差为基础,定义了样本点xi的局部线性度量函数: 以Di为样本点xi的线性度量,用山峰─减法聚类逐次确定聚类中心,该方法在一定程度上符合T-S模糊模型的思想,但山峰─减法聚类存在一些不足之处,并且聚类结果受到参数接受拒绝域半径γa、γb以及终止阈值ε3、ε3的影响大,参数选择无理论依据[11]. 本文研究了样本点的切斜率,用切斜率定义样本点的局部线性度,在线性程度好的区域,样本点有聚类的趋势,因此以切斜率定义样本点的局部线性度能更好体现T2S模糊模型的优点.下面讨论基于切斜率的样本点局部线性度定义,并给出局部线性聚类算法. 首先,由T2S模糊模型的区域线性化思想,可在样本点(xi,yi)附近以线性关系y≈Cx+c0做最小二乘线性拟合,其中C=(c1,…,cm),对点(xi,yi)的附近可进行以下模糊化处理,其隶属度函数表示为: 每个样本点xi均可确定一个隶属度矩阵μxi=[μxi(x1),…,μxi(xn)]T,反映其它点在xi附近的程度,由最小二乘法可辨识一组参数 θi=[ci0Ci]T,使得最小二乘误差函数最小: xi其中αj=(1,xj1,…,xjm)T,“·”表示矩阵的点乘积即Hadamard乘积.设I=[1,1,…,1]m+1,则由最小二乘估计器可推导得到θi为: 当表示样本点附近的隶属