基于SVD_TLS及EKF算法的动态自组织模糊神经网络.pdfVIP

第31卷 第2期 V_o1．31 NO．2 2012年 6月 成都大学学报(自然科学版) JournalofChengduUniversity(NaturalScienceEdition) Jun． 2012 文章编号：1004—5422(2012)02—0154—04 基于 SVD ]LS及 EKF算法的动态 自组织模糊神经网络 李 云 (宿迁高等师范学校，江苏宿迁 223800) 摘 要：提出了将奇异值分解一总体最小二乘法(sVD一Ⅱs)及扩展卡尔曼滤波(EKF)相结合的动态自组织模糊 神经网络．首先给出了STD—I：SFNN的结构及各层的含义；其次，用EKF算法学习非线性参数，SVD—aLS算法学 习线性参数的同时提取重要模糊规则；最后，通过典型的Machey-Glass时间序列预测实例验证SVD KS及 EKF 相结合的动态 自组织模糊神经网络(STE rsr~ )，同时与DFNN、ANFIS及 UKF IYb-NN相对比，结果表明STE I~FNN网络结构更紧凑，具有更好的泛化能力． 关键词：奇异值分解一总体最小二乘~(SVD一1LS)；扩展卡尔曼滤波(EKF)；Machey-Glass时间序列预测 中图分类号：TP273 ．4 文献标识码 ：A 凑，泛化性能较好，但其计算量较大．基于此，本研究 0 引 言 提出基于 SVD TLS与EKF相结合的动态 自组织模 ． 近年来 ，模糊系统和神经网络二者的结合引起 糊神经网络，其中，EKF用于非线性参数调整，SVD一 了研究者的极大兴趣 ，其研究的热点是，如何生成最 ILS在进行线性参数调整的同时还用来提取重要模 优的模糊规则数，模糊规则的自动生成和修剪以及 糊规则 ．在学习开始之前，没有一条模糊规则 ，其模 模糊神经网络的参数调整等．Wu等n 提出了动态 糊规则在学习过程中逐渐增长而形成，规则生成后 模糊神经网络，其结构辨识与参数估计同时进行，采 采用 SVD一ILS算法来实现动态 自组织模糊神经网 用误差下降率作为修剪策略，得到了较为紧凑的结 络的规则修剪．本方法所得到的模糊神经网络具有 构，但其假设规则中输入变量的所有高斯隶属函数 结构紧凑的特点 ，避免了出现过拟合的现象 ，泛化能 具有相同宽度，与现实不符，其后进一步提出了广义 力更强． 动态模糊神经网络，因采用椭圆基函数，学习效率和 1 动态 自组织模糊神经网络结构 性能都优于动态模糊神经网络．由于仅对线性部分 的参数进行了学习，而对非线性部分的参数只是有 动态 自组织模糊神经网络结构如图1所示，其 规律地扩大，因此，结构的紧凑和网络的泛化能力都 本质意义是代表一个基于TSK模型的模糊系统． 不是最佳．Chu与 Er等b]采用 KEF对结构确定的 模糊神经网络非线性部分的参数进行学习，网络性 能有所提高，但非线性模型的线性化过程容易引入 误差，无法保证估计精度，计算高维非线性函数的雅 可比矩阵非常烦琐而且容易出错 ．Lin等 提出基于 竞争学习算法用于模糊神经网络的修剪，其没有考 虑输入间的关系，而且每个 RBF单元的贡献不仅由 它的权系数决定，还取决于自身的输出，因而其结果 并非最优 ．为了改善动态模糊神经网络对