-s模糊递归神经网络的混沌优化算法.docxVIP

-s模糊递归神经网络的混沌优化算法 1 混沌dna遗传算法 神经网络具有动态逼近器的特点，在描述各种复杂的非线性系统[1.3]。然而，如果按照神经网络模型进行控制和求解，结构将复杂，计算将大量复杂。对于模糊回归神经网络（frrn）的后部分，使用局部线性化模型。与神经网络模型相比，在处理多变量系统时，模型规则的数量可以减少，这有利于非线性优化问题[4.6]。一般，t-s模糊回归神经网络的参数包括模糊规则的数量、下属函数参数等。 现有的T-S模糊递归神经网络参数的辨识方法主要有聚类算法和遗传算法等方法.其中,聚类算法如K-均值算法,对初始聚类中心十分敏感,并且只考虑输入数据,据此建立的模型不能很好反映系统特性.遗传算法是一种模拟生物进化过程的仿生算法,具有很强的易操作性和全局优化性能,被广泛用于非线性规划问题、组合优化问题、参数辨识、控制器优化等领域中.近年来,很多学者使用遗传算法优化模糊模型的结构和参数,取得了较好的结果[11～13].然而面对复杂系统,特别是非线性系统时,遗传算法仍存在着不足,如算法局部搜索能力较低,易早熟收敛等.传统的遗传算法采用0-1编码,这种编码方式不能表达丰富的遗传信息,也不能反映遗传信息对生物体生长、发育的调控作用.为了更好的发挥遗传算法的仿生性能,近年来,基于碱基编码的遗传算法得到了人们的关注.这类遗传算法使用DNA分子和RNA分子的基本组成单位-碱基,对问题的潜在解编码,使算法中的个体可以携带更丰富的遗传信息,方便引入更为复杂的遗传算子操作,从而在一定程度上提高了遗传算法的全局搜索能力,但在小区域内搜索效率的提高并不显著. 而混沌是一种非线性现象,具有随机性、遍历性,同时又存在着一定的内在规律性.一般而言,混沌优化过程首先遍历搜索可行点,然后以当前最优点为中心,附加混沌扰动,在初始点周围寻找更好的点.混沌优化方法在搜索空间小时效果显著,但当搜索空间大时其效果不一定让人满意. 鉴于以上分析,本文受生物DNA分子遗传机制的启发,结合混沌动力学特性,提出了一种混沌DNA遗传算法(CDNA-GA).混沌DNA遗传算法的基本思想是利用碱基对个体编码,并引入DNA分子操作概念来改进遗传算子,同时对于部分较差的个体引入混沌细搜索方法.应用CDNA-GA来辨识T-S模糊递归神经网络的前件参数,同时采用递推最小二乘法(RLS)整定网络的后件参数.最后采用基于CDNA-GA的T-S模糊递归神经网络对p H中和过程进行建模,仿真结果表明所建模型有较好的预测精度. 2 t-s模糊递归神经网络模型的t-s-n 一个典型的单输入单输出系统的T-S模糊递归神经网络模型由两部分组成:前件部分网络和后件部分网络,其规则如下: 规则j:如果x(k)是Aj,则 其中:X(k)=[1,u(k-d),···,u(k-d-m+1),y(k-1),···,y(k-n)],u为被控对象的输入,y为被控对象的输出,yj(k)为第j条规则所对应的模糊模型输出预测值,而m,n为被控对象的阶次,Bj=[bj,0bj,1···bj,m+n]T为后件部分参数,M为模糊规则数,Aj为模糊神经网络的第j个输入模糊集.对于单输入单输出系统,x(k)=y(k).若模糊神经网络模型的前件部分采用高斯型隶属度函数,则前件部分输出为 其中αj为第j条规则的适用度: 其中cj和σj为神经网络输入模糊集Aj的高斯隶属度函数的中心点和宽度值. T-S模糊递归神经网络模型的后件部分使用递归神经元来表示.在后件部分中,前件部分的每一条规则对应一个局部线性化模型.经解模糊后,可以得到T-S模糊递归神经网络模型的输出为: 从以上分析中可以发现,上述模糊神经网络模型需要整定的参数包括:前件部分的隶属度函数的中心点cj,宽度σj及后件部分的局部线性化参数Bj,j=1,2,···,M.本文采用混沌DNA遗传算法来辨识前件部分参数,并利用递推最小二乘法确定后件部分参数. 3 采用混合遗传传记算法法识别前件参数遗传传递容量 3.1 碱基串编码原则 众所周知,DNA分子的基本组成元素是核苷酸.而核苷酸的区别仅在于碱基的不同.其中,腺嘌呤(A)、鸟嘌呤(G)、胞嘧啶(C)和胸腺嘧啶(T)是4种最常见的碱基.因此,核苷酸可以分为腺嘌呤核苷酸、鸟嘌呤核苷酸、胞嘧啶核苷酸和胸腺嘧啶核苷酸.这4种核苷酸按照一定的排列顺序,以磷酸二脂键相连,可以形成一条核苷酸序列,也称碱基序列.同时,一个核苷酸上的碱基可以与另一个核苷酸上的碱基通过氢键相结合,形成碱基对.遵守WatsonCrick互补性原则:A和T配对,C和G配对.这样,一条核苷酸单链序列可以与另一条特定的核苷酸单链序列结合,从而构成一条DNA双链.根据生物DNA分子的构成过程,DNA分子可以抽象为4个字母A,T,C,G的集合. 受生物DNA分子结构的启