基于粗集理论的模糊神经网络建模方法研究

《基于粗集理论的模糊神经网络建模方法研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、文章编号:I()04-132X(2001)11-1256-04基于粗集理论的模糊神经网络建模方法研究刘璨陈统坚彭永红姚锡凡摘要：智能控制研究发展到了模糊神经网络阶段，其中5层模糊神经网络结构的物理含义清晰•而Max-Min模糊神经网络反应快，实时性强。在分析两者优缺点的基础上，提出了基于粗糙集构建模糊神经网络的方法，并通过比较3种方法对同一个事例的建模，说明了基于粗糙集方法的优点。关键词：智能控制；粗糙集;模糊神经网络;建模屮图分类号:TP183文献标识码：A1基于粗集模糊网络建模研究背景智能控制方

2、法已由人工神经网络控制、模糊逻辑和专家系统发展到模糊神经网络控制阶段。5层模糊神经网络是近年來最常用的模糊神经网络力。5层模糊神经网络具有模糊逻辑和人工神经网络的优点，每层都有具体的含义，结构清晰。5层模糊神经网络一般分全连接和根据领域规则两种建模方法。全连接建模包括了所有的连接方式，节点之间的连接多，网络结构复杂。尤其伴随模糊水平数的增加，模糊规则呈级数増长•控制计算量繁杂,耗时长。大量的计算会导致控制系统反应迟钝，使得5层模糊神经网络控制的实时性弱。因此，提高学习和反应速度，是完善5层模糊神经网

3、络控制系统的需要和推广应用的前提。为简化5层模糊神经网络的结构，可采用BP网络的删枝和聚类的方法，然而，网络删枝和聚类需要对网络反复训练，计算复杂。根据领域规则构建5层模糊网络法在模糊网络故障诊断中应用较广泛.这种模型的连接少，网络结构较简单，但对领域专家的经验知识依赖性强。在专家知识不够完善的领域并不适用。控制系统如何从本身的控制经验中学习知识,减少对领域专家知识的依赖，加强对环境的学习，是提高控制系统智能的一个重要方面。为适应实时控制的需要，文献［2］采用Max-Min模糊神经网络oMax-Mi

4、n模糊网络的结构简单•并且在诊断系统中总能收敛⑴•但其缺点是网络结构不清晰。收稿日期：1999—10—13基金项目：国务号骂牒基金资助项目（59905008）2基于粗集模糊神经网络建模方法粗糙集是一种数据处理方法，能够从样本数据屮提取信息构造决策规则。而且，粗糙集仅利用数据本身提供的信息，不需要先验知识⑶，从而不需要具备完善的领域专家知识。根据粗糙集的特征，笔者提出基于粗集理论的模糊网络建模法。该方法利用粗集处理方法从实际采样数据中提取经验规则•代替领域专家经验构造5层模糊神经网络。该方法举例阐述

5、如下:如对一个简单的两输入、单输出的系统，设样本群数据见表lo表1输入10.70.90.30.10.30.70.8输入20.20.40.60.70.60.90.1输出0.60.90.50.70.80.70.6将输入、输出模糊化，模糊隶属度采用如图1所示的大、中、小3个水平的三角函数。水平“大”的隶属度函数为丿=彳；水平“中”的隶厲度函数为歹=1_

6、工厂,5丨；水平“小”的隶属度函数为y=1-工。水平“大”和水平“中”的交点在工=0.67处；水平“中”和水平“小”的交点在工=0・33处。2.1将采样数

7、据进行分类如上例数据中，根据模糊隶属度水平分为3个体属性1312232331224133512363337312规则条件条佇决策abe1129323312243351236—33—12规则条件a条件b决第e1—12232331224335123个子集1、2、3。对工=（）・33的采样数据，划分为水平类1；（）.33

8、为7'=其屮C、刀是两个属性子集，分别为条件属性集和决策属性集⑷。构造本例的CD决策表见表2。首先需对决策表进行化简，消去决策表中包含的冗余知识。化简分3步⑷:（1）从决策表中消去某些条件属性列即识别条件集合C中的刀可省略和不可省略的条件属性，将Q可省略的条件属性列消去。经计算，该CD决策表的两个属性条件1和条件2均为不可省略的。因此，保留全部条件属性。（2）消去重复行因该决策表中无重复行，转入⑶。（3）消去属性的冗余值首先计算决策规则中条件属性的核值。通过计算条件范畴的交集对决策范畴的从属关系，得

9、出核值表见表3；其次，计算属性值的简化。因为该决策表中只有两个条件属性，故决策规则属性值简化表与核值表一致。最后，将和同的规则合并，化简后的决策表见表4。表2表3表4决策表用产生式规则表示如下：Rulel：Ifb=1,thcne=2；Rule2:Ifa=3and6=2,Thenc=3;Rule3:Ifu=1andb=2、Thene=2;Rulc4：If6=3,thene=3；Rule5：Ifa=land〃=2,Thene=32.3构建模糊网络将该规则应用于五层模糊神经