自适应神经模糊推理的数据预测模型.pdf

《自适应神经模糊推理的数据预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据基于灰色GM(1，1)和自适应神经模糊推理的数据预测模型宰王江荣(兰州石化职业技术学院信息处理-9控制工程系，兰州730060)摘要综合利用灰色理论与自适应神经模糊推理系统(ANFIS)建立预测模型的思路，给出了利用自适应神经模糊推理系统对GM(1，1)模型残差进行修正，重构灰色GM(1，1)模型预测值的综合预测方法。选用我国某地区冬季最大电力负荷作为原始数据，用GM(1，1)模型对历年的电力负荷进行建模，并利用自适应神经模糊推理系统对其残差进行修正，使得建模和预测具有更高的准确性和适应性。实验结果及仿真验证表明，加入修正过程的综合模型，其预测效果远优于单纯的灰色模型

2、。关键词灰色理论；GM(1，1)模型；ANFIS推理系统；残差修正；预测DOI：10．3969／j．issn．1000—0771．2011．10．0020引言基于灰色系统(即部分信息已知，部分信息未知的系统)理论的GM(1，1)模型，在不同领域得到了广泛应用¨。3J，主要包括数列预测、灾变预测、拓扑预测和系统综合预测等。灰色理论具有所需要的样本数据少、预测方法建模简单、中短期预测准确优点，但又有数学模型固定不变，长期预测不十分精准的缺点。基于网络的自适应模糊推理系统(AdaptiveNetwork—basedFuzzyInferenceSystem，简称ANFIS)具有自学习

3、功能又具有模糊语言表达能力，同时具有高度非线性拟合能力，对于复杂系统的建模和控制提供了有效工具，但往往需要较多的样本数据。如果将灰色系统和ANFIS系统有机结合起来，既能发挥二者优点，又可弥补各自的不足。基于此，本文提出一种基于灰色GM(1，1)自适应神经模糊推理的数据预测建模方法，该方法可以有效地改善预测范围和预测精度。1ANFIS的结构及算法地改善系统的性能，网络的权值也具有明确的模糊逻辑意义，其典型结构如图l所示‘4

4、。图I典型ANFIS系统结构)，图中，菇。，戈：是系统的输入，Y是推理系统的输出，它们均为可提供的数据对；网络同一层的每个节点具有相似的功能，用O，i表示

5、第一层第i个节点的输出，依此类推。方形节点表示带有可调参数的节点，圆形节点表示不带有可调参数的节点M。J。此系统具有2条简单的规则’6’：如果zl为Al，茗2为B1，那么Yl=P1菇l+ql石2+1．1ANFIS的结构如果省1为A2，戈2为B2，那么Y2=P2戈l+q2戈2+由Jyh—ShingR．Jang提出基于T—s模型的自r2。适应模糊推理系统(ANFIS)具有学习和泛化能力以第l层：本层节点将输入变量模糊化，输出对应及模糊逻辑推理功能，能根据积累的经验知识自动模糊集A。或E的隶属度地(髫。)或加(石：)即·基金项目：甘肃教育厅科研项目(1015B-7)·7‘万方数据O

6、Ii=心；(菇I)i=l，2(1)D1，=肛B．(z2)，=l，2(2)隶属函数可以采用默认值钟型函数，也可以采用高斯隶属函数(本文采用后者)。第2层：本层节点用于计算各条规则(每个节点代表l条规则)的适用度∞，即：将各输入信号的隶属度相乘，并将乘积作为本规则的适用度。02，‘=∞i=p^l(x1)p口。(髫2)i=l，2(3)第3层：本层节点进行每条规则适用度的归一化计算，即：计算第i条规则的∞i与全部规则适用度之和∑∞。的比值。人们所完全了解或者特性非常复杂的系统是尤为重要的。另外指出MATLAB的ANFIS建模过程与系统辨识的方法非常相像：首先，假设一个参数化的模型结构

7、(这个模型将输入变量及输入变量的隶属度函数、模糊规则、输出变量及输出变量的隶属度函数等联系起来)；然后，将获得的输入、输出数据对按照一定的格式组合成ANFIS算法的训练数据，再使用选定的算法训练前面假设的参数化模型，使其按照一定的误差准则调整相应的参数，从而使模型不断地逼近(模拟出)给定的训练数据HJ。D，。i=五=i‰i=1，2(4)2GM(1，1)预测模型第4层：本层节点用于计算每条规则对应的输出，输出采用T—S规则，即每个节点的传递函数为线性函数：04．f=五Z=五(PiXl+qix2+t)i=1，2(5)其中Z为Sugeno型模糊系统的后项(结论)输出函数，当其为线性

8、函数则称为“一阶系统”；若为常量则称为“O阶系统”。第5层：本层为单节点，用于计算系统的总输出，这里采用质心法计算所有规则的输出，即：∑cc，Z∑∞i，，i05,i-2善i1础2袁2i沁1，2=>∞：，∞：(6)以上步骤构成了具有T—S规则的ANFIS系统。1．2混合学习算法对ANFIS参数采用混合算法进行训练和确定，即误差反传算法或是与最小二乘相结合的混合算法来训练相关参数。采用f昆合学习算法，对于给定的条件参数可以得到结论参数的全局最优点，这样，不仅可以降低梯度法中搜索空间的维数，通常还可以大大提高