资源描述：
《混沌优化在模糊系统优化设计中的应用.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、VDoOl.I2:8增10刊.14135/j.cnki.1006-3080.2002.s1.007华东理工大学学报2002-09JournalofEastChinaUniversityofScienceandTechnology27文章编号:1006-3080(2002)NN-S0-0027-03混沌优化在模糊系统优化设计中的应用*柳贺,黄道(华东理工大学信息科学与工程学院,上海200237)摘要:在基于T-S模型的模糊神经网络的基础上,提出了一种将混沌优化方法和最小二乘法相结合的优化方法。用变尺度混沌优化方法优化隶属函数参数,而用最小二乘法估计规则后件参数。该方法
2、同时利用了变尺度混沌优化的快速全局搜索能力和最小二乘法的快速收敛性,因此网络学习速度快,精度高。仿真结果表明了该方法的有效性,所建立的模型具有良好的泛化能力。关键词:模糊控制;模糊神经网络;混沌优化;最小二乘法中图分类号:TP273文献标识码:AOptimalDesignofFuzzySystemsUsingCOA*LIUHe,HUANGDao(SchoolofInformationScienceandEngineeringECUST,Shanghai200237,China)Abstract:Basedonfuzzyneuralnetwork(FNN)ofTaka
3、gi-Sugenotype,anewoptimizationmethodisproposed,whichcombinesmutativescalechaosoptimizationalgorithm(MSCOA)andleastsquareestima-tion(LSE).MSCOAisusedtooptimizetheparametersofmembershipfunctions,andLSEtoestimatetheparametersofconsequence.BecauseofthefastsearchabilityofMSCOAandfastconverg
4、encyofLSE,FNNlearnsfastwithhighaccuracy.SimulationresultsdemonstratetheeffectivenessofthismethodandgeneralizationabilityoftheFNNmodel.Keywords:fuzzycontrol;fuzzyneuralnetwork;chaosoptimizationalgorithm;leastsquareestimation混沌具有随机性、遍历性、规律性等特点,能在一[3]定范围内按其自身的“规律”不重复地遍历所有状1模糊系统描述及网络实现态。利用
5、混沌的遍历性特点,可作为搜索过程中避免陷入局部极小的一种优化机制。混沌优化方法文中采用T-S模糊模型,由如下一组模糊规则(COA)不依赖于问题的数学模型,也不需要其具有组成:i可导等约束条件,搜索效率高且思路直观。文献[1]R:ifx1isAi1andx2isAi2,⋯,xnisAinthen已指出,当优化变量的搜索范围较大时,变尺度混沌iiiiyi=p0+p1x1+p2x2+⋯+pnxn优化方法(MSCOA)大大优于文献[2]提出的二次i其中,R为第i条模糊规则;xk为模糊模型的第k载波方法。本文基于T-S类型的模糊神经网络个输入变量;Ajk为变量xk的第j个模糊
6、子集;yi为(FNN),用MSCOA优化隶属度函数参数,而对规i第i条规则的输出;pj为实系数。则后件参数则用LSE进行估计。模糊系统的实现如图1所示,模糊神经网络有六层,每层的功能及节点函数如下:第一层:输入层,将输入xi传到第二层。第二层:对输入进行模糊化。假设该网络有n个收稿日期:2002-03-15作者简介:柳贺(1979-),女,安徽凤阳人,硕士生,主要研究方向为输入,第i个输入有ki个模糊划分,则这一层节点数智能控制理论及应用。为(k1+k2+⋯+kn)个。节点函数采用高斯形隶属函28华东理工大学学报第28卷x2i-cij模糊系统的输出为数_A(xi)=
7、exp-,其中,Aij为输入xiijaijmmiiii的第j个模糊子集;cy=∑yi=∑wi(p0+p1x1+p2x2+⋯+pnxn)=ij,aij为各个节点的自适应参i=1i=1数;i=1,2,⋯,n;j=1,2,⋯,ki。输入模糊划分的个[w1,w1x1,⋯,w1xn,⋯,wm,wmx1,⋯,wmxn]×数可由专家经验设定,或者从输入输出数据中用启111mmmT[p0,p1,⋯,pn,⋯,p0,p1,⋯,pn]发式聚类法获取。将Q对网络的输入X和期望输出yd代入上式,得到一矩阵等式AP=yd,其中,P为L=m(n+1)维结论参数向量;A,yd分别为Q×L,Q
