基于进化算法的稀疏模糊认知图学习方法研究

发布时间：2021-09-17 14:02

　　近年来,模糊认知图由于其简洁的结构,良好的可解释性和快速的推理能力,已经引起了学术界的广泛关注,并且在现实生活中得到了充分的应用。为了将模糊认知图扩展到更多领域,如何通过学习算法得到高精度的模糊认知图成为了核心研究任务。高精度的模糊认知图主要有以下两个特点:高精度的模糊认知图具有很强的数值拟合能力;模糊认知图的模型应该尽量贴合现实模型,其中一个重要特征就是它们往往是稀疏的。目前很多算法都只将目光集中在提升模型的数值拟合能力上,而忽视了现实模型所应有的稀疏结构。除此之外,现实数据往往含有噪声,为了让所学习出的模糊认知图更加实际可用,高精度的模糊认知图也应尽可能地拥有抵抗噪声的能力。本文主要研究如何设计多种学习算法,使得算法在提升模糊认知图的数值拟合能力的同时也能够获得具有稀疏结构的模型。主要工作总结如下:基于烟花算法的稀疏模糊认知图学习方法:目前大多数用于学习模糊认知图的进化算法不够简洁和快速,而烟花算法作为一种新提出的快速简单的进化算法值得应用于该问题上。烟花算法已经应用在非负矩阵分解,图像识别和滤波器设计等方向,然而目前烟花算法还没有应用于模糊认知图的学习,也不能针对稀疏结构进行学习... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

一个5节点的模糊认知图

西安电子科技大学硕士学位论文制的 Memtic 算法的稀疏模糊认知图学MA 算法描述学习稀疏模糊认知图时表现出优秀的性能[56]，因算法(DC-MA)用于学习高精度稀疏模糊认知图。我算子，选择策略，局部搜索策略和自学习策略组子，用以获得最优解和控制密度，局部搜索策略用习策略来调整密度。图 3.1 描述了 DC-MA 的流程

图 3.2 密度控制交叉算子子变异算子作为基本变异算子。当我们选择一个，则像往常一样进行变异操作；如果该值为零，位置并将该值设置为零。需要注意的是，密度控解设置为零，因此变异概率应当设置为合理的值

【参考文献】：
期刊论文
[1]烟花算法研究进展[J]. 谭营,郑少秋.  智能系统学报. 2014(05)



本文编号：3398876