模糊逻辑和模糊系统中智能算法的研究与应用

发布时间：2022-09-27 18:04

　　智能算法在没有集中控制并不提供全局模型的前提下,为寻找复杂问题的解决方案提供了新的思路。其中,主要是通过模拟社会性生物群体的群体行为,对给定目标进行寻优的启发式搜索算法,其寻优过程体现了随机、并行和分布式的特点。由于其计算简单、易于实现、控制参数少等特点,广泛地应用于实际生产的各个方面。 近年来,模糊系统和模糊逻辑领域取得了迅速的进展。模糊系统和模糊逻辑在实际生产生活和工业过程控制中的成功实践促使越来越多的学者对模糊系统和模糊逻辑理论进行严密的研究。将智能算法与模糊逻辑和模糊系统相结合,一方面利用智能算法对模糊逻辑和系统进行优化提高了模型的效率和效益,另一方面,模糊逻辑和模糊系统能够充分发挥模糊理论的优势,更加有利于生产实践的应用。 本文介绍了智能算法的理论分析与改进方法,系统地研究了智能算法在模糊逻辑和模糊系统中的应用方法,具体内容如下: （1）阐述了智能优化算法及模糊逻辑和模糊系统的研究背景;介绍了智能优化算法的研究现状;对于模糊逻辑和模糊系统中的设计方法做了详细的介绍;提出了本课题的研究思路和方法。 （2）系统地介绍了智能算法的设计思路和方法,并且... 

【文章页数】：93 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 选题背景及意义
    1.2 智能优化算法的研究概况
    1.3 相关模糊理论的研究概况
    1.4 论文的主要工作
第二章 智能算法介绍及其改进
    2.1 引言
    2.2 智能算法及其改进算法
    2.3 本章小结
第三章 含维向量变异的量子粒子群算法和基于混沌小生境技术的量子粒子群算法
    3.1 引言
    3.2 量子粒子群优化算法(QPSO)
        3.2.1 基于Delta 势阱模型的量子行为粒子群算法（QDPSO）
        3.2.2 量子行为的粒子群算法
    3.3 含维向量变异的量子粒子群算法
        3.3.1 算法描述
        3.3.2 实验结果，实验结论和对实验结果的讨论
    3.4 基于混沌变异小生境技术的量子粒子群算法（NCQPSO）
        3.4.1 RCS 小生境进化策略
        3.4.2 变尺度混沌变异
        3.4.3 基于混沌变异算子的小生境量子粒子群算法
        3.4.4 实验分析和实验结果
    3.5 本章小结
第四章 模糊认知图中智能算法的研究与应用
    4.1 引言
    4.2 模糊认知图
        4.2.1 模糊认知图介绍
        4.2.2 模糊认知图对问题的表示及推理
        4.2.3 模糊认知图的建模机制和框架
    4.3 一种新颖的模糊认知图学习方法解决工业控制问题
        4.3.1 新的模糊认知图学习方法
        4.3.2 基于量子粒子群算法建模
        4.3.3 工业控制模型
        4.3.4 仿真结果
        4.3.5 实验总结
    4.4 模糊认知图在医疗诊断系统中的应用
        4.4.1 医疗系统背景介绍
        4.4.2 医疗系统的模糊认知图模型
        4.4.3 利用模型对两个实例病症的诊断
        4.4.4 实验总结
    4.5 本章小结
第五章 智能算法和模糊逻辑在图像处理方面的研究与应用
    5.1 引言
    5.2 基于量子粒子群算法和模糊熵的 Ostu 图像分割
        5.2.1 简介
        5.2.2 二维直方图
        5.2.3 二维ostu 图像分割
        5.2.4 基于量子粒子群算法的Ostu 图像分割
        5.2.5 实验结果和实验分析
        5.2.6 应用模糊熵作后处理
        5.2.7 实验结果和实验分析
        5.2.8 实验小结
    5.3 基于量子粒子群算法的模糊滤波方法
        5.3.1 简介
        5.3.2 基于量子粒子群算法确定隶属函数参数
        5.3.3 基于模糊推理的中值滤波
        5.3.4 实验结果和实验分析
        5.3.5 实验小结
    5.4 本章小结
第六章 智能算法在模糊系统中的研究与应用
    6.1 引言
    6.2 采用量子粒子群算法的非线性系统T-S 模型识别
        6.2.1 简介
        6.2.2 T-S 模型描述
        6.2.3 基于QPSO 优化TSK 模糊逻辑系统构造
        6.2.4 仿真结果和实验分析
    6.3 智能预估模型在谷氨酸发酵过程中的应用
        6.3.1 简介
        6.3.2 模糊推理系统概述
        6.3.3 谷氨酸工艺过程概述
        6.3.4 基于 PSO 和 QPSO 优化的非线性 T-S 模糊系统的预估模型
        6.3.5 系统仿真结果和实验分析
        6.3.6 实验小结
第七章 总结与展望
    7.1 工作总结
    7.2 工作展望
致谢
参考文献
附录：攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]基于粒子群算法的量子谐振子模型[J]. 冯斌,须文波.  计算机工程. 2006(20)
[2]广义粒子群优化模型[J]. 高海兵,周驰,高亮.  计算机学报. 2005(12)
[3]实数编码混沌量子遗传算法[J]. 陈辉,张家树,张超.  控制与决策. 2005(11)
[4]群体智能研究综述[J]. 王玫,朱云龙,何小贤.  计算机工程. 2005(22)
[5]含维变异算子的粒子群算法[J]. 付国江,王少梅,刘舒燕,李宁.  武汉大学学报(工学版). 2005(04)
[6]基于混沌遗传算法的基元提取[J]. 贾东立,张家树,张超.  西南交通大学学报. 2005(04)
[7]求解车辆路径问题的改进微粒群优化算法[J]. 肖健梅,李军军,王锡淮.  计算机集成制造系统. 2005(04)
[8]基于自适应模糊聚类的神经网络软测量建模方法[J]. 王锡淮,李少远,席裕庚.  控制与决策. 2004(08)
[9]基于T-S模型的自组织模糊辨识算法研究[J]. 张建华,张荫芬,侯国莲,史运涛.  现代电力. 2002(05)
[10]模糊模型辨识中模糊聚类方法应用分析[J]. 刘福才,朴春俊,裴润.  系统工程与电子技术. 2002(05)

博士论文
[1]粒子群优化算法的理论及实践[D]. 张丽平.浙江大学 2005



本文编号：3681355