基于云模型的模糊神经网络算法研究

发布时间：2021-01-02 05:11

　　针对模糊神经网络不能同时处理随机性和模糊性且人为影响严重等问题,提出采用云模型进行不确定性表达,建立云模糊神经网络模型。针对黄金分割法的误差问题,提出使用高斯拟合算法计算云模型的数字特征。利用云模型计算属性的确定度,作为隶属函数;使用改进的"软与"算法完成云规则生成及匹配;通过云模型对BP算法进行优化,避免出现局部最优解;根据输出数值及确定度判断数据所属类别。实验结果表明,云模糊神经网络对不确定性的处理具有更高的准确性。 

【文章来源】：现代电子技术. 2020年17期 北大核心

【文章页数】：6 页

【部分图文】：

多规则推理图

云模糊神经网络的构建思想为：将云模型引入到模糊神经网络，使其可同时处理模糊性和随机性，同时，确定度的计算过程是不确定的，使其替换人为确定的隶属函数，降低人为因素的干扰。在进行逻辑软计算时，利用云发生器构造不确定性推理，以解决模糊神经网络推理过程中不确定性的传递问题。云模糊神经网络结构分为六层：输入层、云化确界层、规则层、隐含层、逆云化层、输出层。其网络拓扑结构如图2所示。1）输入层：负责将数据X=(x1,x2,…,xn)传递给云化层。其节点数量由影响输出结果的属性数量决定。

根据数据集输出结果可知，CM-FNN预测的葡萄酒质量等级为某一质量区间内的随机值，而不是严格按数字划分，各等级之间无明确的边界。CM-FNN的输出结果为带有确定度的云滴，即带有确定度的质量等级。将所有预测结果生成预测云模型，并与葡萄酒质量等级云模型对比，预测云模型可作为质量等级的综合云，如图3所示。由图3可知，预测云模型为三朵质量等级云的概念跃升，当xi∈(3,4)且μi∈(0,0.236)时，葡萄酒质量等级为低质量；当xi∈(4,6)且μi∈(0.236,1)时，葡萄酒质量等级为中等质量；当xi∈(6,8)且μi∈(0,0.80)时，葡萄酒质量等级为高质量。

【参考文献】：
期刊论文
[1]基于正态灰云模型的装备维修保障系统效能评估[J]. 王双川,贾希胜,胡起伟,王强.  系统工程与电子技术. 2019(07)
[2]基于不确定性云推理的刀具磨损量预测方法[J]. 郝伟,蒋琪,张宇.  机床与液压. 2018(10)
[3]基于云推理模型的深度强化学习探索策略研究[J]. 李晨溪,曹雷,陈希亮,张永亮,徐志雄,彭辉,段理文.  电子与信息学报. 2018(01)
[4]基于云神经网络自适应逆系统的电力系统负荷频率控制[J]. 吴忠强,张伟,李峰,杜春奇.  电力自动化设备. 2017(11)
[5]基于构造型云神经网络的电磁环境评估方法[J]. 冯彦卿,王伦文.  计算机工程与应用. 2017(16)
[6]云过程神经网络模型及算法研究[J]. 王兵,李盼池,杨冬黎,于晓红.  电子与信息学报. 2015(01)
[7]基于模糊粗糙集与改进聚类的神经网络风速预测[J]. 刘兴杰,岑添云,郑文书,米增强.  中国电机工程学报. 2014(19)
[8]基于权重的云推理算法[J]. 杨超,燕雪峰,张洁,周勇.  计算机应用. 2014(02)



本文编号：2952719