外文翻譯--基于神經(jīng)網(wǎng)絡和遺傳算法的模糊系統(tǒng)的自動設計

1、附錄 附錄 1 基于神經(jīng)網(wǎng)絡和遺傳算法的模糊系統(tǒng)的自動設計 基于神經(jīng)網(wǎng)絡和遺傳算法的模糊系統(tǒng)的自動設計摘要 摘要本文介紹了基于神經(jīng)網(wǎng)絡和遺傳算法的模糊系統(tǒng)的設計，其目的在于縮短開發(fā)時間并提高該系統(tǒng)的性能。介紹一種利用神經(jīng)網(wǎng)絡來描繪的多維非線性隸屬函數(shù)和調整隸屬函數(shù)參數(shù)的方法。還提及了基于遺傳算法的集成并自動化三個模糊系統(tǒng)的設計平臺。1 前言 前言模糊系統(tǒng)往往是人工手動設計。這引起了兩個問題：一是由于人工手動設計是費時間的，所以開發(fā)費用很

2、高；二是無法保證獲得最佳的解決方案。為了縮短開發(fā)時間并提高模糊系統(tǒng)的性能，有兩種獨立的途徑：開發(fā)支持工具和自動設計方法。前者包括輔助模糊系統(tǒng)設計的開發(fā)環(huán)境。許多環(huán)境已具有商業(yè)用途。后者介紹了自動設計的技術。盡管自動設計不能保證獲得最優(yōu)解，他們仍是可取的手工技巧，因為設計是引導走向和依 某些標準的最優(yōu)解。有三種主要的設計決策模糊控制系統(tǒng)設計:(1) 確定模糊規(guī)則數(shù), (2) 確定隸屬度函數(shù)的形式。(3) 確定變化參數(shù)再者,必須作出另外兩個

3、決定：(4) 確定輸入變量的數(shù)量(5) 確定論證方法 （1）和（2）相互協(xié)調確定如何覆蓋輸入空間。他們之間有高度的相互依賴性。（3）用以確定 TSK（Takagi-Sugeno-Kang）模式【1】中的線性方程式的系數(shù)，或確定隸屬度函數(shù)以及部分的 Mamdani 模型【2】 。(4)符合決定最低套相關的輸入變量,計算所需的目 標決策或控制的價值觀。像逆向消除（4）和信息標準的技術在此設計中經(jīng)常被利用。(5)相當于決定使用哪一個模糊算子和

4、解模糊化的方法。雖然由數(shù)種算法和模糊推理的方法 已被提出,仍沒有選擇他們標準。[5]表明動態(tài)變化的推理方法,他依據(jù)這個推理環(huán)境的結 果在性能和容錯性高于任何固定的推理的方法。神經(jīng)網(wǎng)絡模型（以更普遍的梯度)和基于遺傳算法的神經(jīng)網(wǎng)絡(最常見的梯度的基礎)和遺傳算法被用于模糊系統(tǒng)的自動設計。基于神經(jīng)網(wǎng)絡的方法主要是用來設計模糊隸屬 度函數(shù)。這有兩種主要的方法；(一) 直接的多維的模糊隸屬度函數(shù)的設計：該方法首先通過數(shù)據(jù)庫確定規(guī)則的數(shù)目。然后通

5、過每個簇的等級的訓練來確定隸屬函數(shù)的形式。更多細節(jié)將在第二章給出。(二) 間接的多維的模糊隸屬度函數(shù)的設計：這種方法通過結合一維模糊隸屬函數(shù)構建多維的模糊隸屬度函數(shù)。隸屬度函數(shù)梯度 技術被用于調節(jié)試圖減少模糊系統(tǒng)的期望產(chǎn)量和實際生產(chǎn)所需的產(chǎn)出總量的誤差。第一種方法的優(yōu)點在于它可以直接產(chǎn)生非線性多維的模糊隸屬度函數(shù)；沒有必要通過結合一維模糊隸屬函數(shù)構建多維的模糊隸屬度函數(shù)。第二種方法的優(yōu)點在于可通過監(jiān) 測模糊系統(tǒng)的最后性能來調整。這兩種方

6、法都將在第二章介紹。許多基于遺傳算法的方法與方法二在本質上一樣；一維隸屬函數(shù)的形式利用遺傳算圖 1.模糊劃分：（a）常規(guī) （b）期望 圖 2. NN-driven 結構模糊推理實例2.2 2.2 調整參數(shù)的模糊系統(tǒng) 調整參數(shù)的模糊系統(tǒng)這個定義隸屬度函數(shù)形式的參數(shù)來減少模糊系統(tǒng)輸出和監(jiān)督的數(shù)據(jù)之間的誤差。兩種方法用于修改這些參數(shù):摘要現(xiàn)有基于梯度方法和遺傳算法。遺傳算法的方法將在下一章節(jié)講述,基于梯度的方法將在這部分解釋。這個基于

7、梯度的方法的程序是：(1)決定如何確定的隸屬度函數(shù)的形式(2)利用梯度方法調整降低模糊系統(tǒng)的實際輸出與期望輸出的參數(shù)，通常最速下降。隸屬函數(shù)的中心的位置和寬度通常用來定義參數(shù)的形狀。Ichihashi et al. [6]and Nomura et al. [7, 8], Horikawa et al. [9][10], Ichihashi et al.[ll] and Wang et al. [12], Jang [13][14] 已

8、經(jīng)分別用三角形,結合sigmoidal、高斯,鐘型隸屬度函數(shù)。他們利用最速下降法來調整模糊隸屬函數(shù)參數(shù)。 圖3. 神經(jīng)網(wǎng)絡調整模糊系統(tǒng)的參數(shù) 圖4. 調整模糊系統(tǒng)的神經(jīng)網(wǎng)絡圖3顯示了此方法和同構于圖4. 圖中的uij在i-th 規(guī)則下輸入模糊隸屬函數(shù)的參數(shù)xj,而它實際上是代表一個描述隸屬度函數(shù)的形式的參數(shù)向量。也就是說，這個方法使模糊系 統(tǒng)作為神經(jīng)網(wǎng)絡的模糊隸屬度函數(shù)和通過節(jié)點執(zhí)行重量和規(guī)則一樣。任何網(wǎng)絡學

9、習算法, 例如反向傳播算法，可以用來設計這種結構。3遺傳算法方法 遺傳算法方法3.1遺傳算法與模糊控制 遺傳算法與模糊控制遺傳算法是進行優(yōu)化、生物激勵的技術，他的運行用二進制表示，并進行繁殖,交叉和變異。繁殖后代的權利是通過應用程序提供的一種健身價值。遺傳算法吸引人是因為 他們不需要存在的衍生物,他們的同時搜索的魯棒性很強，并能避免陷入局部最小。SeverM的論文提出了利用自動遺傳算法的模糊系統(tǒng)的設計方法。大量的工作主要集 中在調整的模