结合Z-score与优化技术的神经模糊系统.docx

结合Z-score与优化技术的神经模糊系统 模糊系统是指在模糊集上定义输入、输出和状态变量的系统，通过结合人脑思维的模糊性特点，采用模糊计算处理确定性系统中难以解决的模糊信息问题，具强鲁棒性和高可解释性。神经网络虽具备自学习能力，但未能较好表达人脑的推理功能，可解释性较差。因此，本文提出基于自适应神经网络的模糊推理系统（Adaptive Network-based Fuzzy Inference System，ANFIS），通过神经网络实现系统模糊化、模糊推理和反模糊化三个基本过程，并利用学习机制从输入、输出样本数据中自动提取模糊规则。 ANFIS 在消除噪声、信号干扰、非线性系统建模等领域取得了一定成绩，但仍然存在精度不高、计算速度慢、难以处理高维数据等问题。为解决上述问题，杨正校等基于粒子群优化（Particle Swarm Optimization，PSO）算法优化 ANFIS，通过改进神经网络的模型参数与隶属度函数参数，增强模糊系统的可解释性和精度。张涛等提出一种基于人工蜂群（Artificial BeeColony，ABC）算法训练 ANFIS 的新方法，基于 ABC 进行训练和优化模型参数，使该模型在辨识非线性系统时取得了良好的效果。 周丹等提出了一种结合改进简化 PSO 算法和 ANFIS 建立功放模型，采用线性递减惯性权重和动态学习因子，提高种群的多样性和收敛速度，使模型在简单的结构下仍能保持较高精度。邵泽辉将遗传算法（Genetic Algorithm，GA）与 ANFIS 相结合，基于GA 优化 ANFIS 的前提参数和结论参数，提出一种将遗传算法与禁忌搜索（Tabu Search，TS）算法相结合的自适应混合学习算法，以取得更好的运算性能和精度。 针对 ANFIS 存在难以处理高维数据的问题，王宇钢等提出了一种结合聚类和 ANFIS 的评价方法，首先采用改进的模糊 C 均值聚类算法自适应分类样本，然后通过学习训练集形成模糊规则，该方法具有一定的可行性。杨慧婕等提出了一种基于改进的模糊 C 均值聚类和 ANFIS 的预测算法，采用减法聚类法和加权模糊 C 均值生成初始神经模糊系统（Neural Fuzzy System，NFS），建立非线性预测模型，在一定程度上解决了传统 FCM 鲁棒性差的问题，并加快了模型收敛速度，同时还具备较高的预测精度。 Hua 等在 ANFIS 基础上提出了利用最综合陡降法和最小二乘法相结合的混合学习算法修正模型网络参数，基于共轭梯度下降法提高其前提参数的学习速度。Benmouiza 等提出了一种改进聚类的 ANFIS 算法，通过 FCM、SCM 和网格划分 3 种方法简化推理过程，使改进的 ANFIS 结构具备描述模糊理论数据的不确定性和人工神经网络的自学习能力。Wang 等结合 SCM 和 FCM 算法建立了初始模糊推理系统，采用共轭梯度（Fletcher-Reeves）算法对传统 ANFIS 的学习算法进行改进。 为了解决上述问题，本文搭建了深度神经模糊系统（Deep Neural Fuzzy System，DNFS），将高维问题分解为多个低维问题，利用子模块解决低维问题。因此每个 NFS 都要具备快速优化能力。此外，本文基于模糊规则适应度的计算方式和快速反向传播（Back Propagation，BP）算法，提出了一种结合 Z-score 与优化技术的神经模糊系统（Z-score and Optimize-technique combinedNeural Fuzzy System，ZONFS）。利用三种实现算法对系统的前提参数进行调整，通过分析综合性能指标对算法进行评估。 本文提出了基于自适应神经网络的模糊推理系统（ANFIS），并对其进行了改进，提出了一种结合 Z-score 与优化技术的神经模糊系统（ZONFS），以解决 ANFIS 存在的缺陷和局限性。