模糊模型的智能学习方法与应用研究

为了提高模糊模型面向复杂对象的学习能力和应用能力,将模糊模型与其它智能技术有机结合,成为互补的混合智能模糊模型。学习模糊模型具有多约束性和多目标性,单一智能技术学习模糊模型所涉及的问题是非常困难的,有必要利用多种智能技术通过互相合作,协同求解模糊模型,为此本文利用智能协作、层次智能、混合智能等理论和技术,从不同的角度研究这些智能方法与模糊模型互补学习的问题,构造基于多智能混合的模糊模型,为不同应用目的和不同类型的模糊模型学习问题提供一般性的学习框架,可几乎在不了解对象情况下,通过这些框架学习基于对象实值样本数据的不同特征模糊模型(广义模糊模型、语言模型、分层模糊模型)。 论文系统论述了模糊模型的表现形式及各自特点、糊模型的学习内容和模糊建模过程,总结了模糊建模技术的研究现状及存在的问题,相关计算智能技术的基本特征和研究现状。 在对当前主要应用的各种模糊模型进行统一描述(称为广义模糊模型)的基础上,提出了广义模糊模型的协同进化(COE-GFM)。在协同进化框架下将广义模糊模型的完整解由两类种群组成,第一类种群描述模糊模型及其规则的结构,采用灵活的二维编码方式;第二类种群描述了各分区隶属函数参数,采用分层树状结构编码方式,根据各种群的编码特点采用不同的进化策略,两异构种群协同进化形成模糊模型。GFM-COE可学习各种类型的模糊模型,并表现出较好的紧凑性和精确性,其另一个特点对系统的先验专家知识要求较少,几乎能实现黑箱系统的模糊模型学习。通过函数近似、混沌时间序列预测预测和典型分类问题为例证明模型的有效性。 可理解性模糊模型(语言模型)具有很好的对象描述性和认知性,但其在面向复杂对象时精确性比较低,为此开展了语言模型的可理解性和精确性平衡策略研究,提出了两种策略提高语言模型的精确性,一种是使语言值及其隶属函数参数符合各对象变量的本质特征,另一种是在子空间引入协作规则。应用微粒群算法(PSO)学习各变量上的语言值及其正交隶属函数参数,并采用合适的语言值合并策略,形成候选规则集和粗糙语言模型;应用模拟退火算法(SA)优选各子空间上的候选规则,重构精确的语言模型。在应用微粒群算法过程中,提出了基于模型性能启发信息和迭代次序特征的微粒惯性权重自适