论文部分内容阅读
模糊控制与模糊系统建模经过近40年的发展，已得到了广泛的应用。但模糊控制理论并不成熟，有许多问题正处在研究与探索阶段。其中，模糊规则的自动获取是目前模糊控制领域研究的热点之一。而模糊语言值的客观定义、隶属函数的实时修正是模糊规则自动提取涉及的两个主要问题。 本文针对以上问题提出一种依据测量数据自动获取模糊规则的方法，并给出了一种能够有效描述模糊规则可解释性的模糊RBF神经网络结构。 论文主要有四部分组成。 第一部分对模糊控制的发展和现状做了简要阐述。 第二部分主要讨论输入输出空间自动分割的方法和步骤。首先，对样本数据采用样条插值的方法进行空缺值填充，然后运用数据挖掘中基于密度和网格的方法，根据插值后的样本数据自动生成有效聚类个数；再用K—均值对样本进行聚类，实现了输入输出空间的自动分割，解决了以往依据经验人为分割的不足；最后，根据样本空间聚类在各维上的投影，对数据进行离散化处理，为模糊系统各变量的模糊子集定义提供客观依据。 第三部分，在前述工作基础上，用模糊RBF神经网络实现模糊规则的自动获取。该部分首先通过对常用RBF网络进行分析与比较，提出了一种新的RBF网络结构。该网络结构既能清晰表达输入空间的模糊分割，又能直观地给出模糊规则结构的形式描述，提高了网络对模糊系统可解释性特性的描述能力。然后，详细地讨论了确定网络结构与参数的步骤、学习算法和部分C语言代码。 第四部分，以函数f（x1，x2）=64-81×（（x1-0.6）2+（x2-0.5）2）／9-0.5为例，分别通过500组和1000组样本数据进行学习与模型有效性验证，平均相对误差在5％以内。 本论文的创新之处为：人连交通人学一I学硕1学位论文 !.通过运用数据挖掘方法，实现了聚类中心个数自动确定，解决了K一均值聚类方法需要事先给定K值的问题。 2.提出r一种能够有效表达模糊系统可解释性的RBF神经网络结构。