| 人工智能方法在信号处理中的应用 |
|
|
|
|
人工智能方法在信号处理中的应用
摘要：在实际工程中的信号处理问题中，模糊控制一向被广泛应用；而在模糊理论的应用中，最为重要的步骤之一就是建立模糊集的隶属函数，如何客观而准确地选取隶属函数也一直是一个重要的话题。在这个问题上，人工智能扮演了重要的角色，为隶属函数的求解问题提供了许多非传统的途径。
关键词：信号处理 模糊控制 隶属函数 人工智能 神经网络 遗传算法 小波分析
论文联盟Www.LWlm.com论文联盟*编辑。
1、引言
在实际工程上的信号处理问题中，模糊控制一向被广泛应用；而在模糊理论的应用中，最为重要的步骤之一就是建立模糊集的隶属函数。确定隶属函数不仅在性质上可以进一步确定模糊系统的特点，并且也是通过量化方法来实现数学计算的桥梁。然而，隶属函数的选取与建立在很大程度上是取决于人的主观心理的，这导致学者们很难总结出比较系统的求解隶属函数的方法。虽然目前已总结出统计法、例证法、专家经验法等应用较广的隶属函数建立方法，但仍无法满足在许多领域的需求。
自1956年Dartmouth会议上人工智能概念被提出后，这门科学迅速成为上世纪发展最快的学科之一，衍生出神经网络、蚁群算法、遗传算法等多种算法，并被广泛应用到各个技术领域。现在，人工智能方法也被应用到求取及优化模糊推理系统的隶属函数当中，它们在解决非典型的、较复杂的问题上有着不小的优势。以下便是几种人工智能方法在模糊系统中的典型应用。
2、神经网络
2.1 利用BP神经网络推断隶属函数
建立隶属函数比较经典的方法有专家经验法和试凑法，这两种方法也有着传统的弊病，那就是主观性太强以及浪费人力。而目前比较流行的基于神经网络的方法，比起前两者，却能大大地提高函数的客观性和精确性，并不需要大量的专家经验，还可节约人力。
前馈式神经网络，即BP神经网络是目前应用比较广泛的一种神经网络模型，它可以通过梯度下降法令误差反向传播，通过多层修正使误差趋向最小，也就是使隶属函数趋向于最精确值。将前馈式神经网络与模糊逻辑结合起来形成神经模糊推理系统是一个多层系统，每一层都有各自不同的功能。
利用这种方法求解隶属函数，首先要确定一个初步的输入和输出隶属函数，具体来说，就是 [1] [2] [3] 下一页 |
|
|
| |
|
上一个论文： 探讨农林院校大学生就业问题
下一个论文： 人工智能控制技术在电气传动中的应用研究 |
|
用户登录 
新用户注册 