人工智能方法在信号处理中的应用 |
|
|
要通过聚类在输入和输出空间中发现隶属函数,常用聚类方法有逐步聚类法和传统聚类法两种;第二步是要用学习算法发现模糊规则,从原理上讲同样是要通过对输入模式进行聚类获得,建立模糊规则后便确立了此网络的模型;最后,利用反向传播功能对隶属函数进行进一步的优化,即运用BP网络将输出的隶属函数的误差进行反向传播,将误差最小化,从而得到最精确的隶属函数。 2.2 多目标优化模型的模糊解法 需要使多个目标在限定条件内同时达到最优解的问题,被称为多目标优化问题。多目标优化问题在现实中随处存在,解法也是多种多样,比较常用的解法有目标规划法等,后来,科学家们又将遗传算法应用到了多目标优化问题的求解中。但因为多目标最优解中,各目标之间常常有模糊相关关系,不考虑模糊关系而去求解有可能得不到真正的最优解,因此后来多目标优化的模糊求解又登上了讨论的舞台。其中,基于神经网络的多目标模型模糊求解就是较为突出的一种。 多目标模糊求解首先要按照惯常步骤求出各子目标的约束最优解,利用这些最优解将这些子目标函数模糊化之后,最后所求出的使交集的隶属函数取最大值的解便是该模型的模糊最优解。这其中,最重要的步骤就是选取恰当的隶属函数。但是人为选取的隶属函数总是欠缺一定的客观性。由于函数联接网络具有很强的插值能力和非线性映射能力,因此它的学习速度非常快,很适合应用于模糊处理问题中。利用函数联接网络,便可将多目标问题转换为单目标优化问题,从而找出非主观的、最为恰当的隶属函数,来实现理想的多目标模型模糊求解。 3、小波分析理论:运用小波分析优化模糊推理规则 小波变换是时间、空间频域的局部化分析,它可以做到低频出频率细分,高频出时间细分,在时域和 频域均具有良好的局部化性质,从而可聚焦到信号的任意细节。 构建隶属函数时最大的问题就在于无法系统性地去寻找一个精确的隶属函数。通过将小波基函数与模糊集隶属函数相结合,即可建立小波隶属函数,这种函数有助于弥补以上缺点,然而仍无法去除根据固有的推理规则进行推理所带来的问题。遗传算法是一种全局优化搜索算法,利用它将小波函数进行优化,可以改进该函数缺乏自学习功能的弊病,完善对小波隶属函数的优化,使隶属函数的寻找能够进一步精确化。论文联盟Www.LWlm.com论文联盟*编辑。
上一页 [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 |
|