基于禁忌搜索算法的模糊神經網絡參數學習研究.pdf

1、近年來,模糊神經網絡以其廣義的函數逼近能力,已經受到了廣泛的關注.在模糊神經網絡的研究中,參數學習問題具有很大的重要性.一般來說,對模糊神經網絡的參數學習問題可以轉化為對其目標函數的優(yōu)化問題,即尋找一組合適的參數向量使其目標函數值最優(yōu).目前,對模糊神經網絡的權值或結構進行優(yōu)化的方法有兩類:一類是基于梯度向量的導數優(yōu)化方法;第二類方法是基于現(xiàn)代最優(yōu)化技術的非導數優(yōu)化方法,如遺傳算法、模擬退火算法等,其中以遺傳算法的研究最為突出.使用現(xiàn)代優(yōu)

2、化技術時不需要目標函數的梯度向量,因此在解決復雜優(yōu)化問題時有更大的靈活性.模糊神經技術和現(xiàn)代優(yōu)化技術的結合是計算智能的一個發(fā)展趨勢.該文在對以前的模糊神經網絡參數學習算法進行分析的基礎上,做了以下幾個方面的工作:1)根據禁忌搜索算法的特點,在Jyh-Shing Roger Jang提出的ANFIS模型的基礎上,將禁忌搜索算法應用于模糊神經網絡線性和非線性參數的學習上,并將該模型用于單變量函數的逼近;2)在第一階段的基礎上,對算法進行了改

3、進,使改進后的算法能夠適用于復雜的函數逼近問題;3)根據計算機仿真的結果,對禁忌搜索算法的性能進行了分析,并對該模糊神經系統(tǒng)的函數逼近能力和泛化能力進行了討論.4)對研究成果進行了總結和展望.通過該文的研究可以看出,將禁忌搜索算法用在模糊神經系統(tǒng)參數學習中具有很好的性能,該算法具有收斂概率高,收斂精度好等優(yōu)點.訓練后的模糊神經系統(tǒng)具有良好的函數逼近能力和泛化能力.禁忌搜索算法和模糊神經網絡的結合在控制、信號處理等領域具有廣闊的應用前景.