自动化技术论文_深度堆栈模糊系统设计方法研究

文章目录

摘要

ABSTRACT

第1章 绪论

1.1 研究背景及意义

1.2 研究现状

    1.2.1 模糊系统发展历程

    1.2.2 层次型模糊系统

    1.2.3 单输入规则模块连接模糊系统

    1.2.4 深度模糊系统

1.3 研究内容与结构安排

    1.3.1 研究内容

    1.3.2 结构安排

第2章 模糊系统简介

2.1 经典模糊系统

2.2 自适应模糊推理系统(ANFIS)

2.3 单输入规则模块连接模糊模型(SIRM-FM)

2.4 函数权重单输入规则模块连接模糊模型(FWSIRM-FM)

2.5 小结

第3章 双输入规则模块堆栈深度模糊模型

3.1 双输入规则模块堆栈深度模糊模型(DIRM-DFM)

    3.1.1 DIRM-DFM的结构

    3.1.2 DIRM的数学模型

    3.1.3 DIRM的可解释性

3.2 DIRM-DFM的学习策略

    3.2.1 构建策略的流程

    3.2.2 数据生成策略

    3.2.3 基于约束最小二乘法的DIRM的参数学习

3.3 实验和比较

    3.3.1 对比模型

    3.3.2 性能指标

    3.3.3 光伏发电量预测实验

    3.3.4 地铁人流量预测实验

    3.3.5 分析与讨论

3.4 小结

第4章 基于减法聚类的双输入规则模块堆栈深度模糊模型

4.1 SCMDIRM堆栈深度模糊模型

    4.1.1 SCMDIRM-DFM的结构

    4.1.2 SCMDIRM的数学模型

4.2 SCMDIRM-DFM的设计方法

    4.2.1 SCMDIRM-DFM的构建流程

    4.2.2 基于减法聚类的SCMDIRM模块的构建

4.3 实验与讨论

    4.3.1 对比模型和性能指标

    4.3.2 光伏发电量预测实验

    4.3.3 地铁人流量预测实验

    4.3.4 分析与讨论

4.4 小结

第5章 双输入区间二型模糊规则模块堆栈深度模糊模型

5.1 二型模糊系统

    5.1.1 区间二型模糊集

    5.1.2 区间二型模糊系统

5.2 IT2DIRM堆栈深度模糊模型

    5.2.1 IT2DIRM-DFM的结构

    5.2.2 IT2DIRM的数学模型

    5.2.3 IT2DIRM-DFM的可解释性

5.3 IT2DIRM-DFM的数据驱动构建策略

    5.3.1 不同层中IT2DIRM的训练数据生成

    5.3.2 基于约束最小二乘法的参数学习策略

5.4 实验与讨论

    5.4.1 对比设置和性能指标

    5.4.2 光伏发电量预测实验

    5.4.3 地铁人流量预测实验

    5.4.4 分析与讨论

5.5 小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

攻读硕士学位期间论文发表及科研情况

文章摘要:模糊系统作为计算智能的重要分支,已经逐渐应用于工业生产以及人们生活之中。然而,当利用模糊系统对复杂系统进行建模时,尤其当输入变量较多时,经典模糊系统的模糊规则增多,设计难度增大,使得模型的构建困难重重。目前,针对这一问题,研究人员提出了单输入规则模块连接模糊系统,使得模糊规则数量随着输入变量的增多线性增长,大大减少了模糊规则数,易于设计,已成功应用于多变量系统建模中。然而,单输入规则模块连接模糊系统只是通过模糊模块的简单连接,模块过于简单,结构复杂度低,在建模问题中模型性能往往不能达到预期性能。因此,需要提出新的模块化模糊系统,既降低模型设计难度,又能够有效的保证模型性能。为了实现上述目标,本文提出了模块化深度堆栈模糊系统,并给出了其设计方法。本文的主要贡献如下:（1）给出了一种双输入规则模块堆栈深度模糊系统设计方法。该方法通过自下而上,层层堆栈双输入规则模块（DIRM）的方式来构建深度模糊模型（DIRM-DFM）。该深度模糊模型所采用的双输入规则模块（DIRM）保证了模型的可解释性。在模型构建过程中,给出了基于约束最小二乘法的DIRM模块参数优化策略,保证了DIRM-DFM的学习速度和逼近性能。为了验证所提出的DIRM-DFM的性能,将其应用到了光伏发电量和地铁人流量预测问题,并与浅层模型,包括自适应模糊推理系统（ANFIS）、单输入规则模块连接模糊模型（SIRM-FM）、函数权重单输入规则模块连接模糊模型（FWSIRM-FM）等以及深层模型,包括堆栈自动编码器（SAE）、深度卷积模糊系统（DCFS）等进行了对比实验。实验结果表明所提出的DIRM-DFM在预测准确性和预测结果稳定性方面都是最优的。（2）为了进一步压缩模型结构,给出了基于减法聚类的双输入规则模块堆栈深度模糊系统设计方法。该方法采用与DIRM-DFM类似的堆栈策略搭建深度模糊模型（SCMDIRM-DFM）,但在该深度模糊模型构造过程中,采用减法聚类算法构建每一个双输入规则模块。减法聚类方法使得模糊模块中的模糊规则数大幅减少,从而压缩了模型结构。同样,在光伏发电量和地铁人流量两个时间序列预测问题中进行对比实验验证。实验结果表明,在压缩模型结构后,SCMDIRM-DFM的预测准确率与DIRM-DFM相当,但模糊规则更少,另外,其预测性能也要优于ANFIS等其他的对比模型。（3）为了进一步提高模型处理不确定性的能力,并提升预测性能,给出了双输入区间二型模糊规则模块（IT2DIRM）堆栈深度模糊系统设计方法。该方法所构建的IT2DIRM堆栈深度模糊模型（IT2DIRM-DFM）在DIRM-DFM的基础上,增加了堆栈层,该层将表现最差的IT2DIRM模块进行重用,使得模型的宽度和深度都是可操作的,具备更高的设计自由度。在模型构建过程中,对每一个IT2DIRM模块的后件参数均采用约束最小二乘法进行优化,保证了IT2DIRM-DFM的良好预测性能。该IT2DIRM-DFM模型也在光伏发电量和地铁人流量两个时间序列预测问题进行了应用和对比验证。实验结果表明IT2DIRM-DFM模型相较于其他的对比模型,其预测准确率最高,预测结果也最稳定。

文章来源：《模糊系统与数学》 网址: http://www.mhxtysxzz.cn/qikandaodu/2022/0131/763.html