学位论文 > 优秀研究生学位论文题录展示

模糊逻辑和模糊系统中智能算法的研究与应用

作　者: 王璋
导　师: 冯斌
学　校: 江南大学
专　业: 计算机应用与技术
关键词: 智能算法优化技术粒子群优化收敛性分析模糊逻辑模糊系统
分类号: TP18
类　型: 硕士论文
年　份: 2008年
下　载: 286次
引　用: 0次
阅　读: 论文下载

内容摘要

智能算法在没有集中控制并不提供全局模型的前提下,为寻找复杂问题的解决方案提供了新的思路。其中,主要是通过模拟社会性生物群体的群体行为,对给定目标进行寻优的启发式搜索算法,其寻优过程体现了随机、并行和分布式的特点。由于其计算简单、易于实现、控制参数少等特点,广泛地应用于实际生产的各个方面。近年来,模糊系统和模糊逻辑领域取得了迅速的进展。模糊系统和模糊逻辑在实际生产生活和工业过程控制中的成功实践促使越来越多的学者对模糊系统和模糊逻辑理论进行严密的研究。将智能算法与模糊逻辑和模糊系统相结合,一方面利用智能算法对模糊逻辑和系统进行优化提高了模型的效率和效益,另一方面,模糊逻辑和模糊系统能够充分发挥模糊理论的优势,更加有利于生产实践的应用。本文介绍了智能算法的理论分析与改进方法,系统地研究了智能算法在模糊逻辑和模糊系统中的应用方法,具体内容如下:(1)阐述了智能优化算法及模糊逻辑和模糊系统的研究背景;介绍了智能优化算法的研究现状;对于模糊逻辑和模糊系统中的设计方法做了详细的介绍;提出了本课题的研究思路和方法。(2)系统地介绍了智能算法的设计思路和方法,并且重点阐述了粒子群算法。通过代数的方法分析了粒子群算法的收敛性,得出了PSO算法的收敛条件和发散条件。然后针对PSO算法在多峰问题上易于出现早熟收敛的情况,根据分析的结论对PSO算法进行了改进,引入多种改进方案。(3)针对PSO算法不能以概率1收敛和局部收敛等缺点,提出了基于量子行为的粒子群算法。同时,针对量子粒子群算法在解决多峰优化问题中也有可能出现局部收敛的现象,分析出现局部收敛的主要原因在于群体多样性较低而使得群体失去了在大范围内进行搜索的能力,因此提出了采用含维向量变异和基于混沌小生境技术的量子粒子群算法,避免群体的多样性变小,从而提高算法的全局搜索能力,通过标准测试函数的求值表明了全局搜索能力的提升。(4)模糊认知图(Fuzzy Cognitive Maps,FCMs)是一种软计算方法,是模糊逻辑和神经网络相结合的产物。由于其直观的表达能力和强大的推理能力,比神经网络有着较强的语义,对所建立的模型有着更强的可解释性,能更加直观、方便地研究复杂适应系统。另外,由于它是一种有向图,可以借助于图论方面的丰富研究成果对系统进行深入分析。基于模糊认知图的优势,提出基于量子粒子群算法的学习算法并成功地将其引入对工业液位控制和疾病的诊疗系统中,取得了良好的效果。(5)二维Ostu方法和模糊熵后处理同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法。针对计算量大的特点,采用量子粒子群算法来搜索最优二维阈值向量。结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的。针对图像中的噪声问题,采用模糊熵概念的中值滤波的方法,利用智能算法优化后,达到了消除噪声的良好效果。(6)几乎所有的实际系统都是非线性系统.因而研究非线性系统的辨识是十分必要的在各种非线性系统辨识方法中.Takagi—Sugeno模糊模型可以任意精度逼近定义在紧集上的非线性函数。本文提出了一种新的T—S模糊模型的非线性系统辨识方法。采用自适应模糊C均值聚类算法确定模糊模型的前件结构及参数,用量子粒子群算法(QPSO)来辩识模糊模型的结论参数以获得系统参数的最优估计,仿真结果表明该方法是有效的。最后对本论文的主要研究成果进行了总结,并对有待进一步研究的方向进行了展望。

全文目录

摘要  3-5
ABSTRACT  5-9
第一章绪论  9-14
  1.1 选题背景及意义  9
  1.2 智能优化算法的研究概况  9-11
  1.3 相关模糊理论的研究概况  11-12
  1.4 论文的主要工作  12-14
第二章智能算法介绍及其改进  14-20
  2.1 引言  14
  2.2 智能算法及其改进算法  14-19
  2.3 本章小结  19-20
第三章含维向量变异的量子粒子群算法和基于混沌小生境技术的量子粒子群算法  20-33
  3.1 引言  20
  3.2 量子粒子群优化算法(QPSO)  20-23
    3.2.1 基于Delta 势阱模型的量子行为粒子群算法（QDPSO）  20-22
    3.2.2 量子行为的粒子群算法  22-23
  3.3 含维向量变异的量子粒子群算法  23-28
    3.3.1 算法描述  23-25
    3.3.2 实验结果，实验结论和对实验结果的讨论  25-28
  3.4 基于混沌变异小生境技术的量子粒子群算法（NCQPSO）  28-31
    3.4.1 RCS 小生境进化策略  28
    3.4.2 变尺度混沌变异  28-29
    3.4.3 基于混沌变异算子的小生境量子粒子群算法  29-30
    3.4.4 实验分析和实验结果  30-31
  3.5 本章小结  31-33
第四章模糊认知图中智能算法的研究与应用  33-54
  4.1 引言  33
  4.2 模糊认知图  33-36
    4.2.1 模糊认知图介绍  33-34
    4.2.2 模糊认知图对问题的表示及推理  34-35
    4.2.3 模糊认知图的建模机制和框架  35-36
  4.3 一种新颖的模糊认知图学习方法解决工业控制问题  36-42
    4.3.1 新的模糊认知图学习方法  36
    4.3.2 基于量子粒子群算法建模  36-37
    4.3.3 工业控制模型  37-40
    4.3.4 仿真结果  40-41
    4.3.5 实验总结  41-42
  4.4 模糊认知图在医疗诊断系统中的应用  42-53
    4.4.1 医疗系统背景介绍  42-46
    4.4.2 医疗系统的模糊认知图模型  46-51
    4.4.3 利用模型对两个实例病症的诊断  51-53
    4.4.4 实验总结  53
  4.5 本章小结  53-54
第五章智能算法和模糊逻辑在图像处理方面的研究与应用  54-68
  5.1 引言  54-55
  5.2 基于量子粒子群算法和模糊熵的 Ostu 图像分割  55-63
    5.2.1 简介  55
    5.2.2 二维直方图  55
    5.2.3 二维ostu 图像分割  55-57
    5.2.4 基于量子粒子群算法的Ostu 图像分割  57
    5.2.5 实验结果和实验分析  57-59
    5.2.6 应用模糊熵作后处理  59-61
    5.2.7 实验结果和实验分析  61-63
    5.2.8 实验小结  63
  5.3 基于量子粒子群算法的模糊滤波方法  63-67
    5.3.1 简介  63
    5.3.2 基于量子粒子群算法确定隶属函数参数  63-65
    5.3.3 基于模糊推理的中值滤波  65
    5.3.4 实验结果和实验分析  65-67
    5.3.5 实验小结  67
  5.4 本章小结  67-68
第六章智能算法在模糊系统中的研究与应用  68-85
  6.1 引言  68
  6.2 采用量子粒子群算法的非线性系统T-S 模型识别  68-73
    6.2.1 简介  68
    6.2.2 T-S 模型描述  68-69
    6.2.3 基于QPSO 优化TSK 模糊逻辑系统构造  69-72
    6.2.4 仿真结果和实验分析  72-73
  6.3 智能预估模型在谷氨酸发酵过程中的应用  73-85
    6.3.1 简介  73-74
    6.3.2 模糊推理系统概述  74-77
    6.3.3 谷氨酸工艺过程概述  77
    6.3.4 基于 PSO 和 QPSO 优化的非线性 T-S 模糊系统的预估模型  77-80
    6.3.5 系统仿真结果和实验分析  80-84
    6.3.6 实验小结  84-85
第七章总结与展望  85-87
  7.1 工作总结  85
  7.2 工作展望  85-87
致谢  87-88
参考文献  88-93
附录：攻读硕士学位期间发表的论文  93

模糊逻辑和模糊系统中智能算法的研究与应用

内容摘要

全文目录

相似论文