資源描述：
《基于模糊神經(jīng)網(wǎng)絡(luò)的智能控制策略的研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、南昌大學(xué)碩士學(xué)位論文基于模糊神經(jīng)網(wǎng)絡(luò)的智能控制策略的研究姓名：陳志明申請學(xué)位級別：碩士專業(yè)：計算機軟件與理論指導(dǎo)教師：周紹梅20100101摘要當(dāng)今，智能控制的研究領(lǐng)域的主要熱點之一為模糊神經(jīng)網(wǎng)絡(luò)。而模糊神經(jīng)網(wǎng)絡(luò)將模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)的優(yōu)點集于一身，包括自學(xué)習(xí)、自適應(yīng)、聯(lián)想及模糊信息處理。它具有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，是網(wǎng)絡(luò)白適應(yīng)能力增強，同時利用現(xiàn)有的專家知識，使其擁有很強的推理能力。通過結(jié)合他們的優(yōu)勢，顯著增強了系統(tǒng)的學(xué)習(xí)和表達能力。自適應(yīng)是模糊神經(jīng)網(wǎng)絡(luò)具有的優(yōu)勢，然而輸入數(shù)據(jù)的特征在一定程度上制約了模糊神經(jīng)神經(jīng)網(wǎng)絡(luò)
2、控制系統(tǒng)的結(jié)構(gòu)和性能。對于結(jié)構(gòu)簡單的控制系統(tǒng)，遇到輸入數(shù)據(jù)量很大、維數(shù)較高，則往往會造成訓(xùn)練的時間很長，而且不能取得很好的收斂性，甚至不能收斂。而在輸入數(shù)據(jù)量較小、維數(shù)不高的情況下，采用結(jié)構(gòu)復(fù)雜的控制系統(tǒng)，則會導(dǎo)致運算速度相對過長，且收斂速度較慢。這兩種情況的出現(xiàn)都會影響系統(tǒng)的整體性能。針對上述問題，本文在深入研究了模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及參數(shù)學(xué)習(xí)算法的基礎(chǔ)上，根據(jù)輸入數(shù)據(jù)量特點及系統(tǒng)對性能的要求，采用相應(yīng)的對策。在輸入數(shù)據(jù)量較少及系統(tǒng)對收斂性和精度要求不是很高的情況下，利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單的優(yōu)勢，提出了一種模糊BP神
3、經(jīng)網(wǎng)絡(luò)模型，充分考慮了BP算法過分依賴于網(wǎng)絡(luò)的初始值的問題，對輸入數(shù)據(jù)進行了模糊量化處理，繼而應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)模型。同時對輸入維數(shù)較大，收斂速度要求快及精度要求較高的情況，利用聚類算法優(yōu)化輸入空間的優(yōu)點，給出一種基于減法聚類和模糊C均值聚類的模糊神經(jīng)網(wǎng)絡(luò)，通過兩次聚類對復(fù)雜數(shù)據(jù)進行處理，再將處理后的數(shù)據(jù)應(yīng)用于神經(jīng)網(wǎng)絡(luò)模型。針對上述建立的結(jié)構(gòu)模型，選擇不同的控制對象樣本數(shù)據(jù)對其進行了仿真實驗，通過仿真結(jié)果顯示了該方法的可行性和有效性。關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；減法聚類：模糊C均值聚類ABSTRACTTod
4、ay,intelligentcontrolresearchareas，oneofthemajorhotspotsforthefuzzyneuralnetwork．Thefuzzyneuralnetworkfuzzyneuralnetworktechnologyandtheadvantagesofrolledintoone，includingtheself-learning，adaptive，Lenovoandfuzzyinformationprocessing．Ithasaneuralnetworklearning
5、abilityandadaptivecapacityofthenetworkincreased，whiletakingadvantageofexistingexpertise，ithasastrongreasoningability．Bycombiningtheirstrengths，significantlyenhancedthesystem’Slearningandexpression．Adaptiveisafuzzyneuralnetworkhastheadvantage，however,thecharact
6、eristicsofthemputdatatoacertainextent，constrainedneuralnetworkcontrolsystem，fuzzyneuralstructureandperformance．Forthesimplestructureofthecontrolsystem，experiencedagreatamountofinputdata,ahigherdimension,youtendtoresultinthetrainingtimeisverylong，andCannotgetag
7、oodconvergence，orevenconvergence．Entertheamountofdatainthesmalldimensionisnothi曲toadoptthestructureofcomplexcontrolsystems，willresultincomputationalspeedisrelativelylong，andslowconvergence．Toaddresstheaboveproblems，thisin-depthstudyofthe曬neuralnetworkstructure
8、andparameterslearningalgorithmbasedontheamountofinputdatacharacteristicsandsystemperformancerequirements，usingtheappropriatestrategies．Inthesmallamountofinputdataandsystemrequireme
