[发明专利]基于分解模糊神经网络的二氧化硫浓度预测方法

说明书

本发明属于计算智能网络优化技术领域，涉及一种基于分解模糊神经网络的二氧化硫浓度预测方法，包含：建立分解模糊神经网络，依据用户指定参数对输入数据空间进行迭代聚类，获取聚类结果，依据聚类结果确定分解模糊神经网络组件数，及分解模糊神经网络规则前件隶属函数中心；根据分解模糊神经网络组件数及分解模糊神经网络规则前件隶属函数中心，确定网络参数；依据网络参数，确定优化分解模糊神经网络。本发明通过模糊聚类来确定分解模糊神经网络中组件规则数，对模糊神经网络输入模糊化隶属函数参数、规则前件隶属函数参数和组件权值进行优化处理，使得分解模糊神经网络模型建模精度更高，缩短学习时间，提高模型训练学习效率，降低软硬件开销。

技术领域

本发明属于计算智能神经网络优化技术领域，特别涉及一种分解模糊神经网络优化方法及装置。

背景技术

1965年，模糊集合的概念被提出，标志着一种能够描述自然界不确定现象的新方法诞生。在此基础上，模糊推理系统被提出且成功应用于复杂系统建模与控制等领域。但是，传统的模糊系统基于专家系统的理论范式，自适应学习能力不足。1995年，将模糊理论和神经网络相结合，模糊神经网络模型的提出，同时赋予神经网络可解释性和模糊系统可学习性。在模糊神经网络的学习过程中，由于每一个语言变量的语言值出现在不同的规则中，采用学习方法对其进行优化的过程中，因为它们之间是相关的，需要添加约束条件保持该相关性，这样将使优化问题变得复杂。进一步，有人提出分解模糊系统的概念，将不同规则的属于同一语言变量的语言值分解为其本身和它的补集，构成组件模糊系统，先计算子系统的输出，然后取其平均值作为最后的系统输出。目前的分解模糊系统具有较多的模糊规则(对于n维输入每一维具有m个语言值的情形，共有(3m)ⁿ条模糊规则)，随着输入维度的增加，会出现‘维数灾’。而且，仅采用BP算法调整规则后件零次项系数，前件参数不进行优化。以上学习方法不能保证分解模糊系统的建模精度达到全局最优。

发明内容

为此，本发明提供一种分解模糊神经网络参数优化方法及装置，解决目前分解模糊系统存在的规则数多、计算量大、开销大等问题，建模精度更高，网络模型结构更加简洁，缩短学习时间，提高模型训练学习效率，降低软硬件开销。

按照本发明所提供的设计方案，一种分解模糊神经网络结构和参数优化方法，包含如下内容：

建立分解模糊神经网络，并依据用户指定的参数对输入数据空间进行迭代聚类，获取聚类结果，依据聚类结果确定分解模糊神经网络组件数，及分解模糊神经网络规则前件隶属函数中心；

根据分解模糊神经网络组件数及分解模糊神经网络规则前件隶属函数中心，确定网络参数，其中，所述网络参数包含输入模糊集合隶属函数的宽度、幂指数，规则前件隶属函数的宽度、幂指数，及组件权值；

依据网络参数，确定优化分解模糊神经网络。

上述的，所述分解模糊神经网络包含用于传输输入信号的输入层，用于依据输入层输出分析网络组建隶属关系的隶属函数层，用于依据隶属函数层输出进行三角范数计算并获取激活力的激活力层，用于对激活力层得到的激活力进行归一化处理的归一化层，用于对归一化层输出及输入向量进行乘积运算的乘积层，用于对乘积层输出进行代数求和的求和层，和用于对求和层输出进行加权平均并输出的输出层。

上述的，对输入数据空间进行迭代聚类过程中，依据用户指定的参数，并根据输入数据和聚类中心的距离确定聚类属性，通过循环迭代来更新聚类中心，其中，聚类中心为与所述聚类中所有数据距离之和最小的位置。

上述的，根据分解模糊神经网络组件数及分解模糊神经网络规则前件隶属函数中心，通过采用自适应混沌量子引力搜索算法调整并确定网络其它参数。

优选的，所述自适应混沌量子引力搜索算法包含如下内容：

a1)初始化种群，先获取候选初始种群，对候选初始种群中的个体进行适应值评估，得到初始种群；