[发明专利]一种模糊神经网络模型的优化方法及系统

权利要求书

1.一种模糊神经网络模型的优化方法，其特征在于，包括如下步骤：

构建模糊神经网络，并初始化所述模糊神经网络的结构、基础权值和基础阈值；

初始化粒子种群：设置种群规模为N和最大迭代次数T，并根据所述模糊神经网络的基础权值和基础阈值确定粒子初始位置；

计算粒子适应度函数，并通过所述适应度函数计算各个粒子的适应度值；

粒子位置、速度迭代更新，并获取每一代更新后粒子的个体极值和全局极值；

根据适应度值小于设定值或达到最大迭代次数为原则，评价每一代粒子群中的所有个体，并从中筛选满足原则的粒子最优个体极值和全局极值作为个体最优位置P_i和全局最优位置P_g；

根据全局最优位置P_g确定所述模糊神经网络的最佳权值和最佳阈值；

将所述最佳权值和最佳阈值作为初始值对所述模糊神经网络进行初始化，得到优化后的模糊神经网络模型；

其中，粒子位置、速度迭代更新时：

式中，1≤i≤N；表示为第i个粒子在第k次迭代中的速度和位置；表示为第i个粒子更新后的速度和位置；h_i(k)表示为引入的高斯函数；表示为第i个粒子在第k次迭代中的个体极值；表示为第i个粒子在第k次迭代中的全局极值；k表示为当前迭代次数，且0≤k≤T；c₁/c₂表示为改进学习因子；ω表示为改进惯性权值；r₁/r₂表示为(0，1)之间均匀分布的随机数。

2.根据权利要求1所述的一种模糊神经网络模型的优化方法，其特征在于，所述高斯函数h_i(k)的表达式为：

式中，σ₀和τ均为常数。

3.根据权利要求1所述的一种模糊神经网络模型的优化方法，其特征在于，所述改进学习因子c₁/c₂的表达式为：

式中，c_1.start，c_1.end分别为c₁的初始值和迭代至最大迭代次数时的终值；c_2.start，c_2.end分别为c₂的初始值和迭代至最大迭代次数时的终值；k表示为当前迭代次数，T表示为最大迭代次数。

4.根据权利要求1所述的一种模糊神经网络模型的优化方法，其特征在于，所述改进惯性权值ω的表达式为：

式中，ω_start表示为初始惯性权值，ω_end表示为迭代至最大迭代次数时的惯性权值，k表示为当前迭代次数，k_start表示为最大迭代次数，q表示为调节速度变化的系数，且q＝10。

5.根据权利要求1所述的一种模糊神经网络模型的优化方法，其特征在于，所述粒子适应度函数为：

式中，y(t)为t时刻模糊神经网络的实际输出，Y(t)为模糊神经网络的期望输出，M为训练样本集的总数量。