[发明专利]一种模糊神经网络模型的优化方法及系统

说明书

本发明属于模糊神经网络技术领域，公开了一种模糊神经网络模型的优化方法及系统，且所述方法包括：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。

技术领域

本发明属于模糊神经网络技术领域，具体涉及一种模糊神经网络模型的优化方法及系统。

背景技术

模糊逻辑和神经网络是人工智能的重要分支。在实际工程应用中，将模糊逻辑与神经网络进行有机结合，形成模糊神经网络已成为模糊逻辑和神经网络优势互补的一种必然趋势。

目前，根据不同的实际应用需求，会建立不同的模糊神经网络模型，而所建立的仍模糊神经网络模型可通过蚁群算法、粒子群算法等智能优化算法进行优化训练。其中，在利用粒子群算法进行优化时，由于模糊神经网络的结构层次较多、权值参数调整较为复杂，因此极易陷入局部最优极值，从而影响优化效果。因此，提供一种能有效避免局部最优极值现象的模糊神经网络模型优化方法及系统是十分必要的。

发明内容

鉴于此，在本发明中提供一种模糊神经网络模型的优化方法及系统，具体通过改进惯性权重、改进学习因子和在迭代后期加入高斯函数的方式对粒子群算法进行改良，以有效避免优化过程中陷入局部最优极值的问题。

为实现上述目的，本发明提供如下技术方案：

一种模糊神经网络模型的优化方法，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。

在本优化方法中，优选的，所述高斯函数h_i(k)的表达式为：

式中，σ₀和τ均为常数。