一種新的制導(dǎo)炸彈智能控制系統(tǒng)
加入技術(shù)交流群
2 NSFIS的參數(shù)學(xué)習(xí)算法
模糊推理系統(tǒng)是高度非線性系統(tǒng)，在對復(fù)雜系統(tǒng)建模的過程中，其內(nèi)部參數(shù)
主要依靠某種學(xué)習(xí)算法對輸入一輸出數(shù)據(jù)對進(jìn)行訓(xùn)練來確定。目前，用于模糊推理系統(tǒng)的學(xué)習(xí)算法主要是梯度下降算法和遞推最小二乘算法。梯度下降算法簡單易行、運算量小，但收斂速度慢，容易陷入局部極值，且對信號的譜性依賴較大；遞推最小二乘算法收斂速度很快，對信號譜性無依賴，但其結(jié)構(gòu)復(fù)雜、運算量大且存在長期數(shù)值穩(wěn)定的問題。從工程的角度考慮，因為非單點模糊推理系統(tǒng)的計算復(fù)雜度本身就較大，所以運算量大的遞推最小二乘算法不適合采用。為了彌補梯度下降算法的缺點，文中引入遺傳算法。遺傳算法是模擬生物進(jìn)化過程的一種全局優(yōu)化搜索算法，其目標(biāo)函數(shù)既不要求連續(xù)，也不要求可微，僅要求問題可計算，而且它的搜索始終遍及整個解空間，容易得到全局最優(yōu)解。用梯度下降算法和遺傳算法同時并行的搜索解空間，并定期交換信息。這樣不僅避免了陷入局部極值的缺點，而且加快了收斂速度。雖然由于遺傳算法的加入，運算量增加了，但由于遺傳算法和梯度下降算法并行工作，所以沒有降低算法的實時性。采用減法聚類的方法設(shè)置初始參數(shù)，進(jìn)一步加快了算法的收斂速度。文中所設(shè)計的非單點模糊推理系統(tǒng)參數(shù)學(xué)習(xí)算法如下：步驟1：設(shè)置初始參數(shù)。采用減法聚類算法對訓(xùn)練數(shù)據(jù)[X，y]進(jìn)行聚類處理，得M到個聚類中心
構(gòu)造非單點模糊系統(tǒng)初始參數(shù)：選取聚類中心向量Xlc中的各個分量元素
作為式(2)中相應(yīng)
的初始值；以
與最近的另一個聚類中心歐式距離的一半
作為式(2)中
作為式(2)中相應(yīng)的初始值；已知訓(xùn)練數(shù)據(jù)含有大量噪聲的情況下，取步驟2：(1)采用梯度下降算法調(diào)整參數(shù)
(推導(dǎo)過程省略)。本文引用地址：http://www.ex-cimer.com/article/163460.htm
(2)同時采用遺傳算法搜索最佳參數(shù)
1)對參數(shù)編碼。以減法聚類確定的初始參數(shù)值為參考，考慮參數(shù)的解空間在初始參數(shù)值的正負(fù)s倍范圍內(nèi)，將解空間轉(zhuǎn)換為二進(jìn)制，對各參數(shù)進(jìn)行交叉組合編碼；
2)隨機(jī)生成20個個體作為初始群體；
3)將準(zhǔn)則函數(shù)的數(shù)學(xué)期望E[φ(e(t))]映射為適應(yīng)度函數(shù)
用該適應(yīng)度函數(shù)對群體中個體的適應(yīng)度進(jìn)行評估，當(dāng)適應(yīng)度達(dá)到標(biāo)準(zhǔn)Ff,max時，進(jìn)化停止；
4)遺傳操作：采用適應(yīng)度比例方法進(jìn)行選擇，兩點交叉方法進(jìn)行交叉，采用基本變異算子進(jìn)行變異。
評論