基于改进遗传算法的A2-C0型模糊逻辑系统设计及仿真

在遗传算法(Genetic Algorithm)的基础上提出一种具有变异概率更新的改进遗传算法(IGA),并用于A2-C0型(A代表规则前件,C代表规则后件)模糊逻辑系统的设计及应用。将改进遗传算法与模糊逻辑系统相结合,使用改进遗传算法对模糊逻辑系统进行规则筛选,将适应度最高的规则作为规则基,并设计模糊逻辑系统,最终设计模糊神经网络,并用改进遗传算法调整系统的参数。为了检验改进遗传算法系统是否可行,使用本设计的A2-C0型模糊逻辑系统进行锂电池股票价格的预测,并与相同BP算法构成的模糊逻辑系统预测仿真进行比较,误差结果表明,改进遗传算法系统是可行的,并且取得了更好的效果。

面向后件集的模糊推理机制:用于区间型type-2模糊逻辑系统

目前,大多数模糊推理都是利用t–范数和t–余范数或其改进形式对连接词进行建模,这些模型不能将模糊规则中前件集与后件集之间的相关性信息引入到模糊推理过程,这会丢失蕴含在规则中的一些信息甚至导致推理结果与实际经验严重不符.为解决此问题,本文首先引入模糊集合面向对象变换的概念,并将其推广,建立了合成type-2模糊集合模型.基于此模型,针对区间型type-2模糊逻辑系统,提出一种面向后件集的模糊推理机制,该机制能将前件集与后件集的相关性信息(包括清晰数和模糊数两种情形)引入到模糊推理过程.仿真结果表明,该方法能捕获到模糊规则中更多的不确定性信息,并为模糊逻辑系统的设计提供更大的自由度.

一种相关型模糊集合及其在模糊逻辑系统中的应用

基于t-范数和t-余范数的模糊推理无法将模糊规则中前件集与后件集的相关性信息引入到模糊推理过程,这在某些情况下会导致模糊推理结果与实际经验不符。针对此问题,首先引入模糊集合之间相关度的概念,使模糊概念之间彼此相关。然后,在模糊集合相互关联的环境下提出相关型模糊集合的概念,包括相关type-1、相关区间型type-2以及相关一般型type-2模糊集合,并在理论上把模糊集合的基本概念和运算性质放在相关型模糊集合的环境下进行讨论,同时定义其自身特有的一些运算。最后,对相关型模糊集合在2种模糊逻辑系统(T1 FLS和IT2 FLS)中的应用进行探索,提出面向后件集的模糊推理方法。仿真实例表明:该方法比传统的模糊推理方法能捕获到规则中更多的不确定性信息。

模糊集间的R_0-相似关系及其性质

将王国俊教授在R0-型逻辑系统中建立的R0-蕴涵算子应用于模糊数学理论之中,在非空集合X为论域的模糊集族F(X)上定义了一种新型运算-R0蕴含运算,并讨论了F(X)上R0-蕴含运算的一些基本性质。通过R0-蕴含运算在F(X)上定义了一个二元模糊相似关系-R0-相似关系,并对其性质进行了较为详细的讨论。在有限论域X确定的模糊集族F(X)上给出了几个R0-相似关系的具体实例。

布谷鸟搜索算法的IT2FLS在PEMFC湿度软测量中的应用

针对质子交换膜燃料电池湿度测量的重要性和湿度准确测量的难度,结合模糊系统优良的非线性逼近能力,引入了基于区间二型模糊逻辑系统(IT2FLS)的质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell,PEMFC)湿度软测量建模方法.同时,为了解决该模型的结构辨识和参数辨识问题,提出了基于布谷鸟搜索算法(Cuckoo Search Algorithm,CS)的辨识方法.最后,利用实际测试数据对所提出的软测量模型进行仿真实验.基于仿真结果的比较和分析表明,该模型的输出更为准确,稳定性更好,该软测量方法可用于其它难以在线测量的场合中.

SOM-T2 FLS在股市预测中的应用研究

由于金融市场的复杂性和特殊性,现有预测算法的性能在牛市和熊市中呈现出较大差异,导致分类精度不高和抗风险能力不强,提出一种基于自组织特征映射-2型模糊逻辑系统(SOM-Type-2 Fuzzy Logic System,SOMT2 FLS)的分类算法。通过SOM网络将样本集分成两个不同子集,然后在每一个子集下分别学习T2 FLS分类器。在分类器学习过程中,提出将规则库的长度作为正则项,降低模型复杂度。利用中国证券市场的历史数据,验证了该算法较现有算法具有更好的预测效果和抗风险能力。