论文部分内容阅读
基于数据驱动的模糊系统建模在很多领域都得到了广泛应用,但一直以来人们更关注于系统性能的优化,很少关注模糊系统的解释性。近年来人们逐渐认识到对模糊系统解释性的研究可以帮助人们更好的认识模糊系统的本质,从而达到从大量数据中提取知识的目的。然而提高模糊系统的解释性和提高模糊系统的性能是两个有冲突的目标,在模糊系统建模中,这两方面在一定程度上是矛盾的,要提高系统的解释性而不失去性能很困难,因此精确性与解释性的平衡和折中研究已成为目前基于数据驱动的模糊系统建模研究中最吸引人的研究方向。本文在模糊集合理论与人工神经网络和进化计算以及群体智能相融合的基础上,围绕模糊系统的精确性与解释性的折中,进行基于数据驱动的模糊系统建模研究。通过对模糊系统建模方法的比较及其解释性分析,给出了一个模糊系统的解释性评价标准。在模糊系统建模过程中充分考虑了模糊系统精确性和解释性的折中,使建立的模糊系统模型达到了精确性和解释性的平衡,对基于数据驱动的模糊系统的建模和优化给出了一个系统的解决方案。论文的主要研究内容包括:(1)模糊系统的基本理论、遗传算法、微粒群优化以及多目标进化算法的相关内容。(2)模糊系统的解释性评价标准研究。(3)基于遗传算法的模糊系统建模方法研究。(4)基于递阶遗传算法的模糊系统建模方法研究。(5)基于微粒群算法的模糊系统建模方法研究。(6)基于多目标微粒群算法的模糊系统建模方法研究。