区间二型直觉模糊随机向量函数连接神经网络设计方法技术

本发明专利技术涉及计算智能技术领域，尤其涉及区间二型直觉模糊随机向量函数连接神经网络设计方法。本发明专利技术的区间二型直觉模糊随机向量函数连接神经网络设计方法，包括以下步骤：构建区间二型直觉模糊随机向量函数连接神经网络；采用量子聚类算法、群智能算法和最小二乘法相结合的混合学习方法对所述神经网络的结构和参数进行调整。所述神经网络采用基于β函数的隶属函数和非隶属函数作为模糊规则前件，采用随机向量函数连接神经网络作为区间模糊规则后件。本发明专利技术设计的IT2IF‑RVFLNN可以实现全局逼近。

【技术实现步骤摘要】
区间二型直觉模糊随机向量函数连接神经网络设计方法
本专利技术涉及计算智能
，尤其涉及一种区间二型直觉模糊随机向量函数连接神经网络设计方法。
技术介绍
1965年，Zadeh提出模糊集合理论，成功解决了传统集合理论不能合理描述不确定信息的缺陷。但是，原始模糊集合不能描述元素属于集合(属性、特征)的犹豫程度。针对这一问题，Atanassov提出直觉模糊集合的概念，引入犹豫度函数描述这种隶属关系的不可知属性。在此基础上，GladDeschrijver,PetrHájek等人研究了直觉模糊集合的三角范数和反三角范数、直觉模糊推理以及分层直接模糊推理问题，并将其应用到实时交通建模与控制、空气污染水平评估等领域。为了进一步提高直觉模糊推理系统的学习能力，PetrHájek,Atanassov等提出了直觉模糊神经网络的概念，并采用梯度下降或扩展卡尔曼滤波方法训练神经网络。然而，因为直觉模糊集合的隶属度和非隶属度均是清晰值，不能描述复杂不确定信息归属关系的模糊性，Atanassov推广传统直觉模糊集合为区间二型直觉模糊集合(隶属度和非隶属度均由精确值变为区间值)，基于此，ImoEyoh，RobertJohn，GeertDeMaere等研究了区间二型直觉模糊逻辑系统，并利用它解决复杂非线性系统的回归问题。但是，在目前的研究中，模糊规则库的确定完全根据专家经验手动确定，得到的完备规则库可能含有冗余的规则，并且会随着输入向量维度增加，出现‘规则爆炸’问题。同时，模糊规则前件的隶属函数和非隶属函数基本采用高斯型函数变化而来，形式过于单一；在参数优化过程中，规则前件隶属函数和非隶属函数均呈现较强的非线性特征，采用梯度下降法时容易陷入局部最小值；最后，规则后件采用输入向量的线性函数，表达非线性函数的能力受到限制。
技术实现思路
针对上述问题，本专利技术提出了一种区间二型直觉模糊随机向量函数连接神经网络设计方法，设计了一种区间二型直觉模糊随机向量函数连接神经网络IT2IF-RVFLNN，采用基于β函数的隶属函数和非隶属函数作为模糊规则前件，采用随机向量函数连接神经网络作为模糊规则后件，能够实现全局逼近。为了实现上述目的，本专利技术采用以下技术方案：一种区间二型直觉模糊随机向量函数连接神经网络设计方法，包括以下步骤：步骤1：构建区间二型直觉模糊随机向量函数连接神经网络IT2IF-RVFLNN；步骤2：采用量子聚类算法、群智能算法和最小二乘法相结合的混合学习方法对IT2IF-RVFLNN的结构和参数进行调整。进一步地，所述步骤1包括：步骤1.1：采用基于β函数的隶属函数和非隶属函数作为IT2IF-RVFLNN的区间二型直觉模糊规则前件；步骤1.2：采用随机向量函数连接神经网络作为IT2IF-RVFLNN的区间二型直觉模糊规则后件。进一步地，所述IT2IF-RVFLNN为七层结构，其中，第一层到第四层执行所述前件的运算，第五层到第七层执行所述后件的运算。进一步地，所述步骤2包括：步骤2.1：根据输入样本的概率分布采用量子聚类算法确定IT2IF-RVFLNN的结构；步骤2.2：采用群智能算法和最小二乘法相结合的混合学习方法调整IT2IF-RVFLNN的前件参数及后件参数。进一步地，所述步骤2.1包括：步骤2.1.1：输入样本的概率分布为：公式(12)中，σ表示高斯函数的半径；步骤2.1.2：采用如下公式估计参数σ的取值，即计算步骤2.1.3：根据梯度下降法计算聚类中心：ci(t+1)＝ci(t)+η(t)ΔV(ci(t))(14)步骤2.1.4：通过输入样本和聚类中心的相似度进行聚类，得到输入样本的聚类结果，得出的聚类结果的类别数目即为所述模糊规则的数目m；其中，所述输入样本为X＝{x1,…xi,…xN}，i＝1,2,…,N，N表示输入样本的数目，n表示输入样本的维数，表示高斯核估计参数，ci(t)表示当前聚类中心，η(t)表示动态学习率，ΔV(ci(t))表示当前聚类中心处的势能梯度。进一步地，所述步骤2.2包括：步骤2.2.1：产生候选初始种群：设置种群中的个体中所有元素的取值范围，种群中的个体i＝1,2,…,NP，s＝1,2,…,6nm+4，则有公式(15)中，rand(0,1)表示[0,1]中的均匀分布；对公式(15)得到的NP个个体采用离散混沌序列进行M次迭代得到MNP个个体，即Indi(t)＝ft(Indi)(16)公式(16)中，f是离散混沌序列，ft是离散混沌序列t次迭代后的映射，t＝1,2,…,M，经过M次混沌迭代后，得到MNP个迭代个体，所述MNP个迭代个体与初始NP个个体共同组成候选初始种群；步骤2.2.2：评估候选初始种群，得到初始种群：将候选初始种群中的个体作为IT2IF-RVFLNN的前件参数和该网络的输出参数；通过最小二乘法得到IT2IF-RVFLNN的后件的输出权值；通过IT2IF-RVFLNN的后件的输出权值得到候选初始种群的适应度评价函数；通过候选初始种群的适应度评价函数得出候选初始种群中所有个体的适应度值，按照轮盘赌算法从候选初始种群中选择NP个个体组成初始种群；步骤2.2.3：按照适应度从小到大的顺序排列初始种群中的个体，并将初始种群中的个体划分为不同位置的鼯鼠；步骤2.2.4：通过改进的鼯鼠搜索算法对初始种群中的个体进行迭代寻优：对鼯鼠搜索算法进行改进：利用鼯鼠搜索算法得出鼯鼠位置普通树更新，将得到的鼯鼠位置普通树更新作为初值，引入离散混沌序列，进行迭代计算，得到M次迭代后的鼯鼠位置普通树更新；计算各鼯鼠位置普通树更新的适应度值，根据所述适应度值的大小按照轮盘赌算法从中选取若干个体组成鼯鼠位置普通树更新种群；选出鼯鼠位置普通树更新种群中的最优个体，并将最优个体的位置作为IT2IF-RVFLNN的前件参数及该网络的输出参数；通过最优个体得出的IT2IF-RVFLNN的前件参数及该网络的输出参数，通过最小二乘法得到的后件的输出权值，随机产生的后件的输入权值、增强节点偏置，对IT2IF-RVFLNN的参数进行优化和调整；所述后件的输入权值、增强节点偏置是[-1,1]中服从均匀分布的随机数。与现有技术相比，本专利技术具有的有益效果：本专利技术提供一种新型区间二型直觉模糊随机向量函数连接神经网络，与传统区间二型直觉模糊神经网络相比，由于模糊规则后件采用逼近能力更强的随机向量函数连接神经网络，它对非线性函数的逼近能力更加强大。同时，采用基于β函数的隶属函数和非隶属函数作为模糊规则前件。因为β函数可以根据参数的变化逼近三角函数、梯形函数或高斯函数，相比于传统的隶属函数(最常见的是高斯函数)，变化更加灵活。通过在初始种群的生成过程中引入离散的混沌序列对群智能算法--鼯鼠搜索算法进行改进，可以有效减少随机生成方法的盲目性，增加初始种群中个体的代表性和广泛性，增强算法的全局搜索能力。附图说明图1为本专利技术实施例的区间二型直觉模糊随机向量函数连接神经网络设计方法的基本流程图。图2为本专利技术另一实施例的区间二型直觉模糊随机向量函数连接神经网络设计方法的基本流程图。图3为本专利技术实施例的区间二型直觉模糊随机向量函数连接神经网络设计方法的IT2IF-RVFLNN网络结构示意图。图4为本专利技术实施例的区间二型直觉模糊随机向量函数连接神经网本文档来自技高网...

【技术保护点】
1.一种区间二型直觉模糊随机向量函数连接神经网络设计方法，其特征在于，包括以下步骤：步骤1：构建区间二型直觉模糊随机向量函数连接神经网络IT2IF‑RVFLNN；步骤2：采用量子聚类算法、群智能算法和最小二乘法相结合的混合学习方法对IT2IF‑RVFLNN的结构和参数进行调整。

【技术特征摘要】
1.一种区间二型直觉模糊随机向量函数连接神经网络设计方法，其特征在于，包括以下步骤：步骤1：构建区间二型直觉模糊随机向量函数连接神经网络IT2IF-RVFLNN；步骤2：采用量子聚类算法、群智能算法和最小二乘法相结合的混合学习方法对IT2IF-RVFLNN的结构和参数进行调整。2.根据权利要求1所述的区间二型直觉模糊随机向量函数连接神经网络设计方法，其特征在于，所述步骤1包括：步骤1.1：采用基于β函数的隶属函数和非隶属函数作为IT2IF-RVFLNN的区间二型直觉模糊规则前件；步骤1.2：采用随机向量函数连接神经网络作为IT2IF-RVFLNN的区间二型直觉模糊规则后件。3.根据权利要求2所述的区间二型直觉模糊随机向量函数连接神经网络设计方法，其特征在于，所述IT2IF-RVFLNN为七层结构，其中，第一层到第四层执行所述前件的运算，第五层到第七层执行所述后件的运算。4.根据权利要求2所述的区间二型直觉模糊随机向量函数连接神经网络设计方法，其特征在于，所述步骤2包括：步骤2.1：根据输入样本的概率分布采用量子聚类算法确定IT2IF-RVFLNN的结构；步骤2.2：采用群智能算法和最小二乘法相结合的混合学习方法调整IT2IF-RVFLNN的前件参数及后件参数。5.根据权利要求4所述的区间二型直觉模糊随机向量函数连接神经网络设计方法，其特征在于，所述步骤2.1包括：步骤2.1.1：输入样本的概率分布为：公式(12)中，σ表示高斯函数的半径；步骤2.1.2：采用如下公式估计参数σ的取值，即计算步骤2.1.3：根据梯度下降法计算聚类中心：ci(t+1)＝ci(t)+η(t)ΔV(ci(t))(14)步骤2.1.4：通过输入样本和聚类中心的相似度进行聚类，得到输入样本的聚类结果，得出的聚类结果的类别数目即为所述模糊规则的数目m；其中，所述输入样本为X＝{x1,…xi,…xN}，i＝1,2,…,N，N表示输入样本的数目，n表示输入样本的维数，表示高斯核估计参数，ci(t)表示当前聚类中心，η(t)表示动态学习率，ΔV(ci(t))表示当前聚类中心处的势能梯度。6.根据...

【专利技术属性】
技术研发人员：赵亮，董维中，谢志峰，赵自广，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南,41