一种基于粒子群优化算法的模糊分类方法及装置制造方法及图纸

本申请实施例提供一种基于粒子群优化算法的模糊分类方法及装置，包括：创建基本模糊分类模型；输入动态改进惯性权重的粒子群优化算法；利用粒子群优化算法优化模糊分类模型的规则库和隶属函数库；利用测试数据检测优化的规则库和优化的隶属函数库。本发明专利技术通过利用优化的粒子群算法对模糊分类模型的规则库和隶属函数库进行优化，提高了种群的收敛速度和精度，特别是收敛速度大幅提高，进而大幅度提高了分类的准确性。

A Fuzzy Classification Method and Device Based on Particle Swarm Optimization

The embodiment of this application provides a fuzzy classification method and device based on particle swarm optimization algorithm, including: creating basic fuzzy classification model; inputting dynamic improved inertia weight of particle swarm optimization algorithm; using particle swarm optimization algorithm to optimize rule base and membership function base of fuzzy classification model; using test data to detect optimized rule base and optimized membership function base. The method optimizes the rule base and the membership function base of the fuzzy classification model by using the optimized particle swarm optimization algorithm, improves the convergence speed and accuracy of the population, especially the convergence speed is greatly improved, thereby greatly improving the accuracy of classification.

【技术实现步骤摘要】
一种基于粒子群优化算法的模糊分类方法及装置
本专利技术智能算法
，具体涉及一种基于粒子群优化算法的模糊分类方法及装置。
技术介绍
随着人类科学技术的发展，对分类的要求越来越高，以至于有时仅凭经验和专业知识难以进行确切的分类，于是人们逐渐把模糊逻辑引用到分类学中。1965年美国数学家L.Zadeh首先提出了模糊逻辑的概念，标志着模糊数学的诞生。粒子群算法(PSO)是一种计算进化技术，由Eberhart博士和Kennedy博士于1995年提出。粒子群优化算法的基本思想是通过群体中个体之间额协作和信息共享来寻找最优解，粒子群算法的优势在于简单、容易实现，并且没有过多参数的调节，目前已被广泛的应用到神经网络训练、参数优化、系统建模等领域。但是，基本的粒子群算法也有自己的缺陷，在对群体粒子进行最优求解时，对于优化后期该算法的收敛速度会变得很慢，对于多峰函数更容易收敛到局部极值。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于粒子群优化算法的模糊分类方法及装置，以解决上述技术问题。第一方面，本申请实施例提供一种基于粒子群优化算法的模糊分类方法，包括：创建基本模糊分类模型；输入动态改进本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化算法的模糊分类方法，其特征在于，所述方法包括：创建基本模糊分类模型；输入动态改进惯性权重的粒子群优化算法；利用粒子群优化算法优化模糊分类模型的规则库和隶属函数库；利用测试数据检测优化的规则库和优化的隶属函数库。

【技术特征摘要】
1.一种基于粒子群优化算法的模糊分类方法，其特征在于，所述方法包括：创建基本模糊分类模型；输入动态改进惯性权重的粒子群优化算法；利用粒子群优化算法优化模糊分类模型的规则库和隶属函数库；利用测试数据检测优化的规则库和优化的隶属函数库。2.根据权利要求1所述的方法，其特征在于，所述创建基本模糊分类模型包括：将给定数据集分为训练集和测试集；获取训练集待分类数据的特征信息；根据所述特征信息设置模糊分类模型的输入个数、输入范围和输出数据；根据所述输入个数、输入范围和输出数据生成基本的模糊分类模型。3.根据权利要求1所述的方法，其特征在于，所述粒子群优化算法的粒子群迭代公式包括：xi(t+1)＝wxi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t))；其中，xi(t)是粒子i在t次迭代中的位置，vi(t)是粒子i在第t次迭代中的速度；w为惯性权重；c1、c2是学习因子；r1、r2为服从均匀分布[0,1]之间的随机数；pi(t)是目前第i个粒子搜索到的个体最优值，pg是到目前为止所有粒子搜索到的全局最优值；λ表示权重因子，λ取值0.01时效果较好；N表示粒子数，pi(t)为粒子i在当前迭代次数为止个体最优，pg为当前迭代次数为止全局最优。4.根据权利要求3所述的方法，其特征在于，所述粒子群优化算法的学习因子包括：c1＝2.5-rand*t/T；c2＝1.5+rand*t/T；其中,t为当前迭代次数，T为总的迭代次数,rand为[0,1]范围内的随机数。5.根据权利要求1所述的方法，其特征在于，利用粒子群优化算法优化模糊分类模型的规则库包括：随机初始化粒子的位置，并将粒子位置的最优值设为其初始位置，将种群的最优位置设为初始粒子的最优位置；根据粒子群优化算法对粒子的位置和速度进行更新；获取更新后粒子的适应度值，并根据所述适应度值对个体最优和群体最优进行更新；判断相邻两代之间的偏差是否在预先设定的指定范围内：是，则终止迭代优化并输出最优值；否，则循环根据优化粒子群算法对粒子的位置和速度进行更新。6.根据权利要求1所述的方法，其特征在于，利用优化粒子群算法优化模糊分类模型的隶属函数库包括：随机初始化粒子的位置，并将粒子位置的最优值设为其初始位置，将种群的最优位置设为初始粒子的最优位置；根据粒子群优化算法对粒子的位置和速度进行更...

【专利技术属性】
技术研发人员：李玲侠，李婷婷，李佳颖，刘颖，
申请(专利权)人：浪潮电子信息产业股份有限公司，
类型：发明
国别省市：山东,37