模糊神经Petri网优化算法制造技术

本发明专利技术涉及一种模糊神经Petri网优化算法，其技术特点包括：针对模糊神经Petri网(fuzzy neural Petri net，FNPN)学习算法计算精度低、收敛性差及训练过程中网络震荡性较大的问题，提出一种优化的FNPN算法。本算法采用两种S型连续函数分别表示变迁使能及变迁点燃后的新标记值，并在传统参数修正公式的基础上考虑修正前的数值进而增加新型的动量项。本发明专利技术验证了优化后的参数修正算法可以保证FNPN网络的收敛性。本发明专利技术设计合理，提出的FNPN优化算法利用带有不同参数的S型函数不仅使得FNPN学习训练过程变迁t使能状态的判断更快捷、变迁点燃后传递给输出库所的新标记值结果更精确；而且在训练过程中为了改善网络的收敛特性，在增大学习率的同时不至于产生震荡，在传统的参数修正公式中引入动量项对网络中的权值、阈值及置信度进行修改，经过证明此调整算法是收敛的。算法是收敛的。

【技术实现步骤摘要】
模糊神经Petri网优化算法


[0001]本专利技术属于模糊Petri网
，涉及模糊Petri网算法优化，尤其是一种模糊神经Petri网优化算法。

技术介绍

[0002]模糊神经Petri网将Petri网与模糊理论相结合，并引入神经网络算法而提出的。
[0003]目前，已有针对FNPN的相关研究，文献提出了一种基于BP算法的无回路模糊Petri网(fuzzy Petri Net，FPN)模型的自学习推理算法，使得网络具有很好的泛化和自适应能力，但是网络震荡趋势较大；采用基于专家经验的系统结构，文献提出了一种适合于可靠性估计的既可以表示模糊产生式规则的知识库系统又具有学习能力的FNPN模型，但是并没有考虑到网络震荡性的问题；文献提出一种自适应FPN，通过对变迁点燃条件的判断及变迁点燃后传递给输出库所的新标记，建立S型连续函数并引入BP算法，实现了对知识的动态推理及学习，但是没有在专家系统方面进行预测。此外，
[0004]除此之外，FNPN在故障诊断方面的研究也存在收敛慢或震荡较大等问题。
专利技术内容
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模糊神经Petri网优化算法，其特征在于包括以下步骤：步骤1、针对FNPN模型中变迁的使能条件及FNPN的样本数据学习训练中的特点采用两种S型连续函数分别表示变迁使能及变迁点燃后的新标记值；步骤2、增加新型动量项，在传统的权值、置信度及阈值修正公式中增加一个新型动量项；步骤3、对系统设置初始值，将所有输入权值、变迁置信度以及节点阈值的初始值设置为较小的随机数，令输入命题和中间命题的总个数为m，变迁的总个数为n，样本总数为N，i和j分别为1；步骤4、自动生成目标函数f并规定误差限ε，输入随机样本数据以及期望输出、函数F1(x)和F2(x)的各常数值，根据F1(x)判断出的结果对使能的变迁t利用F2(x)计算出实际输出，得到初始误差f0，若f0＜ε，则结束；否则就直接进入下一步；步骤5、对权值进行调整，并且判断是否每一个权值都大于等于零，若有权值小于零，则改变动量因子α的值，重新调整原来的权值，其中，η为学习率，α为动量因子；依据调整后的权值，重新计算得到的误差值，直到误差值f
i
＜f
i-1
...

【专利技术属性】
技术研发人员：李孝忠，周艳军，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：