《1 引言》
1 引言
在复杂应用领域中, 如何从大量的观察和实验数据中, 特别是对于含有大量噪声的不准确、不完整且无先验知识的数据中, 获取知识、表达知识、推理决策一直是智能信息处理研究的重要任务。粗糙集理论、模糊逻辑和人工神经网络以它们独特的方法已成为这一领域研究的重要工具。由于他们的研究方法不同, 因而具有各自不同的特点
《2 基于粗糙集理论的模糊神经网络技术》
2 基于粗糙集理论的模糊神经网络技术
《2.1粗糙集理论的特点》
2.1粗糙集理论的特点
粗糙集 (rough sets) 理论
应用Z. Pawlak提出的决策系统 (decision system, DS) 对问题进行描述。设S = (U, A, {Va}, a) 为知识表达系统。 其中U为对象的非空有限集合, 称为论域。A为属性有限集合, Va为属性a∈A的值域。 a: U →Va为一单映射。在论域U中任取一元素, 取属性集合A中的属性a, 存在唯一值Va与其对应。如果A由条件属性集合C和结论属性集合D组成, 且满足C ∪D =A, C ∩D =ϕ, 则称S为决策系统。为使表示简单和描述问题方便, 假设结论属性集合D只包含一个元素, 那么决策系统可以简化表示为 (U, C ∪{d}) 。在决策系统S = (U, C ∪{d }) 中, B⊆C是条件属性集合C的一个子集, 则B在U上的不可分辨关系可以定义为:
不可分辨关系实际上是一个等价关系。通过一个不可分辨关系, 可以得到决策系统的一个划分。假设ind (B) 把U划分为 k 个等价类 (X1, X2, …, Xk) , 则记U/ ind (B) ={ X1, X2, …, Xk }, {Xi}表示U上的一个等价类的描述。对于, X⊆U, B⊆A定义B (X) 为X的B下近似,
定义posB (X) =B (X) 为X在B下的正域,
《2.2基于粗糙集理论的规则知识获取》
2.2基于粗糙集理论的规则知识获取
规则知识获取可以看作是一个知识表达、提取有用属性、简化属性表达和推理规则的一种过程。从前面的论证中, 可知一个决策系统S 经过不可分辨关系ind (B) 得到一个划分U / ind (B) = (X1, X2, …, Xk) 。对于其中的任何一个不可分辨类Xi, Xi→{d}在形式上表示一条或一组规则。因此规则知识的获取, 可以通过计算相对简约或简约的方法来获取。通过相对简约的计算可以获取比较精简的规则, 但计算量比较大。因此计算简约成为获取知识规则的有效途径。对于决策系统S = (U, A, {Va}, a) , 其中A = C ∪D。则对于任一Xi, Xi∈U, a ∈C, 若a (Xi) ≠a (Xj) , 则以所有属性a值的集合 (aij) 为元素的矩阵, 称为属性值的可辨识矩阵, 记作M (U, B) = (kij) n×n, 其中, n为论域U的个数, kij为:
在辨识矩阵的基础上, 可以定义分辨函数f (s) 。定义
在表2中, 以属性值为1的决策矩阵为例, 分辨函数可按下式计算:
Table 2 the decision matrix of attribute value 1
《表1》
1 | 3 | 6 | |
2 | (a, 4) (c, 1) (d, 6) | (b, 0) (c, 1) (d, 6) | (c, 1) (d, 6) |
4 | (b, 2) (d, 6) | (a, 3) (b, 2) (d, 6) | (a, 3) (b, 2) (d, 6) |
5 | (a, 4) (b, 2) | (b, 2) | (b, 2) |
7 | (a, 4) (b, 2) (c, 1) (d, 6) | (b, 2) (c, 1) (d, 6) | (b, 2) (c, 1) (d, 6) |
Table 3 the decision matrix of attribute value 0
《表2》
2 | 4 | 5 | 7 | |
1 | (a, 3) (c, 0) (d, 5) | (b, 0) (d, 5) | (a, 3) (b, 0) | (a, 3) (b, 0) (c, 0) (d, 5) |
3 | (b, 1) (c, 0) (d, 5) | (a, 4) (b, 1) (d, 5) | (b, 1) | (b, 1) (c, 0) (d, 5) |
6 | (c, 0) (d, 5) | (a, 4) (b, 0) (d, 5) | (b, 0) | (b, 0) (c, 0) (d, 5) |
[ (a, 4) ∨ (c, 1) ∨ (d, 6) ] ∧[ (b, 0) ∨ (c, 1) ∨ (d, 6) ] ∧[ (c, 1) ∨ (d, 6) ] ∧[ (b, 2) ∨ (d, 6) ]∧[ (a, 3) ∨ (b, 2) ∨ (d, 6) ] ∧ [ (a, 3) ∨ (b, 2) ∨ (d, 6) ] ∧[ (a, 4) ∨ (b, 2) ] ∧ (b, 2) ∧ (b, 2) ∧[ (a, 4) ∨ (b, 2) ∨ (c, 1) ∨ (d, 6) ] ∧[ (b, 2) ∨ (c, 1) ∨ (d, 6) ] ∧ [ (b, 2) ∨ (c, 1) ∨ (d, 6) ] = [ (c, 1) ∨ (d, 6) ] ∧ (b, 2) ∧[ (b, 2) ∨ (c, 1) ∨ (d, 6) ] = [ (c, 1) ∨ (d, 6) ] ∧ (b, 2) 。
这样, 类1最终的决策为:if c =1, d = 6 then e =1 else if b =2 then e =1
《2.3基于粗集理论的模糊神经网络[9,10,11,12,13]》
2.3基于粗集理论的模糊神经网络[9,10,11,12,13]
在Mamdani 模型中, 模糊系统的输出可由下式表示:
Wang和Mendel (1992) 曾给出模糊系统存在定理:给定任一连续函数f :Un→R和任意ε>0, 存在一函数g (x) 使得SUPx∈Un, |g (x) -f (x) |<ε。同样由BP定理可以知道:给定任意ε>0和任意L2函数f:[0, 1]n →Rm , 存在一个3层BP网络, 它可以在任意ε平方误差内逼近f。因此, 可以用一等价的神经网络来表示模糊系统。模糊系统存在定理, 虽然证明了g (x) 可以在任意ε范围内逼近f, 但并没有给出如何构造这样一个模糊系统的方法。另外模糊规则的数目和对应各输入量的隶属函数的数目也没法直接求出。因此, 将粗糙集理论、模糊系统和神经网络结合起来, 充分利用各自的优点。根据粗集理论来确定规则和精简规则, 利用这些规则来确定神经网络的结构模型。
根据以上论述, 可以设计如图1所示的模糊神经网络结构模型。
图1模糊神经网络模型为5层结构, 对应的是一个多输入多输出系统。
第1层为输入层, 输入变量X= (x1 , x2 , … , xm) T。
第2层表示规则的前件, 实现输入变量xi的模糊化, 可得到rj 个模糊集合。
其中 i =1, 2, ..., m, j = 1, 2, ..., ri 。
第3层的每一个节点表示一条规则, 这些规则是通过粗集理论的简约计算而得到的。和第2层节点之间的连接方式由经过简约计算得到的精简规则来确定。因此, 第2层和第3层节点之间连接并不是全连接。该层节点的作用函数为:
其中 μ
j1, j2, …, jc ∈ (1, 2, …, m) , i1∈ (1, 2, …, rj1) , i2∈ (1, 2, …, rj2) , …ic∈ (1, 2, …, rjc) ,
j = 1 , 2 , …, p 为规则的条数。
第4层代表该规则的后件。由于第3层节点表示精简后的规则, 因此第三层和第四层之间的连接也不为全连接, 其连接结构由具体规则确定, 第4层神经元的输入可表示为:
i = 1, 2, …, n, 为第4层的节点数, j= 1, 2, …, q为第3层节点数, j1, j2, …, jl为与节点相连的第3层节点号。wjk为连接权值, 表示该条规则的适用度。
第4层节点的输出为:
第5层为输出层:
定义误差函数为:
根据梯度下降算法可以得到
故
这种基于粗集理论的模糊神经网络模型和学习算法, 具有学习速度快, 容错能力强, 模型具有可解释性等特点。
《3 仿真实验研究》
3 仿真实验研究
基于粗糙集的模糊神经网络是信息处理的重要智能技术, 有着很好的应用前景。笔者以化纤工业抽丝冷却侧吹风非线性控制系统为例, 对此方法进行仿真实验研究。侧吹风空气热湿过程的控制结构框图见图2, Τ0 , H0分别为工艺要求的恒温和恒相对湿度的设定值。T′0为根据T0, H0值经焓湿图 (i ~ d) 变换后的送风露点温度设定值。图中T1为喷淋后的测量温度值, T为送风温度。从图2可以看出, 侧吹风系统是一个多输入、多输出的多变量控制系统, 是一类具有参数耦合, 时变特性, 且难以建立精确数学模型的复杂的非线性系统。采用传统的控制方法很难达到好的控制效果。笔者采用基于粗糙集理论的模糊神经网络结构模型设计方法和学习算法, 对FNNC进行了学习和训练。以FNNC2为例, 仿真的具体过程如下:
设e (t) ,
图3 a为FNNC2控制下的温度响应曲线, 图3 b为模糊控制得到的温度曲线, 图3 c为PID控制算法的温度响应曲线。
《图4》
Fig.3 Output response of simulated system with the different control strategies
《4 结论》
4 结论
将粗糙集理论和模糊神经网络技术相结合, 运用粗糙集理论的不可分辨关系和不可分辨类的概念和简约计算方法, 从大量原始数据中发现精简的、概略化的规则, 根据所得的规则来建立神经网络模型和确定各隐层节点之间的连接关系。从而使网络从一开始就具有良好的拓扑结构, 因而网络的规模大大减小。这种基于粗糙集理论的模糊神经网络模型和学习算法, 具有学习速度快, 容错能力强, 模型具有可解释性等特点。