基于模糊模型的專家系統(tǒng)推理方法.pdf

1、人工智能的日益發(fā)展極大的促進了專家系統(tǒng)技術的發(fā)展，專家系統(tǒng)可以運用領域專家積累的經驗和專門知識，模擬人類專家的思維過程，求解需要專家才能解決的困難問題。由于實際問題中常存在著不確定性問題，傳統(tǒng)的專家系統(tǒng)難以建立較為準確的推理機制。本文著重研究了專家系統(tǒng)中的推理方法，在基于規(guī)則的推理機制的基礎上引入模糊集合論以及神經網絡方法，一型模糊集合本身存在描述模糊不確定性方面的缺陷，提出采用二型模糊集合論來彌補這一缺陷，另外由于神經網絡的自學習機制

2、以及強大的數據處理能力，將二型模糊集合論與神經網絡結合作為專家系統(tǒng)的推理機制，以提高系統(tǒng)的在線自學習能力。本文的主要研究工作包括以下幾個方面:
　　 1)針對實際系統(tǒng)中包含的不確定問題，提出了基于GA-FNN的專家系統(tǒng)推理方法。首先將模糊理論和神經網絡的知識結合起來建立FNN結構，然后將訓練獲得的網絡權值、閾值構建成專家系統(tǒng)知識庫，并采用遺傳GA算法優(yōu)化網絡權值、閾值，最后在建立的知識庫的基礎上，以輸入模糊值與輸出模糊值之間的神

3、經網絡結構作為專家系統(tǒng)的推理模型。該推理結構具備并行聯想功能，同時具備較高的準確度和很快的收斂速度。
　　 2)針對一型模糊集合在描述隸屬函數的不確定性時存在的缺陷，提出了基于二型模糊集合的推理模型。首先采用模糊C均值方法自動提取規(guī)則，推理采用基于Mamdani模型的方法，對于得到的模糊推理結果采用一型重心解模糊法進而得到精確輸出。仿真結果表明基于Type-2型模糊推理方法通過模糊化隸屬函數得到其對應的模糊區(qū)間表示，相比于Typ

4、e-1型模糊推理方法最終能夠得到更為準確的推理結果。
　　 3)針對動態(tài)時變系統(tǒng)，提出了基于Type-2型模糊神經網絡推理模型。該模型綜合了Type-2型模糊集合可以掌控和描述多重不確定性信息以及神經網絡的學習機制，實現了網絡結構和網絡參數的在線自學習。在仿真部分，采用了帶有噪聲的非線性函數以及乙烯氣相聚合過程數據分別進行仿真驗證。研究結果表明，基于Type-2型模糊神經網絡跟蹤推理性能比Type-1型模糊神經網絡的跟蹤推理性能