CN113392958B - 一种模糊神经网络fnn的参数优化及应用方法与系统 - Google Patents

一种模糊神经网络fnn的参数优化及应用方法与系统 Download PDF

Info

Publication number
CN113392958B
CN113392958B CN202110613013.6A CN202110613013A CN113392958B CN 113392958 B CN113392958 B CN 113392958B CN 202110613013 A CN202110613013 A CN 202110613013A CN 113392958 B CN113392958 B CN 113392958B
Authority
CN
China
Prior art keywords
neural network
fuzzy neural
fnn
probability
population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110613013.6A
Other languages
English (en)
Other versions
CN113392958A (zh
Inventor
唐求
吴娟
滕召胜
吴双双
龚冬成
刘涛
余舟
黄潇
杨莹莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202110613013.6A priority Critical patent/CN113392958B/zh
Publication of CN113392958A publication Critical patent/CN113392958A/zh
Application granted granted Critical
Publication of CN113392958B publication Critical patent/CN113392958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种模糊神经网络FNN的参数优化及应用方法与系统，本发明的模糊神经网络FNN的参数优化方法包括采用自适应交叉概率和变异概率对遗传算法进行改进优化模糊神经网络FNN的参数；应用方法包括建立基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA‑IGAFNN并用于NQI综合服务质量以及水质评价。本发明针对标准遗传算法存在收敛速度慢，容易陷入局部最优解等缺点，采用自适应的交叉概率和变异概率对遗传算法进行改进，通过改进后的遗传算法优化模糊神经网络FNN的参数，从而能够有效提升优化模糊神经网络FNN的参数的收敛速度，减少模糊神经网络FNN的优化计算开销，提高模糊神经网络FNN的优化效率。

Description

一种模糊神经网络FNN的参数优化及应用方法与系统
技术领域
本发明涉及机器学习技术，具体涉及一种模糊神经网络FNN的参数优化及应用方法与系统。
背景技术
模糊神经网络FNN（Fuzzy Neural Network）结合了神经网络算法和模糊数学理论知识与优点，集学习、联想、识别、信息处理于一体，具有强大的结构性知识表达能力与学习能力。遗传算法通过模拟自然界生物进化论中优胜劣汰的过程来实现最优解搜索的优化算法，标准遗传算法对模糊神经网络FNN的参数学习时，交叉概率和变异概率始终保持初始值不变，而交叉概率影响着整个算法的全局搜索能力，变异概率影响着算法的收敛速度，若采用标准遗传算法对模糊神经网络FNN进行参数学习，容易导致模糊神经网络FNN存在收敛速度慢，陷入局部最优解等缺点。
NQI综合服务信息平台（简称“NQI平台”）通过整合优质的服务资源，为中小型企业提供计量服务、标准服务、检验检测服务与合格评定等一站式的公共服务。为更好的管理平台的实际服务水平并提升平台资源的服务质量，使平台发挥最大能效，对NQI平台的服务质量进行正确、合理评价显得尤为重要。NQI平台服务质量评价是一个科学的研究过程，评价的关键是建立科学的评价模型。早期的评价模型中，各指标的权重系数以及隶属度函数都是通过人为确定的，导致评价结果的准确性很大程度上取决于评价者的专业水平，科学性不够充分。由于影响NQI平台服务质量的指标众多，并且全部指标都通过数值方式表示，在进行评价时涉及到大量的数据，单凭个人直观地找出数据中的内部联系，即便具有丰富的经验也很难做到。因此，须结合智能评价方法，对NQI平台服务质量进行多因素的综合评价。传统的服务质量评价方法主要有层次分析法、模糊综合评价法和智能评价模型。这些评价模型中，在数据量较大时，难以计算，效率低，成本高；而且指标的数量级别以及各指标的权重系数都是通过人为地确定，决策者的专业水平对评价结果的准确率产生较大影响，导致评价的有效性和科学性不够。尽管智能综合评价模型得到了广泛应用，它的缺陷逐渐显露，在评价过程中模型容易陷入局部最优解而且模型运行速度也慢。由于评价NQI服务质量指标众多，并且全部指标都通过数值方式表示，在对NQI服务质量的大量评价数据进行决策时，单凭个人直观，即便是经验非常丰富的专家也很难找出数据中的内部特征。总而言之，现有的综合评价模型花的时间成本高，消耗大量的时间来计算评价结果，且评价结果带有很强的主观性。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种模糊神经网络FNN的参数优化及应用方法与系统，本发明针对标准遗传算法存在收敛速度慢，容易陷入局部最优解等缺点，采用自适应的交叉概率和变异概率对遗传算法进行改进，通过改进后的遗传算法优化模糊神经网络FNN的参数，从而能够有效提升优化模糊神经网络FNN的参数的收敛速度，减少模糊神经网络FNN的优化计算开销，提高模糊神经网络FNN的优化效率。而且，本发明模糊神经网络FNN的参数优化方法应用于NQI综合服务质量评价时，解决了NQI综合服务质量评价过程中的干扰问题，消除了传统综合评价方法中人为因素的主观性影响，使得NQI综合服务质量评价结果更客观更科学，具有更好的适应能力且更易实现，评价结果优于模糊神经网络以及基本遗传算法优化的模糊神经网络的评价准确度。
为了解决上述技术问题，本发明采用的技术方案为：
一种模糊神经网络FNN的参数优化方法，包括：
S1）初始化改进遗传算法IGA的网络参数，包括种群D、最大遗传代数K、迭代次数k、种群执行完的个体m、交叉概率P c 以及变异概率P m ；
S2）初始化模糊神经网络FNN的网络参数并编码，计算种群D中个体的适应度值f；
S3）将迭代次数k加1；
S4）调整模糊神经网络FNN的网络参数；
S5）根据群体D中各个体的适应度值f选择优秀个体生成新的父代种群，若生成新的父代种群成功，则跳转执行下一步，否则跳转执行步骤S4）；
S6）针对新的父代种群中选出的个体基于交叉概率P c 进行交叉操作产生新的个体；
S7）基于变异概率P m 执行变异操作产生的新变异个体，将产生的新变异个体加入群体D得到新的群体D，将新的群体D更新各个体的适应度值f并按照升序排序；
S8）判断迭代次数k等于最大遗传代数K是否成立，若不成立，则将种群执行完的个体m加2，跳转执行步骤S3）；若成立，则群体D中适应度值f最优的个体作为最终优化得到的模糊神经网络FNN的网络参数。
可选地，步骤S2）中计算种群D中各个体的适应度值f时的函数表达式为f=1/E，其中E为模糊神经网络FNN的误差代价函数。
可选地，所述模糊神经网络FNN的误差代价函数的函数表达式为：
Figure 651364DEST_PATH_IMAGE001
上式中，n为样本数量，y ei 为模糊神经网络FNN的期望值，y i 为模糊神经网络FNN的实际输出值。
可选地，所述模糊神经网络FNN包括依次相连输入层、模糊化层、模糊推理层、归一化层以及输出层，所述模糊神经网络FNN的网络参数是指模糊神经网络FNN的模糊化层中任意第i个评价指标对应第j个模糊分割域的隶属度函数的中心值c ij 和宽度σ ij ，且步骤S4）调整模糊神经网络FNN的网络参数的函数表达式为：
Figure 320243DEST_PATH_IMAGE002
Figure 500557DEST_PATH_IMAGE003
上式中，c ij (k+1)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的中心值c ij 在第k+1次迭代的值，c ij (k)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的中心值c ij 在第k次迭代的值，σ ij (k+1)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的宽度σ ij 在第k+1次迭代的值，σ ij (k)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的宽度σ ij 在第k次迭代的值，β表示学习率，E为误差代价函数，i表示评价指标，取值范围1～p，p为降维得到的特征值数量；j表示模糊分割数，取值范围1～l，l表示第i个输入变量x i 的模糊分割数量。
可选地，步骤S6）中基于交叉概率P c 进行交叉操作产生新的个体时，产生新的个体的概率
Figure 254886DEST_PATH_IMAGE004
为：
Figure 929581DEST_PATH_IMAGE005
上式中，k为迭代次数，K为最大遗传代数，P c 为交叉概率。
可选地，步骤S7）中基于变异概率P m 执行变异操作产生的新变异个体时，产生的新变异个体的概率
Figure 452967DEST_PATH_IMAGE006
为：
Figure 882811DEST_PATH_IMAGE007
上式中，k为迭代次数，K为最大遗传代数，P m 为变异概率。
此外，本发明还提供一种模糊神经网络FNN的应用方法，包括：
步骤一，初始化建立端到端的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN包括级联连接的主成分分析模型PCA和模糊神经网络FNN，且模糊神经网络FNN预先采用了所述的模糊神经网络FNN的参数优化方法优化了网络参数；
步骤二，将NQI综合服务质量的多种评价指标输入基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述多种评价指标包括计量发展水平和服务能力、标准发展水平和服务能力、合格评定发展水平和服务能力、便利性、专业规范性五种准则，每一种准则下包括一种或多种评价指标；所述计量发展水平和服务能力包括量值溯源、计量标准的资源量、仪器设备的多样性和响应计量服务时间共四种评价指标，所述标准发展水平和服务能力包括标准文本的丰富性、标准文本的规范性、标准文本的可获性和标准文本的有用性共四种评价指标，所述合格评定发展水平和服务能力包括检测仪器设备的准确性、检验检测技术、检验检测项目数量、检测结果的可理解性和认证认可技术共五种评价指标，所述便利性包括资源的实时性、设备支持、交互渠道和网络环境共四种评价指标，所述专业规范性包括专业技能、个性服务、安全性能以及交互界面共四种评价指标；所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN首先通过主成分分析模型PCA主成分分析模型PCA将NQI综合服务质量的多种评价指标进行降维得到p个特征值，然后利用模糊神经网络FNN根据输入的p个特征值得到对应的NQI综合服务质量评价结果。
此外，本发明还提供一种模糊神经网络FNN的应用方法，包括：
步骤一，初始化建立端到端的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN包括级联连接的主成分分析模型PCA和模糊神经网络FNN，且模糊神经网络FNN预先采用所述的模糊神经网络FNN的参数优化方法优化了网络参数；
步骤二，将富营养水质的多种评价指标输入完成训练后的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述多种评价指标包括水质的PH、溶解氧、浊度、氨氮真实值；所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN首先通过主成分分析模型PCA主成分分析模型PCA将NQI综合服务质量的多种评价指标进行降维得到p个特征值，然后利用模糊神经网络FNN根据输入的p个特征值得到对应的NQI综合服务质量评价结果。
此外，本发明还提供一种模糊神经网络FNN的应用系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述模糊神经网络FNN的参数优化方法的步骤，或该微处理器被编程或配置以执行所述模糊神经网络FNN的应用方法的步骤。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述模糊神经网络FNN的参数优化方法的计算机程序，或被编程或配置以执行所述模糊神经网络FNN的应用方法的计算机程序。
和现有技术相比，本发明具有下述优点：本发明针对标准遗传算法存在收敛速度慢，容易陷入局部最优解等缺点，采用自适应的交叉概率和变异概率对遗传算法进行改进，通过改进后的遗传算法优化模糊神经网络FNN的参数，从而能够有效提升优化模糊神经网络FNN的参数的收敛速度，减少模糊神经网络FNN的优化计算开销，提高模糊神经网络FNN的优化效率。
附图说明
图1为本发明实施例中采用改进遗传算法IGA优化网络参数的详细流程图。
图2为本发明实施例中模糊神经网络FNN的完整训练流程图。
图3为本发明实施例方法应用于NQI综合服务质量的基本流程示意图。
图4为本发明实施例方法应用于NQI综合服务质量时采用的评价指标体系示意图。
图5为本发明实施例方法和现有方法的测试样本误差对比曲线示意图。
具体实施方式
如图1和图2所示，本实施例的模糊神经网络FNN的参数优化方法包括：
S1）初始化改进遗传算法IGA的网络参数，包括种群D、最大遗传代数K、迭代次数k、种群执行完的个体m、交叉概率P c 以及变异概率P m ；
S2）初始化模糊神经网络FNN的网络参数并编码，计算种群D中个体的适应度值f；
S3）将迭代次数k加1；
S4）调整模糊神经网络FNN的网络参数；
S5）根据群体D中各个体的适应度值f选择优秀个体生成新的父代种群，若生成新的父代种群成功，则跳转执行下一步，否则跳转执行步骤S4）；
S6）针对新的父代种群中选出的个体基于交叉概率P c 进行交叉操作产生新的个体；
S7）基于变异概率P m 执行变异操作产生的新变异个体，将产生的新变异个体加入群体D得到新的群体D，将新的群体D更新各个体的适应度值f并按照升序排序；
S8）判断迭代次数k等于最大遗传代数K是否成立，若不成立，则将种群执行完的个体m加2，跳转执行步骤S3）；若成立，则群体D中适应度值f最优的个体作为最终优化得到的模糊神经网络FNN的网络参数。
本实施例中，步骤S2）中计算种群D中各个体的适应度值f时的函数表达式为f=1/E，其中E为模糊神经网络FNN的误差代价函数。
本实施例中，所述模糊神经网络FNN的误差代价函数的函数表达式为：
Figure 311387DEST_PATH_IMAGE001
上式中，n为样本数量，y ei 为模糊神经网络FNN的期望值，y i 为模糊神经网络FNN的实际输出值。
本实施例中，所述模糊神经网络FNN包括依次相连输入层、模糊化层、模糊推理层、归一化层以及输出层，所述模糊神经网络FNN的网络参数是指模糊神经网络FNN的模糊化层中任意第i个评价指标对应第j个模糊分割域的隶属度函数的中心值c ij 和宽度σ ij ，且步骤S4）调整模糊神经网络FNN的网络参数的函数表达式为：
Figure 586511DEST_PATH_IMAGE002
Figure 370927DEST_PATH_IMAGE003
上式中，c ij (k+1)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的中心值c ij 在第k+1次迭代的值，c ij (k)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的中心值c ij 在第k次迭代的值，σ ij (k+1)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的宽度σ ij 在第k+1次迭代的值，σ ij (k)表示模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的宽度σ ij 在第k次迭代的值，β表示学习率，E为误差代价函数，i表示评价指标，取值范围1～p，p为降维得到的特征值数量；j表示模糊分割数，取值范围1～l，l表示第i个输入变量x i 的模糊分割数量。
本实施例中，步骤S6）中基于交叉概率P c 进行交叉操作产生新的个体时，产生新的个体的概率
Figure 706093DEST_PATH_IMAGE008
为：
Figure 435015DEST_PATH_IMAGE005
上式中，k为迭代次数，K为最大遗传代数，P c 为交叉概率。
本实施例中，步骤S7）中基于变异概率P m 执行变异操作产生的新变异个体时，产生的新变异个体的概率
Figure 513829DEST_PATH_IMAGE006
为：
Figure 201687DEST_PATH_IMAGE009
上式中，k为迭代次数，K为最大遗传代数，P m 为变异概率。
本实施例中，模糊神经网络FNN包括依次相连输入层、模糊化层、模糊推理层、归一化层以及输出层，所述采用改进遗传算法IGA优化网络参数是指采用改进遗传算法IGA优化模糊化层中隶属度函数的中心值和宽度，使得采用改进遗传算法IGA优化网络参数后的模糊神经网络FNN结构上像神经网络，功能上是模糊系统，将定性的知识表达和定量的数值运算很好的结合了起来，不仅具有很好的数值逼近性和稳定性，而且能很好地处理评价结果的模糊性、主观性影响，使得传统模糊系统中的主观性信息在很大程度上得以降低，从而使得评价结果更贴近实际。模糊神经网络FNN的各层结构中：
第1层为输入层，作用是将输入变量X=[x 1,x 2,…,x p ]T传送到下一层，该层节点数与主成分分析法降维后的指标个数相等。
第2层为模糊化层，也称为隶属度函数层，该层每个节点代表一个评价值变量，如：“满意”“非常满意”等，作用是计算每个输入变量隶属于各评价值的隶属度函数：
Figure 973334DEST_PATH_IMAGE010
上式中，u i j 表示第i个评价指标对应第j个模糊分割域的隶属度，x i 表示第i个输入变量，c ij 表示第i个评价指标对应第j个模糊分割域的隶属度函数的中心值，σ ij 表示第i个评价指标对应第j个模糊分割域的隶属度函数的宽度，i表示评价指标，取值范围1～p，p为降维得到的特征值数量；j表示模糊分割数，取值范围1～l，l表示第i个输入变量x i 的模糊分割数量。
第3层为模糊推理层，该层每个节点代表一条模糊规则，用来计算出任意第j条模糊规则的适应度α j ，匹配规则的函数表达式如下：
Figure 923973DEST_PATH_IMAGE011
上式中，
Figure 9740DEST_PATH_IMAGE012
～
Figure 362224DEST_PATH_IMAGE013
分别表示第1到p个评价指标的隶属度函数，其中i 1∈{1,2,…,l 1},i 2∈{1,2,…, l 2},…, i p∈{1,2,…, l p }，l 1表示输入变量x 1的模糊分割数，l 2表示输入变量x 2的模糊分割数，l p 表示输入变量x p 的模糊分割数，j表示模糊分割数，取值范围1～l，l表示第i个输入变量x i 的模糊分割数量。
第4层为归一化层，模糊推理层第j条模糊规则的归一化结果的函数表达式如下：
Figure 304772DEST_PATH_IMAGE014
上式中，α j 表示模糊推理层第j条模糊规则的适应度，m表示评价指标的个数，j表示模糊分割数，取值范围1～l，l表示第i个输入变量x i 的模糊分割数量。
第5层为输出层，用于实现反模糊化处理、进行清晰化计算，函数表达式如下：
Figure 742707DEST_PATH_IMAGE015
上式中，y i 表示输出层的输出（模糊神经网络FNN的输出），w ij 表示第i个评价指标对应第j个模糊分割域的权重。
模糊神经网络FNN需要优化的参数主要来自模糊化层第i个评价指标对应第j个模糊分割域的隶属度函数的中心值c ij 和宽度σ ij ，i表示评价指标，取值范围1～p，p为降维得到的特征值数量；j表示模糊分割数，取值范围1～l，l表示第i个输入变量x i 的模糊分割数量。模糊神经网络FNN的学习算法可基于梯度算法而提出，设取误差代价函数为：
Figure 163324DEST_PATH_IMAGE016
上式中，n为样本数量，y ei 为模糊神经网络FNN的期望值，y i 为模糊神经网络FNN的实际输出值。
本实施例针对标准遗传算法存在收敛速度慢，容易陷入局部最优解等缺点，采用自适应交叉概率和变异概率对遗传算法进行改进，通过改进遗传算法IGA优化模糊神经网络，从而建立综合服务质量评价模型。
此外，本实施例中还提供一种模糊神经网络FNN的应用方法，包括：
步骤一，初始化建立端到端的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN包括级联连接的主成分分析模型PCA和模糊神经网络FNN，且模糊神经网络FNN预先采用前述的模糊神经网络FNN的参数优化方法优化了网络参数；
步骤二，将NQI综合服务质量的多种评价指标输入基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述多种评价指标包括计量发展水平和服务能力、标准发展水平和服务能力、合格评定发展水平和服务能力、便利性、专业规范性五种准则，每一种准则下包括一种或多种评价指标；所述计量发展水平和服务能力包括量值溯源、计量标准的资源量、仪器设备的多样性和响应计量服务时间共四种评价指标，所述标准发展水平和服务能力包括标准文本的丰富性、标准文本的规范性、标准文本的可获性和标准文本的有用性共四种评价指标，所述合格评定发展水平和服务能力包括检测仪器设备的准确性、检验检测技术、检验检测项目数量、检测结果的可理解性和认证认可技术共五种评价指标，所述便利性包括资源的实时性、设备支持、交互渠道和网络环境共四种评价指标，所述专业规范性包括专业技能、个性服务、安全性能以及交互界面共四种评价指标；所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN首先通过主成分分析模型PCA主成分分析模型PCA将NQI综合服务质量的多种评价指标进行降维得到p个特征值，然后利用模糊神经网络FNN根据输入的p个特征值得到对应的NQI综合服务质量评价结果。
如图3所示，本实施例中NQI综合服务质量的智能评价的步骤包括：将NQI综合服务信息平台服务质量评价的多种评价指标进行降维得到p个特征值；将p个特征值输入采用改进遗传算法IGA（Improved Genetic Algorithm）优化网络参数后的模糊神经网络FNN，得到对应的NQI综合服务信息平台服务质量评价结果。其中，将NQI综合服务信息平台服务质量评价的多种评价指标进行降维得到p个特征值的目的在于提高采用改进遗传算法IGA优化网络参数后的模糊神经网络FNN的模型评价效率。本实施例中，进行降维得到p个特征值采用的方法为主成分分析法，且进行降维的步骤包括：
1）计算每一种评价指标与最终评价值的相关系数r mm ，根据相关系数r mm 建立多种评价指标的相关系数矩阵R mm ；将各种评价指标的数值进行标准化处理；
2）将相关系数矩阵R mm 中的相关系数r mm 、标准化处理后的各种评价指标的数值进行对应列向量指标因子相乘，得到新矩阵P nm ；
3）求取新矩阵P nm 的特征值λ 1～λ m 以及特征向量μ 1～μ m ，并将特征值λ 1～λ m 按从大到小的顺序排列；
4）针对新矩阵P nm 的特征值λ 1～λ m 计算每一种特征值的累积方差贡献率C p ；
5）选取累积方差贡献率C p 大于等于预设阈值的p个特征值作为降维后的结果输出。
本实施例在设计好评价指标后通过设计调查问卷来获得各指标的量化数据，采用PCA主成分分析法对指标数据进行预处理，去除冗余指标，同时达到降维的目的，然后将累积方差贡献率大于等于预设阈值的主成分作为采用改进遗传算法IGA优化网络参数后的模糊神经网络FNN的输入，有效提高采用改进遗传算法IGA优化网络参数后的模糊神经网络FNN的模型评价效率。优选地，本实施例中预设阈值为90%，即选取累积方差贡献率C p 大于等于90%的p个特征值作为降维后的结果输出。
需要说明的是，相关系数可以有多种实现方式，本实施例步骤1）中的相关系数r mm 是指Spearman相关系数，且Spearman相关系数的计算函数表达式为：
Figure 822844DEST_PATH_IMAGE017
上式中，d i 表示两评价指标之间的差值，m表示评价指标的个数，r mm 表示第m个指标变量与最终评价值间的相关系数；步骤1）中的根据相关系数r mm 建立的多种评价指标的相关系数矩阵R mm 的函数表达式为：
Figure 139556DEST_PATH_IMAGE018
上式中，r 11～r mm 分别表示第1～m个指标变量与最终评价值间的相关系数。
为消除变量之间在量纲上的不同，本实施例步骤1）中对原始评价指标数据进行标准化操作。设x ij 表示第i（i=1,2,…,n）个样本的第j(j=1,2,…,m)个指标评价的值，则x ij 的标准化操作后得到的标准化值为：
Figure 330366DEST_PATH_IMAGE019
,
本实施例中，步骤4）中累积方差贡献率C p 的计算函数表达式为：
Figure 757936DEST_PATH_IMAGE020
上式中，p为降维得到的特征值数量，λ i 表示新矩阵P nm 的第i个特征，m表示评价指标的个数。
本实施例中，NQI综合服务信息平台服务质量评价的多种指标包括计量发展水平和服务能力、标准发展水平和服务能力、合格评定发展水平和服务能力、便利性、专业规范性五种准则，每一种准则下包括多种评价指标。如图4所示，本实施例中一共包括21种评价指标，其中计量发展水平和服务能力包括量值溯源、计量标准的资源量、仪器设备的多样性和响应计量服务时间共四种评价指标，所述标准发展水平和服务能力包括标准文本的丰富性、标准文本的规范性、标准文本的可获性和标准文本的有用性共四种评价指标，所述合格评定发展水平和服务能力包括检测仪器设备的准确性、检验检测技术、检验检测项目数量、检测结果的可理解性和认证认可技术共五种评价指标，所述便利性包括资源的实时性、设备支持、交互渠道和网络环境共四种评价指标，所述专业规范性包括专业技能、个性服务、安全性能以及交互界面共四种评价指标。
为了对本实施例NQI综合服务质量的智能评价方法进行验证，将本实施例方法（PCA- IGAFNN）和模糊神经网络（FNN）、基于遗传算法改进的模糊神经网络（GA-FNN）的评价误差如图5所示。参见图5可知，本实施例方法（PCA- IGAFNN）的评价误差相比模糊神经网络（FNN）、基于遗传算法改进的模糊神经网络（GA-FNN）而言，评价误差更加准确。综上所述，本实施例在设计好评价指标后通过设计调查问卷来获得各指标的量化数据，采用PCA主成分分析法对指标数据进行预处理，去除冗余指标，同时达到降维的目的，然后将累积方差贡献率大于等于90%的主成分作为模糊神经网络的输入，有效提高了模型的评价效率。本实施例针对标准遗传算法存在收敛速度慢，容易陷入局部最优解等缺点，采用自适应交叉概率和变异概率对遗传算法进行改进，通过改进后的遗传算法优化模糊神经网络，从而建立服务质量评价模型。本实施例的评价方法的模糊神经网络FNN结构上像神经网络，功能上是模糊系统，将定性的知识表达和定量的数值运算很好的结合了起来，不仅具有很好的数值逼近性和稳定性，而且能很好地处理评价结果的模糊性、主观性影响，使得传统模糊系统中的主观性信息在很大程度上得以降低，从而使得评价结果更贴近实际。本实施例NQI综合服务质量的智能评价方法在标准遗传算法给定的交叉概率和变异概率初始值的基础上，通过公式对其进行自适应改变，使得本发明提出的改进遗传算法在收敛速度和寻优精度方面得到较好效果。而且，本实施例NQI综合服务质量的智能评价方法采用主成分分析法对模糊神经网络的输入变量做降维处理，有效提高网络的评价效率。本实施例NQI综合服务质量的智能评价方法不仅可以用于NQI服务质量评价，在不脱离本发明原理的情况下，本领域的技术人员做出的等效置换和改进，将其应用于其他应用领域的状态评价。本实施例的模糊神经网络FNN的应用方法用于NQI服务质量评价时，具有下述优点：（1）、本实施例解决了NQI综合服务质量评价过程中的干扰问题，消除了传统综合评价方法中人为因素的主观性影响，使得NQI综合服务质量评价结果更客观更科学。（2）、本实施例具有更好的适应能力且更易实现。模糊神经网络通过引入模糊集合概念，结合专家知识，可以降低对训练数据集的要求，使计算机实现更加容易。模糊神经网络采用的五层前向网络结构，既可实现复杂的非线性映射，又可得到较大的输出范围，提高了适应性。（3）、本实施例采用了“降维+改进遗传算法优化模糊神经网络”结合的方式，通过降维对初始指标评价数据进行特征值提取，降低模型输入变量的维度，将新的低维评价指标信息作为后续NQI综合服务质量评价模型的输入变量，进而有效提高网络评价效率，通过改进遗传算法优化模糊神经网络，使得本实施例的评价结果优于模糊神经网络以及基本遗传算法优化的模糊神经网络的评价准确度。
此外，本实施例中还提供一种模糊神经网络FNN的应用方法，包括：
步骤一，初始化建立端到端的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN包括级联连接的主成分分析模型PCA和模糊神经网络FNN，且模糊神经网络FNN预先采用所述的模糊神经网络FNN的参数优化方法优化了网络参数；
步骤二，将富营养水质的多种评价指标输入完成训练后的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述多种评价指标包括水质的PH、溶解氧、浊度、氨氮真实值；所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN首先通过主成分分析模型PCA主成分分析模型PCA将NQI综合服务质量的多种评价指标进行降维得到p个特征值，然后利用模糊神经网络FNN根据输入的p个特征值得到对应的NQI综合服务质量评价结果。
此外，本实施例中还提供一种模糊神经网络FNN的应用系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述模糊神经网络FNN的参数优化方法的步骤，或该微处理器被编程或配置以执行所述模糊神经网络FNN的应用方法的步骤。
此外，本实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述模糊神经网络FNN的参数优化方法的计算机程序，或被编程或配置以执行所述模糊神经网络FNN的应用方法的计算机程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种模糊神经网络FNN的应用方法，其特征在于，包括：
步骤一，初始化建立端到端的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN包括级联连接的主成分分析模型PCA和模糊神经网络FNN，且模糊神经网络FNN预先采用预设的模糊神经网络FNN的参数优化方法优化了网络参数；
步骤二，将NQI综合服务质量的多种评价指标输入基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述多种评价指标包括计量发展水平和服务能力、标准发展水平和服务能力、合格评定发展水平和服务能力、便利性、专业规范性五种准则，每一种准则下包括一种或多种评价指标；所述计量发展水平和服务能力包括量值溯源、计量标准的资源量、仪器设备的多样性和响应计量服务时间共四种评价指标，所述标准发展水平和服务能力包括标准文本的丰富性、标准文本的规范性、标准文本的可获性和标准文本的有用性共四种评价指标，所述合格评定发展水平和服务能力包括检测仪器设备的准确性、检验检测技术、检验检测项目数量、检测结果的可理解性和认证认可技术共五种评价指标，所述便利性包括资源的实时性、设备支持、交互渠道和网络环境共四种评价指标，所述专业规范性包括专业技能、个性服务、安全性能以及交互界面共四种评价指标；所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN首先通过主成分分析模型PCA主成分分析模型PCA将NQI综合服务质量的多种评价指标进行降维得到p个特征值，然后利用模糊神经网络FNN根据输入的p个特征值得到对应的NQI综合服务质量评价结果；
所述预设的模糊神经网络FNN的参数优化方法包括：
S1）初始化改进遗传算法IGA的网络参数，包括种群D、最大遗传代数K、迭代次数k、种群执行完的个体m、交叉概率P c以及变异概率P m；
S2）初始化模糊神经网络FNN的网络参数并编码，计算种群D中个体的适应度值f；
S3）将迭代次数k加1；
S4）调整模糊神经网络FNN的网络参数；
S5）根据群体D中各个体的适应度值f选择优秀个体生成新的父代种群，若生成新的父代种群成功，则跳转执行下一步，否则跳转执行步骤S4）；
S6）针对新的父代种群中选出的个体基于交叉概率P c进行交叉操作产生新的个体；且基于交叉概率P c进行交叉操作产生新的个体时，产生新的个体的概率p' c为：
Figure QLYQS_1
上式中，k为迭代次数，K为最大遗传代数，P c为交叉概率；
S7）基于变异概率P m执行变异操作产生的新变异个体，将产生的新变异个体加入群体D得到新的群体D，将新的群体D更新各个体的适应度值f并按照升序排序；基于变异概率P m执行变异操作产生的新变异个体时，产生的新变异个体的概率p' m为：
Figure QLYQS_2
上式中，k为迭代次数，K为最大遗传代数，P m为变异概率；
S8）判断迭代次数k等于最大遗传代数K是否成立，若不成立，则将种群执行完的个体m加2，跳转执行步骤S3）；若成立，则群体D中适应度值f最优的个体作为最终优化得到的模糊神经网络FNN的网络参数；
所述进行降维得到p个特征值的步骤包括：1）计算每一种评价指标与最终评价值的相关系数r mm，根据相关系数r mm建立多种评价指标的相关系数矩阵R mm；将各种评价指标的数值进行标准化处理；2）将相关系数矩阵R mm中的相关系数r mm、标准化处理后的各种评价指标的数值进行对应列向量指标因子相乘，得到新矩阵P nm；3）求取新矩阵P nm的特征值λ 1～λ m以及特征向量μ 1～μ m，并将特征值λ 1～λ m按从大到小的顺序排列；4）针对新矩阵P nm的特征值λ 1～λ m计算每一种特征值的累积方差贡献率C p；5）选取累积方差贡献率C p大于等于预设阈值的p个特征值作为降维后的结果输出。
2.一种模糊神经网络FNN的应用方法，其特征在于，包括：
步骤一，初始化建立端到端的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN包括级联连接的主成分分析模型PCA和模糊神经网络FNN，且模糊神经网络FNN预先采用预设的模糊神经网络FNN的参数优化方法优化了网络参数；
步骤二，将富营养水质的多种评价指标输入完成训练后的基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN，所述多种评价指标包括水质的PH、溶解氧、浊度、氨氮真实值；所述基于主成分分析及改进遗传算法优化的模糊神经网络模型PCA-IGAFNN首先通过主成分分析模型PCA主成分分析模型PCA将富营养水质的多种评价指标进行降维得到p个特征值，然后利用模糊神经网络FNN根据输入的p个特征值得到对应的富营养水质评价结果；
所述预设的模糊神经网络FNN的参数优化方法包括：
S1）初始化改进遗传算法IGA的网络参数，包括种群D、最大遗传代数K、迭代次数k、种群执行完的个体m、交叉概率P c以及变异概率P m；
S2）初始化模糊神经网络FNN的网络参数并编码，计算种群D中个体的适应度值f；
S3）将迭代次数k加1；
S4）调整模糊神经网络FNN的网络参数；
S5）根据群体D中各个体的适应度值f选择优秀个体生成新的父代种群，若生成新的父代种群成功，则跳转执行下一步，否则跳转执行步骤S4）；
S6）针对新的父代种群中选出的个体基于交叉概率P c进行交叉操作产生新的个体；且基于交叉概率P c进行交叉操作产生新的个体时，产生新的个体的概率p' c为：
Figure QLYQS_3
上式中，k为迭代次数，K为最大遗传代数，P c为交叉概率；
S7）基于变异概率P m执行变异操作产生的新变异个体，将产生的新变异个体加入群体D得到新的群体D，将新的群体D更新各个体的适应度值f并按照升序排序；基于变异概率P m执行变异操作产生的新变异个体时，产生的新变异个体的概率p' m为：
Figure QLYQS_4
上式中，k为迭代次数，K为最大遗传代数，P m为变异概率；
S8）判断迭代次数k等于最大遗传代数K是否成立，若不成立，则将种群执行完的个体m加2，跳转执行步骤S3）；若成立，则群体D中适应度值f最优的个体作为最终优化得到的模糊神经网络FNN的网络参数。
3.一种模糊神经网络FNN的应用系统，包括相互连接的微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1或2所述模糊神经网络FNN的应用方法的步骤。
4.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1或2所述模糊神经网络FNN的应用方法的计算机程序。
CN202110613013.6A 2021-06-02 2021-06-02 一种模糊神经网络fnn的参数优化及应用方法与系统 Active CN113392958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110613013.6A CN113392958B (zh) 2021-06-02 2021-06-02 一种模糊神经网络fnn的参数优化及应用方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110613013.6A CN113392958B (zh) 2021-06-02 2021-06-02 一种模糊神经网络fnn的参数优化及应用方法与系统

Publications (2)

Publication Number Publication Date
CN113392958A CN113392958A (zh) 2021-09-14
CN113392958B true CN113392958B (zh) 2023-05-16

Family

ID=77619885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110613013.6A Active CN113392958B (zh) 2021-06-02 2021-06-02 一种模糊神经网络fnn的参数优化及应用方法与系统

Country Status (1)

Country Link
CN (1) CN113392958B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619065A (zh) * 2022-12-19 2023-01-17 华东交通大学 一种多式联运路径优化方法、系统、电子设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023195A (zh) * 2016-05-18 2016-10-12 河南师范大学 基于自适应遗传算法的bp神经网络图像分割方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011116716A2 (zh) * 2011-04-28 2011-09-29 华为技术有限公司 网络流量的人工合成方法和装置
CN105913450A (zh) * 2016-06-22 2016-08-31 武汉理工大学 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统
CN109495296B (zh) * 2018-11-02 2022-05-13 国网四川省电力公司电力科学研究院 基于聚类与神经网络的智能变电站通信网络状态评价方法
CN110705859A (zh) * 2019-09-25 2020-01-17 三峡大学 基于pca-自组织神经网络的中低压配电网运行状态评估方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023195A (zh) * 2016-05-18 2016-10-12 河南师范大学 基于自适应遗传算法的bp神经网络图像分割方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进遗传算法的模糊神经网络控制器的设计;李辉;蔡敏;;《系统仿真技术》(第01期);第33-36页 *

Also Published As

Publication number Publication date
CN113392958A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
Salmeron et al. Learning fuzzy cognitive maps with modified asexual reproduction optimisation algorithm
Molnar et al. Pitfalls to avoid when interpreting machine learning models
CN113538125A (zh) 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN108647226B (zh) 一种基于变分自动编码器的混合推荐方法
CN110751289B (zh) 一种基于Bagging_BP算法的在线学习行为分析方法
CN110674996B (zh) 一种城市交通噪声预测方法
CN111127146A (zh) 基于卷积神经网络与降噪自编码器的信息推荐方法及系统
CN111199469A (zh) 用户还款模型生成方法、装置及电子设备
CN114757432A (zh) 基于流程日志和多任务学习的未来执行活动及时间预测方法及系统
CN113392958B (zh) 一种模糊神经网络fnn的参数优化及应用方法与系统
CN115600105A (zh) 基于mic-lstm的水体缺失数据插补方法及装置
CN118152657A (zh) 基于融合xDeepFM&RoBERTa模型的深度学习课程推荐方法及电子设备
Lu et al. Quality-relevant feature extraction method based on teacher-student uncertainty autoencoder and its application to soft sensors
Yurtkan et al. Student Success Prediction Using Feedforward Neural Networks
Luo et al. Feature Mining Algorithm for Student Academic Prediction Based on Interpretable Deep Neural Network
CN116611911A (zh) 基于支持向量机的信用风险预测方法及装置
CN116128339A (zh) 客户信用评估方法及装置、存储介质及电子设备
da Silva et al. Prior specification via prior predictive matching: Poisson matrix factorization and beyond
Kwong et al. A genetic classification error method for speech recognition
Faghri et al. Artificial neural network–based approach to modeling trip production
CN113987261A (zh) 一种基于动态信任感知的视频推荐方法及系统
CN113807898A (zh) 代理人出单概率的预测方法、装置、设备及存储介质
CN111179070A (zh) 一种基于lstm的借贷风险时效性预测系统及方法
CN117973683B (zh) 基于评估知识表征的装备体系效能评估装置
KR102685644B1 (ko) 설명 가능한 인공지능을 이용한 학습 진단 시스템

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant