进化模糊神经网络在时序预测的应用.pdf

进化模糊神经网络在时序预测的应用 189 进化模糊神经网络在时序预测的应用+ 林雄1张福金1黄槐仁1刘煜2 1琼州大学物理系，海南五指山572200 2湘潭大学化学学院，湖南湘潭411105 摘要：阐述一种建立在在线自适应智能系统～进化联结系统(evolving conhectionist systems， ra：os)．进化模糊神经网络(evolvingfuzzy neuralnetworks，EFuNNs)是根据ECOS原理进化的模糊神 经网络结构。本文给出EFuNNs的体系结构，探讨了EFuNNs的学习算法，研究它在时序预测中的应用。 关键词：进化联结系统进化模糊神经网络学习算法应用 1引 言 自然界许多问题的复杂性和动力学特性都要求人们使用深思熟虑的方法和手段建造在线自适应的预测 系统。这样的系统应能够随它们的作业而“成长”，能够通过与环境的相互作用来建立知识和改进模型。 神经网络、模糊系统和混合神经模糊技术在解决一些诸如手写体字符识别、联想记忆和模式识别等问 题时已经获得相当的成功。然而，人们在使用这些传统的技术解决诸如语音和图像识别、自适应预测、自 适应在线控制、智能代理等问题时遇到一些困难。要解决这些困难问题必须要求系统具有“开放”的结构、 灵活的学习算法和动态自适应，而且必须能够处理数据和知识。 2进化联结系统(ECOS) ECOS是通过与环境的相互作用及时进化的系统，即它的参数随环境的变化调整它的结构。ECOS是一 多层的、多模块的结构，它的许多模块都有内部的连接，并基于下面的工作原理?： (1)ECOS通过一次(one-pass)训练，快速从大量数据中学习： (2)ECOS在新的数据增加处。以在线模式自适应新增的数据： (3)ECOS有“开放”的体系结构，在系统运行的任何阶段，能够引入与任务相关的新的特性。例如， 系统在“闲暇”时生成新的输入、新的输出，新的模块和新的连接权重； (4)为了更精炼或为了信息检索，ECOS存储样本(原型)； (5)通过主动与其他系统和环境的相互作用，Ecos学习和改进； (6)ECOS以它不同的比例，适当地表示空间和时间：有表示短期和长期记忆、使用期限等参数； (7)ECOS以它不问的方式处理知识，按照自身的行为、全局误差和结果分析它们自己，“解释”为什 么系统已经学习，为什么它“知道”它被训练去求解的问题，为进一步的改进做出决策。 ECOS的一个实现是EFuNNs系统。 ’基金赉助：海南省自然科学基金资助项目。批准号：80473． 作者简介：林雄(1962一)，男．海南省三亚市人．副教授，主要研究方向为计算智能；张福金(1959一)，男，山东济南人． 高级工程师，主要研究方向为电气设备：黄槐仁(1969一)．男．海南省乐东县人．实验师，主要研究方向为电子技术实验；刘 煜(1971～)，男，湖南长沙人，湘潭太学在读博士生，主要研究方向为高分子化学与物理学． 190 计算机技术与应用进展·2006 3进化模糊神经网络(EFuNNs) EFuNNs概念1998年Kasabov提出Ⅲ，它是对FuNN体系结构的修正，在FuNNq6对规则层的激活方法作 几处变化。传统的FuNN中，规则结点的输入激活被当作条件结点激活(模糊输入)的权重总数计算。在EFuNN 中，激活由条件结点激活和进入到该结点的连接权重之差确定。EFuNN结构见图1。 模糊化层 图1 EFuNN体系结构 在图1中，输入层将数据传递到模糊化层，在模糊化层预定义模糊成员函数(MF)的隶属度；规则层 包含表示输入，输出数据原型的规则结点，每个规则结点由连接权重的2个矢量定义，权重矢量通过混合学习 技术调整；去模糊化层计算输出成员函数与输入数据匹配的隶属度：输出层将去模糊化后的数据计算并输 出。 EFuNN是开放的体系结构，规则结点的初始数目很小，随着附加的结点的增加，规则结点就有更多的 训练实例矢量。对规则结点的激活研究表明，如果最大规则结点的激活小于某一设定的值(称敏感闽值， 8Thr)时．则增加一个规则结点。如果操作结点的误差大于某一设定的值(称误差阙值，ErrThr)，则增加 一个规则结点。最后，如果大多数已经激活的结点无希望获胜，则增加一个规则结点。当新增加一个规则 结点时，结点的输入和输出连接权重分别指向模糊输入和模糊输出矢量。如果没有结点增加，则根据参数 学习率／rl(对输入连接权重)和学习率／r2(对输出连接权重)调整最高激活结点的输入和输出连接权重。 4 EFuNN学习算法 如上所述，设已经生成一个新的规则结点rn，且它的输入和输出连接权重分别是’们(m)和W2(rn)。 EFuNN算法”1的步骤如下： (1)用大量的神经元初始化EFuNN结构并将连接权重置零。如果开始没有连接到模糊输入和模糊输出 神经元的规则