| 【中文题名】 | 前馈模糊神经网络的改进及其在石油工业中的应用 |
| 【英文题名】 | |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-12-26 |
| 【中关键词】 | 前馈模糊神经网络,径向基函数,补偿度,动态学习步长,收敛速度,误差精度 |
| 【英关键词】 | feedforward fuzzy neural networks,radial basis function,degree of compensation,dynamic learning step,convergence speed,error precision,Self-organizing learning algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
前馈模糊神经网络是模糊技术与多层前馈神经网络有机结合的产物。它在处理不确定的复杂问题上表现出较强的优越性，有广泛的应用前景。但是也存在一些亟待解决的问题，如网络结构的优化问题、学习算法的设计、收敛速度和误差精度的提高及人为因素的减少等方面。本文首先系统地分析了前馈模糊神经网络的各个方面并加以改进。然后提出了两种改进的前馈模糊神经网络，并应用于解决石油工业中的实际问题。其一是改进的径向基函数模糊神经网络。通过分析径向基函数的特点和梯度下降法调整参数的本质，提出了一种新的自组织产生隐层节点的学习算法。在其应用上，研制了基于径向基函数的模糊神经网络的催化裂化产品产率预测仿真系统。根据小型催化裂化装置进行重油催化裂化反应试验的试验数据对系统进行预测能力分析，从全局误差曲线图可见训练速度比较快，误差精度比较高。用未参加训练的试验数据提供给系统后其预测结果比较满意。其二是改进的补偿模糊神经网络。该网络在基于高斯模糊逻辑系统的前馈模糊神经网络中加入了补偿运算层和采用了改进型中心反模糊化器。特别是在网络学习算法中采用了动态调整学习步长的机制，使网络在学习过程中能避免较大震荡现象的出现并提高其收敛速度。应用该方法建立了... |
| 【论文题纲】 |
|
1 前言 |
8-11 |
|
1.1 模糊神经网络技术的研究现状 |
8-9 |
|
1.2 前馈FNN的研究意义 |
9-10 |
|
1.3 本文主要内容 |
10-11 |
|
2 模糊逻辑系统的基础理论 |
11-20 |
|
2.1 精确量与模糊量的相互转化 |
11-13 |
|
2.2 模糊规则库 |
13-15 |
|
2.3 模糊推理机 |
15-16 |
|
2.4 T-S模糊逻辑系统 |
16-17 |
|
2.4.1 一般T-S模糊逻辑系统 |
16-17 |
|
2.4.2 简化T-S模糊逻辑系统 |
17 |
|
2.5 高斯模糊逻辑系统 |
17-19 |
|
2.6 讨论 |
19-20 |
|
3 多层前馈神经网络的基本网络结构及其学习算法的改进 |
20-36 |
|
3.1 多层前馈神经网络 |
20-22 |
|
3.1.1 多层前馈神经网络的网络结构 |
20-21 |
|
3.1.2 节点的激励函数 |
21-22 |
|
3.2 传统BP算法分析 |
22-26 |
|
3.2.1 信号正向传播 |
23 |
|
3.2.2 反向传播过程 |
23-24 |
|
3.2.3 BP算法分析 |
24-26 |
|
3.3 BP算法的理论基础 |
26-28 |
|
3.4 传统BP算法存在的问题及分析 |
28-29 |
|
3.4.1 局部极小点问题 |
28 |
|
3.4.2 网络瘫痪与稳定性问题 |
28-29 |
|
3.4.3 收敛速度与步长问题 |
29 |
|
3.4.4 隐层节点数的选取问题 |
29 |
|
3.5 一种较为完善的改进BP算法 |
29-32 |
|
3.6 基于前馈神经网络的优化算法 |
32-35 |
|
3.6.1 目标函数的设计 |
32-33 |
|
3.6.2 优化算法分析 |
33 |
|
3.6.3 优化算法应解决的两个问题 |
33-34 |
|
3.6.4 优化算法设计 |
34-35 |
|
3.7 讨论 |
35-36 |
|
4 前馈模糊神经网络的网络结构及其学习算法分析 |
36-48 |
|
4.1 模糊神经元的设计 |
36-38 |
|
4.2 基于T-S模糊逻辑系统的FNN |
38-42 |
|
4.3 基于简化T-S模糊逻辑系统的FNN |
42-43 |
|
4.4 基于高斯模糊逻辑系统的FNN |
43-46 |
|
4.5 讨论 |
46-48 |
|
5 改进的前馈模糊神经网络 |
48-76 |
|
5.1 基于径向基函数的FNN |
48-51 |
|
5.1.1 径向基函数FNN的网络结构设计 |
48-50 |
|
5.1.2 学习策略分类 |
50-51 |
|
5.2 径向基函数模糊神经网络学习算法的改进 |
51-55 |
|
5.2.1 误差反向传播对参数的修正公式 |
51-53 |
|
5.2.2 递阶自组织学习算法分析 |
53-55 |
|
5.3 催化裂化产品产率预测仿真系统 |
55-68 |
|
5.3.1 问题分析 |
56-57 |
|
5.3.2 系统功能设计与实现 |
57-61 |
|
5.3.3 系统的预测能力分析 |
61-68 |
|
5.4 改进的补偿模糊神经网络 |
68-72 |
|
5.4.1 补偿模糊神经网络的网络结构设计 |
68-70 |
|
5.4.2 改进的补偿模糊神经网络的学习算法 |
70-72 |
|
5.5 基于改进的补偿模糊神经网络在油水层含水饱和度预测中的应用 |
72-76 |
|
结论 |
76-78 |
|
致谢 |
78-79 |
|
参考文献 |
79-82 |
|
发表的相关学术论文 |
82-83 |
|
附录 |
83-97 |
|
| 【DOI】 | LunWen.ID:2.2008.386818 |
