| 【中文题名】 | 基于T-S模型的模糊神经网络在水质评价中的应用 |
| 【英文题名】 | The Application of Fuzzy Neural Network Based on T-S Model in Water Quality Evaluation |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-12 |
| 【中关键词】 | 模糊系统,神经网络,基于T-S模型的模糊神经网络,ANFIS,水质评价, |
| 【英关键词】 | Neutral Network,Fuzzy System,Fuzzy Neural Network based on T-S mode,ANFIS,Water Quality Evaluation, |
| 【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】 |
模糊系统和神经网络都是对人的智能的一种模拟，前者采用自顶向下的角度，而后者则是自底向上的角度。它们均可从给定的系统输入／输出数据中，建立系统的非线性模型。
但是，模糊系统和神经网络又有不同之处。神经网络可以从例子中学习，具有很强的自适应学习能力，但由于神经网络模型是无模型的预报器，因此要使学习结果满意，需要很多数据进行训练。另外，神经网络所获得的输入／输出关系无法用容易被人接受的方式表达出来。
相反，模糊系统是建立在被人容易接受的‘如果—则’表达方式上，而且它是建立在专家知识的基础之上，因此收敛快，但如何自动生成和调整隶属函数和模糊规则，是一个棘手的问题。
本文研究了模糊系统和神经网络这两种人工智能方法的长处和短处，并将它们有机地结合在一起。将基于T-S模型的模糊神经网络应用于水质评价中，取得了较好的效果，为水质评价提供了一个新的方法。 |
| 【论文题纲】 |
|
摘要 |
8-9 |
|
Abstract |
9-10 |
|
第一章 绪论 |
10-13 |
|
1.1 模糊逻辑与神经网络的优势及结合的必然性 |
10 |
|
1.2 基于T-S模型的模糊神经网络是模糊逻辑与神经网络的有机结合 |
10-11 |
|
1.3 水质监测数据处理的发展现状 |
11-12 |
|
1.4 本文的主要研究内容 |
12-13 |
|
第二章 模糊理论和神经网络理论 |
13-19 |
|
2.1 模糊集合和模糊理论的发展与现状 |
13-14 |
|
2.1.1 模糊集合的概念 |
13-14 |
|
2.1.2 模糊理论的发展和现状 |
14 |
|
2.2 人工神经网络的基本类型和功能 |
14-18 |
|
2.2.1 基本人工神经元及其网络模块 |
15-18 |
|
2.2.2 人工神经网络的功能和特点 |
18 |
|
2.3 本章小结 |
18-19 |
|
第三章 模糊神经网络 |
19-30 |
|
3.1 模糊信息处理的神经网络方法 |
19-21 |
|
3.2 模糊神经元模型 |
21-23 |
|
3.3 模糊神经网络模型 |
23-28 |
|
3.4 网络学习方法 |
28-29 |
|
3.5 本章小结 |
29-30 |
|
第四章 ANFIS算法及分析 |
30-42 |
|
4.1 概述 |
30 |
|
4.2 ANFIS网络结构 |
30-34 |
|
4.2.1 基于网格的ANFIS |
31-33 |
|
4.2.2 基于聚类的ANFIS |
33-34 |
|
4.3 ANFIS学习算法 |
34-37 |
|
4.3.1 反向传播算法 |
34-35 |
|
4.3.2 最小二乘法 |
35-36 |
|
4.3.3 综合学习算法 |
36 |
|
4.3.4 学习算法的选择 |
36-37 |
|
4.4 ANFIS模型分析 |
37-41 |
|
4.4.1 模型建立步骤 |
37-38 |
|
4.4.2 确定输入输出 |
38-39 |
|
4.4.3 输入空间划分 |
39-41 |
|
4.4.4 确定隶属函数 |
41 |
|
4.4.5 参数辨识 |
41 |
|
4.5 本章小结 |
41-42 |
|
第五章 D-S证据理论 |
42-50 |
|
5.1 D-S证据理论 |
42-48 |
|
5.1.1 基本概念 |
42-43 |
|
5.1.2 Dempster组合规则 |
43-44 |
|
5.1.3 基本性质 |
44-45 |
|
5.1.4 基本信任分配函数的构造方法 |
45-48 |
|
5.2 目标判定原则 |
48-49 |
|
5.3 本章小结 |
49-50 |
|
第六章 基于T-S模型的模糊神经网络在水质评价中的应用 |
50-59 |
|
6.1 引言 |
50-51 |
|
6.2 评价模型 |
51-52 |
|
6.3 模型参数的个数 |
52 |
|
6.3.1 前件网络参数的个数 |
52 |
|
6.3.2 后件网络参数的个数 |
52 |
|
6.4 训练样本的准备 |
52-53 |
|
6.5 期望目标的指定 |
53 |
|
6.6 水质评价等级的划分界限 |
53 |
|
6.7 网络的训练、检测及水质评价 |
53-54 |
|
6.8 基于D-S证据理论和BP网络的水质监测数据处理 |
54-57 |
|
6.8.1 基于D-S证据理论的水质监测数据处理 |
54-56 |
|
6.8.2 基于BP网络的水质监测数据处理 |
56-57 |
|
6.9 比较分析 |
57-58 |
|
6.10 本章小结 |
58-59 |
|
第七章 结论 |
59-60 |
|
致谢 |
60-61 |
|
参考文献 |
61-64 |
|
攻读硕士学位期间发表的学术论文 |
64 |
|
| 【DOI】 | LunWen.ID:2.2008.389041 |
