使用新混合模糊聚类算法的模糊系统建模方法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (12): 16-20.

使用新混合模糊聚类算法的模糊系统建模方法

周頔1，孙俊2，盛歆漪1

1.江南大学数字媒体学院数字媒体技术系，江苏无锡 214122
2.江南大学物联网工程学院，江苏无锡 214122

出版日期:2014-06-15 发布日期:2015-05-08

Fuzzy system modeling method based on novel hybrid clustering algorithm

ZHOU Di1, SUN Jun2, SHENG Xinyi1

1.Department of Digital Media, School of Digital Media, Jiangnan University, Wuxi, Jiangsu 214122, China
2.School of Internet of Things, Jiangnan University, Wuxi, Jiangsu 214122, China

Online:2014-06-15 Published:2015-05-08

摘要/Abstract

摘要： 为了进一步提高模糊系统建立模型的精度，提出一种新的模糊系统算法ANFIS-HC-QPSO：采用一种混合型模糊聚类算法来对模糊系统的输入空间进行划分，每一个聚类通过高斯函数的拟合产生一个隶属度函数，即完成ANFIS系统的前件参数——隶属度函数参数的初始识别，通过具有量子行为的粒子群算法QPSO与最小二乘法优化前件参数，直至达到停机条件，最终得到ANFIS的前件及后件参数，从而得到满意的模糊系统模型。实验表明，ANFIS-HC-QPSO算法与传统算法相比，能在只需较少模糊规则的前提下就使模糊系统达到更高的精度。

关键词: 模糊系统, 自适应模糊推理系统（ANFIS）, 混合聚类, 具有量子行为的粒子群算法（QPSO）

Abstract: This paper proposes a novel fuzzy system modeling algorithm ANFIS-HC-QPSO：a hybrid fuzzy clustering algorithm is used to divide the input space and every cluster generates a membership function by approximation to recognize the premise parameters of ANFIS roughly. The Quantum behaved Particle Swarm Optimization algorithm（QPSO） is applied with least square method to optimize the rough premise parameters until obtaining all the parameters of ANFIS. The experiments indicate that, compared with traditional methods, ANFIS-HC-QPSO can build the ANFIS model with less fuzzy rules, but much more precise.

Key words: fuzzy system, Adaptive Neuro Fuzzy Inference System（ANFIS）, hybrid clustering, Quantum behaved Particle Swarm Optimization algorithm（QPSO）

周頔1，孙俊2，盛歆漪1. 使用新混合模糊聚类算法的模糊系统建模方法[J]. 计算机工程与应用, 2014, 50(12): 16-20.

ZHOU Di1, SUN Jun2, SHENG Xinyi1. Fuzzy system modeling method based on novel hybrid clustering algorithm[J]. Computer Engineering and Applications, 2014, 50(12): 16-20.

[1]	童文林，陈德旺，黄允浒，吕宜生. 结合模拟退火与规则约简的模糊系统优化方法[J]. 计算机工程与应用, 2021, 57(16): 142-150.
[2]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[3]	彭家寅. 基于蕴涵算子族H_(p,λ)的三I算法模糊系统[J]. 计算机工程与应用, 2013, 49(1): 53-58.
[4]	范加利，吕小龙，赵国良. 超空泡航行体的自适应模糊滑模控制研究[J]. 计算机工程与应用, 2011, 47(3): 218-220.
[5]	刘明1，张锁良1，李昆仑1，袁保宗2. 多决策模板分类器融合[J]. 计算机工程与应用, 2011, 47(27): 216-220.
[6]	吴成勇，王士同. 分组区间二型模糊神经网络抗噪逼近器的研究[J]. 计算机工程与应用, 2011, 47(26): 39-42.
[7]	王双双，王士同，李岳阳. 类型2模糊系统模型组合的噪声滤波器[J]. 计算机工程与应用, 2011, 47(25): 182-185.
[8]	王泽，蔡焕夫，高平安. 模糊系统的微粒群并行聚类算法[J]. 计算机工程与应用, 2011, 47(20): 41-43.
[9]	徐德智，杨冠军，陈建二. 基于混合聚类的本体分块与映射[J]. 计算机工程与应用, 2010, 46(1): 116-118.
[10]	薛梅¹，李凌云¹，王文胜¹，杨文潮². 基于新模糊系统与T-S模糊系统的比较与研究[J]. 计算机工程与应用, 2009, 45(22): 44-46.
[11]	刘白,周永权 . 一种基于人工鱼群的混合聚类算法[J]. 计算机工程与应用, 2008, 44(18): 136-138.
[12]	薛梅,巩艳华. 基于理性遗传算法的模糊系统辨识[J]. 计算机工程与应用, 2008, 44(14): 73-75.
[13]	李爱军¹,吴小俊². 一种模糊算法及其在多假设多目标跟踪中的应用[J]. 计算机工程与应用, 2008, 44(10): 224-226.