基于遺傳規(guī)則聚類(lèi)的模糊神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用

吳婷 金山職業(yè)技術(shù)學(xué)院

1 遺傳規(guī)則和神經(jīng)網(wǎng)絡(luò)的介紹

遺傳規(guī)則算法是根據(jù)遺傳學(xué)之父孟德?tīng)柕倪z傳學(xué)說(shuō)和達(dá)爾文的進(jìn)化論，提出的一種計(jì)算機(jī)直接搜索優(yōu)化的方法。其中主要的原理是孟德?tīng)柼岢龅幕虻倪z傳定律和達(dá)爾文提出的適者生存理論。在計(jì)算機(jī)搜索計(jì)算的時(shí)候，如果最后的目標(biāo)存在很多的變量和約束條件，或者是基于大量運(yùn)算，尋找樣本全局最優(yōu)解，在這種情況使用遺傳算法可以在所有的解中迅速找到局部最優(yōu)解再通過(guò)每個(gè)局部最優(yōu)解找到最后的全局最優(yōu)解。

模糊神經(jīng)網(wǎng)絡(luò)的原理是將模糊邏輯和模糊算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合。這種算法最大的優(yōu)點(diǎn)是適應(yīng)性和智能性最好，不僅可以像人類(lèi)一樣，通過(guò)模糊的局部去推測(cè)整體，還能夠在計(jì)算的過(guò)程中進(jìn)行學(xué)習(xí)、連接和優(yōu)化，是目前最好的處理信息的算法之一。

而基于遺傳規(guī)則聚類(lèi)的模糊神經(jīng)網(wǎng)絡(luò)算法主要是處理模糊數(shù)據(jù)，先通過(guò)遺傳規(guī)則算法對(duì)模糊數(shù)據(jù)進(jìn)行聚類(lèi)，再通過(guò)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行求解的一種算法。這種算法很好的集合了兩者的優(yōu)點(diǎn)，能夠?qū)Υ笠?guī)模的模糊數(shù)據(jù)進(jìn)行處理和求解。但是在實(shí)際使用的過(guò)程還是存在部分問(wèn)題需要解決。

2 基于遺傳規(guī)則聚類(lèi)的模糊神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題

2.1 經(jīng)典遺傳算法只能取實(shí)變量，無(wú)法取值模糊樣本

遺傳算法主要針對(duì)的問(wèn)題是求解最優(yōu)解，將局部的解轉(zhuǎn)換成在遺傳學(xué)中的對(duì)應(yīng)的串，也就是我們常說(shuō)的染色體和個(gè)體，簡(jiǎn)單講就是將每個(gè)解都看成是一個(gè)個(gè)體，再利用遺傳定律進(jìn)行選擇、交叉和變異。這些個(gè)體在經(jīng)過(guò)一代代的雜交后，最后得到的最優(yōu)性狀就是我們要求解的最優(yōu)解對(duì)應(yīng)的個(gè)體。

在這個(gè)算法計(jì)算的過(guò)程中，每個(gè)解對(duì)應(yīng)一個(gè)個(gè)體，每個(gè)解都是確定的值，因?yàn)檫z傳算法是解決實(shí)變量的問(wèn)題，如果要將遺傳算法用在解決模糊變量的問(wèn)題上，需要對(duì)算法進(jìn)行改進(jìn)，使之能夠適應(yīng)模糊變量。

2.2 經(jīng)典模糊算法的輸入輸出值也是實(shí)變量，無(wú)法進(jìn)行模糊樣本的輸入輸出

模糊算法實(shí)際的作用其實(shí)并不模糊，他是一個(gè)慢慢逼近最優(yōu)解的過(guò)程。比如設(shè)定判斷邏輯，＜1 就是小，＞5 就是大，那么怎么判斷3 呢，3 正好在1 和5 之間，屬于不大不小的中間位置，模糊算法就是不斷的通過(guò)這種大小的判斷去逼近那個(gè)最優(yōu)解。

因此在經(jīng)典的模糊神經(jīng)網(wǎng)絡(luò)模型中，當(dāng)計(jì)算的樣本很多時(shí)，那么規(guī)則也會(huì)有很多，這時(shí)候如果要減少這些規(guī)則數(shù)，那么就只能通過(guò)實(shí)變量減法聚類(lèi)來(lái)進(jìn)行規(guī)則分類(lèi)，這樣的話(huà)，相當(dāng)于又回到了實(shí)變量問(wèn)題中去求解，因此經(jīng)典的模糊算法不適用于大規(guī)模的模糊數(shù)據(jù)處理，如果要進(jìn)行大規(guī)模的模糊數(shù)據(jù)處理需要優(yōu)化算法。

3 通過(guò)優(yōu)化算法解決基于遺傳規(guī)則聚類(lèi)的模糊神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題

3.1 優(yōu)化經(jīng)典遺傳算法，使之能夠取值模糊樣本

我們的目標(biāo)是要在遺傳算法中挑選k 個(gè)有代表性的模糊樣本，因此我們要對(duì)算法這么優(yōu)化。首先對(duì)N 個(gè)樣本進(jìn)行系統(tǒng)聚類(lèi)，得到一個(gè)系統(tǒng)聚類(lèi)結(jié)果，根據(jù)這個(gè)結(jié)果確定k；然后在數(shù)據(jù)群中隨機(jī)生成M 個(gè)個(gè)體，這些個(gè)體就是遺傳算法中的初始種群，種群中的每個(gè)個(gè)體都由k 個(gè)類(lèi)別組成；再計(jì)算N 個(gè)樣本到種群中的每個(gè)個(gè)體距離，根據(jù)計(jì)算的結(jié)果判斷這N 個(gè)樣本都是什么類(lèi)別，并將每個(gè)個(gè)體的聚類(lèi)進(jìn)行更新；對(duì)更新后的種群需要再次進(jìn)行遺傳定律選擇（選擇、交叉、變異），達(dá)到更新種群的目的；而在更新后的新種群中，取最優(yōu)性狀即適應(yīng)性最好的個(gè)體作為最優(yōu)個(gè)體；再根據(jù)終止條件判斷算法是否終止，如果目前的最優(yōu)解不能夠終止算法，就回到第二步重新開(kāi)始，一直到滿(mǎn)足終止條件；對(duì)于種群中的每一個(gè)k，都會(huì)有一個(gè)最優(yōu)解，然后利用檢驗(yàn)樣本來(lái)檢驗(yàn)每一個(gè)最優(yōu)解的正確率，最終根據(jù)正確率排名選擇最靠前那個(gè)解來(lái)作為最終的k 條代表性規(guī)則。

經(jīng)此優(yōu)化后的遺傳算法能夠在模糊樣本中找到最優(yōu)的解來(lái)作為規(guī)則，解決了經(jīng)典遺傳算法只能計(jì)算實(shí)變量的不足。

3.2 優(yōu)化經(jīng)典模糊神經(jīng)網(wǎng)絡(luò)算法，使之能夠進(jìn)行模糊樣本的輸入和輸出

首先假設(shè)有這么一個(gè)模糊樣本庫(kù)，里面的模糊樣本為X，那么模糊樣本的輸入就是X，設(shè)輸出為Y；根據(jù)以上的模糊樣本，我們?cè)谏厦娴膬?yōu)化后的遺傳算法中可以得到這個(gè)模糊樣本的K 條代表性規(guī)則；然后再基于模糊樣本中的每個(gè)X，計(jì)算模糊神經(jīng)網(wǎng)絡(luò)中每一天規(guī)則的綜合隸屬度；最后根據(jù)實(shí)際的模糊輸出和計(jì)算的期望模糊輸出的差值對(duì)模型進(jìn)行修正。

經(jīng)過(guò)如此計(jì)算之后，把模糊問(wèn)題的樣本表示為模糊規(guī)則，最后再輸出模糊結(jié)果，解決了模糊問(wèn)題的模糊輸出問(wèn)題。使神經(jīng)網(wǎng)絡(luò)算法不僅僅適用于實(shí)變量，也可以適用于模糊變量。

通過(guò)優(yōu)化后的遺傳規(guī)則算法對(duì)模糊樣本進(jìn)行聚類(lèi)，再通過(guò)優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法改進(jìn)了經(jīng)典模糊神經(jīng)網(wǎng)路模型對(duì)模糊問(wèn)題的“實(shí)變量輸入-模糊轉(zhuǎn)換-線(xiàn)性逼近-實(shí)變量出”的弱點(diǎn)。在實(shí)際的計(jì)算過(guò)程中，可以通過(guò)把模糊問(wèn)題的模糊樣本，表示為模糊規(guī)則，把模糊規(guī)則選優(yōu)問(wèn)題，轉(zhuǎn)換為K 均值聚類(lèi)問(wèn)題的K 聚類(lèi)數(shù)和聚類(lèi)結(jié)果的選優(yōu)問(wèn)題，簡(jiǎn)化了算法規(guī)則和計(jì)算過(guò)程，降低了取值和輸入要求，能夠更好的解決實(shí)際模糊問(wèn)題。