[发明专利]区间二型直觉模糊随机向量函数连接神经网络设计方法

说明书

本发明涉及计算智能技术领域，尤其涉及区间二型直觉模糊随机向量函数连接神经网络设计方法。本发明的区间二型直觉模糊随机向量函数连接神经网络设计方法，包括以下步骤：构建区间二型直觉模糊随机向量函数连接神经网络；采用量子聚类算法、群智能算法和最小二乘法相结合的混合学习方法对所述神经网络的结构和参数进行调整。所述神经网络采用基于β函数的隶属函数和非隶属函数作为模糊规则前件，采用随机向量函数连接神经网络作为区间模糊规则后件。本发明设计的IT2IF‑RVFLNN可以实现全局逼近。

技术领域

本发明涉及计算智能技术领域，尤其涉及一种区间二型直觉模糊随机向量函数连接神经网络设计方法。

背景技术

1965年，Zadeh提出模糊集合理论，成功解决了传统集合理论不能合理描述不确定信息的缺陷。但是，原始模糊集合不能描述元素属于集合(属性、特征)的犹豫程度。针对这一问题，Atanassov提出直觉模糊集合的概念，引入犹豫度函数描述这种隶属关系的不可知属性。在此基础上，Glad Deschrijver,Petr Hájek等人研究了直觉模糊集合的三角范数和反三角范数、直觉模糊推理以及分层直接模糊推理问题，并将其应用到实时交通建模与控制、空气污染水平评估等领域。为了进一步提高直觉模糊推理系统的学习能力，Petr Hájek,Atanassov等提出了直觉模糊神经网络的概念，并采用梯度下降或扩展卡尔曼滤波方法训练神经网络。然而，因为直觉模糊集合的隶属度和非隶属度均是清晰值，不能描述复杂不确定信息归属关系的模糊性，Atanassov推广传统直觉模糊集合为区间二型直觉模糊集合(隶属度和非隶属度均由精确值变为区间值)，基于此，Imo Eyoh，Robert John，Geert DeMaere等研究了区间二型直觉模糊逻辑系统，并利用它解决复杂非线性系统的回归问题。但是，在目前的研究中，模糊规则库的确定完全根据专家经验手动确定，得到的完备规则库可能含有冗余的规则，并且会随着输入向量维度增加，出现‘规则爆炸’问题。同时，模糊规则前件的隶属函数和非隶属函数基本采用高斯型函数变化而来，形式过于单一；在参数优化过程中，规则前件隶属函数和非隶属函数均呈现较强的非线性特征，采用梯度下降法时容易陷入局部最小值；最后，规则后件采用输入向量的线性函数，表达非线性函数的能力受到限制。

发明内容

针对上述问题，本发明提出了一种区间二型直觉模糊随机向量函数连接神经网络设计方法，设计了一种区间二型直觉模糊随机向量函数连接神经网络IT2IF-RVFLNN，采用基于β函数的隶属函数和非隶属函数作为模糊规则前件，采用随机向量函数连接神经网络作为模糊规则后件，能够实现全局逼近。

为了实现上述目的，本发明采用以下技术方案：

一种区间二型直觉模糊随机向量函数连接神经网络设计方法，包括以下步骤：

步骤1：构建区间二型直觉模糊随机向量函数连接神经网络IT2IF-RVFLNN；

步骤2：采用量子聚类算法、群智能算法和最小二乘法相结合的混合学习方法对IT2IF-RVFLNN的结构和参数进行调整。

进一步地，所述步骤1包括：

步骤1.1：采用基于β函数的隶属函数和非隶属函数作为IT2IF-RVFLNN的区间二型直觉模糊规则前件；

步骤1.2：采用随机向量函数连接神经网络作为IT2IF-RVFLNN的区间二型直觉模糊规则后件。

进一步地，所述IT2IF-RVFLNN为七层结构，其中，第一层到第四层执行所述前件的运算，第五层到第七层执行所述后件的运算。

进一步地，所述步骤2包括：

步骤2.1：根据输入样本的概率分布采用量子聚类算法确定IT2IF-RVFLNN的结构；

步骤2.2：采用群智能算法和最小二乘法相结合的混合学习方法调整IT2IF-RVFLNN的前件参数及后件参数。