[发明专利]一种基于多目标优化的自组织一型分层模糊预测系统

说明书

本发明公开了一种基于多目标优化的自组织一型分层模糊预测系统，属于数据预测领域，主要解决的是模糊系统对混沌序列的预测问题。本发明是在传统一型分层模糊系统的基础上增加了自组织的隶属度分区方式，有效地提升了模糊分区的准确性和合理性。同时，本发明还采用规则激活编码和多目标优化的方法，对一型模糊分层系统的规则进行筛选和优化。本发明详细阐述了自组织隶属度分区方式、规则激活编码和采用多目标优化算法优化系统输出的方式。根据此方法设计出的模糊系统在预测方面能达到很好的预测精度，同时也能有效降低由于系统输入增加带来的复杂度问题，提高系统的可解释性。

技术领域

本发明属于模糊系统预测领域，具体涉及一种基于多目标优化的自组织一型分层模糊预测系统，应用于数据预测领域，主要用于预测混沌时间序列，构造一种能满足预测精度的具有可解释性和自组织性的模糊分层预测系统。

背景技术

模糊系统将输入输出定义在模糊集上，是一种能有效地解决非线性问题的系统。模糊系统的非线性特性对于预测混沌序列具有很好的匹配性。Mackey-Glass时间序列是神经网络和模糊逻辑中时间序列预测的基准问题之一，是有非线性时滞微分方程解算得到的，当时滞参数大于17时，整个序列是混沌无周期的，且是不收敛的，通过对Mackey-Glass时间序列的预测可以验证模糊系统的预测能力。文献《ADONiS-Adaptive Online Non-Singleton Fuzzy Logic Systems》(IEEE Transactions on Fuzzy Systems，2019,PP(99):1-1.)中采用了一种自适应的方法对含有随机噪声的Mackey-Glass时间序列进行预测，但其能达到的预测精度并不高。同时，传统的单层模糊系统在抗扰能力也存在缺陷，而通过串联构成的模糊分层系统能达到降低复杂度和提升系统稳定性的效果。

为了解决预测精度和系统复杂度的问题，本发明通过构建一个具有可解释性的自组织模糊分层系统实现对Mackey-Glass时间序列的有效预测，保证预测精度。通过模糊C均值聚类的方法获得输入的隶属度函数分区，实现对系统的自组织。同时，通过对于规则数的优化降低系统的复杂度，实现系统的可解释性。

发明内容

模糊系统在解决非线性问题中有着广泛的应用，如模式识别、决策分析、数据预测等。本发明主要应用于混沌数据预测领域，针对模糊系统在预测混沌时间序列中存在的系统复杂，规则数多，预测精度不高的问题，本发明提出了一种基于多目标优化的自组织一型分层模糊预测系统。本方法是通过多个模糊系统串联构成整个分层模糊预测系统，以已知的数据信息对系统进行自组织的隶属度分区划分，同时以系统复杂度和预测精度作为参数优化的两个目标，对混沌序列进行估计和预测。通过数学分析将模糊分层系统的优化建模为一个多目标优化问题，采用NSGA II方法得到优化解集的Pareto分布，并通过实验证明了系统的可解释性和预测效果。

为实现本发明的目的，本发明提供一种基于多目标优化的自组织一型分层模糊预测系统，其方法步骤如下：

步骤(1)：生成一组混沌数据：产生MG随机时间序列，并对其添加信噪比为13dB的噪声；将产生的数据分为训练集Trn和测试集Vld；其中训练集包含训练输入TrnX(X1,X2,X3,X4)和训练输出TrnY(Y)，测试集包含测试集输入VldX(X1,X2,X3,X4)和测试输出VldY(Y)；其中，训练输入TrnX(X1,X2,X3,X4)和训练输出TrnY(Y)的数据构造如下：

假设当前时刻为t，则X₁＝X(t),X₂＝X(t+1),X₃＝X(t+2),X₄＝X(t+3),Y＝X(t+4)；