[发明专利]一种基于模糊逻辑的神经网络输入参数筛选方法

摘要

本发明属于纺织领域，涉及一种基于模糊逻辑的神经网络输入参数筛选方法。它包括如下步骤：(1)获取神经网络建模所需数据；(2)对神经网络的输入参数和输出参数进行预处理；(3)计算反映实验数据变化趋势与专家知识吻合程度的特征数值；(4)计算反映输入参数对输出参数敏感程度的特征数值；(5)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值。(6)根据密切程度特征数值大小顺序，对神经网络输入参数进行筛选。本发明可以简便、快捷地对神经网络的输入参数进行筛选，特别适用于纺织领域样本量较小的神经网络建模问题。

主权项

1.一种基于模糊逻辑的神经网络输入参数筛选方法，其特征在于该方法包括如下步骤：(1)获取神经网络建模所需数据：本方法为非织造布结构参数和断裂强力的关系建立一个神经网络模型，须获取以下数据：纤维长度、纤维细度、孔隙率、重量均匀度、厚度、单位面积重量、纤维体积密度和断裂强力。其中，前七个是非织造布结构参数，也就是神经网络的输入参数，断裂强力是神经网络的输出参数。(2)对神经网络的输入参数和输出参数进行预处理：为了消除各类参数尺度方面的差异，要将输入参数和输出参数都归一化到-1和1之间。(3)计算反映实验数据变化趋势与专家知识吻合程度的特征数值：吻合程度特征数值是根据实验数据与专家知识相互关系即实验数据中输出参数相对于输入参数的变化趋势与专家知识的吻合程度计算出来的。设Xs＝(xs1，xs2，…，xsk，…，xsn)T为神经网络的输入矢量，Ys＝(ys1，ys2，…，ysj，…，ysm，)T为神经网络的输出矢量。下标“s”表示第s个样本(s∈{1，…，i，…，l，…，z})。如图1所示，将论域yj平均划分为t个区间Cjp(p∈{1，…，t-1})，根据输出参数yj的区间Cjp构造出输入参数xk对应的区间Akp。建立如下模糊规则：(a)如果某输入参数增大，某输出参数也相应增大，那么它们之间的关系数值R为+1。(b)如果某输入参数增大，某输出参数却相应减小，那么它们之间的关系数值R为-1。(c)如果某输入参数减小，某输出参数却相应增大，那么它们之间的关系数值R为-1。(d)如果某输入参数减小，某输出参数也相应减小，那么它们之间的关系数值R为+1。吻合程度特征数值V由式(1)计算出来：$\left\{\begin{array}{c}{V}_k(x_k,y_j)=\frac{1}{t-1}\underset{p=1}{\overset{t-1}{\Sigma }}{v}_p\\ x_{\mathrm{kp}}^{\inf }=\underset{s\in \{1,...,z\}}{\min }\left\{x_{\mathrm{sk}}\right|y_{\mathrm{sj}}\in C_{\mathrm{jp}}\}{x}_{\mathrm{kp}}^{\sup }=\underset{s\in \{1,...,z\}}{\max }\{x_{\mathrm{sk}}|y_{\mathrm{sj}}\in C_{\mathrm{jp}}\}\\ \mathrm{if}{I}_{\mathrm{kp}}=\phi ,\left\{\begin{array}{c}{v}_p=\frac{1}{2}\left|R(x_k,y_j)\right|\times [1+R(x_k,y_j),\mathrm{if}{x}_{\mathrm{kp}+1}^{\inf }\ge x_{\mathrm{kp}}^{\sup }\\ v_p=\frac{1}{2}\left|R(x_k,y_j)\right|\times [1-R(x_k,y_j)],\mathrm{if}{x}_{\mathrm{kp}+1}^{\sup }\le x_{\mathrm{kp}}^{\inf }\end{array}\right.\\ \mathrm{if}{I}_{\mathrm{kp}}\ne \phi ,\left\{\begin{array}{c}{v}_p=\frac{1}{2}\left|R(x_k,y_j)\right|\times [1+R(x_k,y_j)]\times (1-\frac{\left|I_{\mathrm{kp}}\right|}{\left|U_{\mathrm{kp}}\right|})\\ v_p=\frac{1}{2}\left|R(x_k,y_j)\right|\times [1-R(x_k,y_j)]\times (1-\frac{\left|I_{\mathrm{kp}}\right|}{\left|U_{\mathrm{kp}}\right|}),\mathrm{if}{x}_{\mathrm{kp}+1}^{\inf }\le x_{\mathrm{kp}}^{\inf }\end{array}\right.\end{array},,\mathrm{if}{x}_{\mathrm{kp}+1}^{\sup }\ge x_{\mathrm{kp}}^{\sup }\right.$ 式中，R(x1，y1)是输入参数x1与输出参数y1的关系指数，vp是区间Cjp的吻合程度特征数值，xkp inf和xkp sup是分别区间Akp的下边界和上边界，Ikp和Ukp分别是区间Akp和Akp+1的交集和并集，见图1，φ空集。Vk越大，则输出参数yj相对于输入参数xk的变化趋势与专家知识的吻合程度越高。(4)计算反映输入参数对输出参数敏感程度的特征数值：敏感程度特征数值S是根据实验数据相互之间关系即神经网络输出参数对神经网络输入参数的敏感程度计算出来的。建立如下模糊规则：(e)如果输入参数的很小变化会导致输出参数的很大变化，那么对于该输出参数来说这个输入参数就是敏感的。(f)如果输入参数的很大变化会导致输出参数的很小变化，那么对于该输出参数来说这个输入参数就是不敏感的。然后，从欧氏距离及向量空间的概念出发，建立体现以上模糊规则的计算公式，计算出反映各输入参数对各输出参数敏感程度的特征数值S。$T_k=\underset{\underset{1}{i\ne l}}{\overset{z}{\Sigma }}\frac{d(y_{\mathrm{ij}},y_{\mathrm{lj}})}{d_k^{\prime }(X_i,X_l)}---\left(2\right)$ $S_k=\frac{\underset{k\in \{1,...,n\}}{\max }\left(T_k\right)-T_k}{\underset{k\in \{1,...,n\}}{\max }\left(T_k\right)-\underset{k\in \{1,...,n\}}{\min }\left(T_k\right)}---\left(3\right)$ 式中，$d_k^{\prime }=(X_i,X_l)=\sqrt{d^2(X_i,X_l)-d_k^2(X_i,X_l)}$ d(Xi，Xl)是输入矢量Xi与Xl之间的欧氏距离，dk(Xi，Xl)是d(Xi，Xl)在xk轴方向的投影，d(yij，y1j)是第j个输出参数yi与y1之间的欧氏距离。Sk 越大，则输出参数yj对输入参数xk的敏感程度越高。(5)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值：根据式(4)将吻合程度特征数值和敏感程度特征数值组合起来。 Fk＝g1·Vk(xk，yj)+g2·Sk (k∈{1，…，n}，j∈{1，…，m}) (4)利用两种方法确定式(4)中的权系数g1和g2。方法1根据Vk和Sk的变异系数计算出它们的权系数，分别记为g11 *和g21 *，下标“1”代表方法1，其计算公式为式(5)和式(6)。方法2根据离差最大化原则计算出权系数g12 *和g22 *，下标“2”代表方法2，其计算公式为式(7)和式(8)。以上计算出来的权系数根据式(9)进行归一化。权系数g1和g2是两种方法计算出来权系数的代数平均值，由式(10)和式(11)确定。$g_{11}^{*}=\frac{\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\Sigma }}{({\mathrm{VA}}_k-\frac{1}{n}\underset{k=1}{\overset{n}{\Sigma }}{\mathrm{VA}}_k)}^2}}{\frac{1}{n}\underset{k=1}{\overset{n}{\Sigma }}{\mathrm{VA}}_k}---\left(5\right)$ $g_{21}^{*}=\frac{\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\Sigma }}{(S_k-\frac{1}{n}\underset{k=1}{\overset{n}{\Sigma }}{S}_k)}^2}}{\frac{1}{n}\underset{k=1}{\overset{n}{\Sigma }}{S}_k}---\left(6\right)$ $g_{12}^{*}=\frac{\underset{\underset{1}{l\ne k}}{\overset{n}{\Sigma }}|{\mathrm{VA}}_l-{\mathrm{VA}}_k|}{\sqrt{{\left(\underset{\underset{1}{l\ne k}}{\overset{n}{\Sigma }}\right|{\mathrm{VA}}_l-{\mathrm{VA}}_k\left|\right)}^2}+{\left(\underset{\underset{1}{i\ne k}}{\overset{n}{\Sigma }}\right|S_i-S_k\left|\right)}^2}---\left(7\right)$ $g_{22}^{*}=\frac{\underset{\underset{1}{l\ne k}}{\overset{n}{\Sigma }}|S_1-S_k|}{\sqrt{{\left(\underset{\underset{1}{l\ne k}}{\overset{n}{\Sigma }}\right|V{A}_l-V{A}_k)}^2+{\left(\underset{\underset{1}{l\ne k}}{\overset{n}{\Sigma }}\right|S_l-S_k\left|\right)}^2}}---\left(8\right)$ $g_{11}=\frac{g_{11}^{*}}{g_{11}^{*}+g_{21}^{*}}$ $g_{21}=\frac{g_{21}^{*}}{g_{11}^{*}+g_{21}^{*}}$ $g_{12}=\frac{g_{12}^{*}}{g_{12}^{*}+g_{22}^{*}}$ $g_{22}=\frac{g_{22}^{*}}{g_{12}^{*}+g_{22}^{*}}---\left(9\right)$ $g_1=\frac{1}{2}(g_{11}+g_{12})---\left(10\right)$ $g_2=\frac{1}{2}(g_{21}+g_{22})---\left(11\right)$ 将权系数g1和g2代入式(4)，就计算出了反映输入参数与输出参数关系密切程度的特征数值F。(6)根据密切程度特征数值大小顺序，对神经网络输入参数进行筛选：密切程度特征数值Fk，越大，输出参数yj与输入参数xk的相关程度就越大。将所有F值按从大到小顺序排列，则越在前面的F值对应的输入参数与该输出参数关系越密切，在对输入参数进行筛选时越应该保留。根据神经网络的实际需要，去除排在后面的几个参数，从而实现神经网络输入参数的筛选。