(3.238.118.78) 您好!臺灣時間:2021/04/15 21:07
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳怡儒
研究生(外文):Chen, Yi-Ru
論文名稱:以系統化方式辨証模糊系統
論文名稱(外文):A Systematic Approach in the Identification of Fuzzy Models
指導教授:黃有評黃有評引用關係
指導教授(外文):Yo-Ping Huang
學位類別:碩士
校院名稱:大同工學院
系所名稱:資訊工程學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:1997
畢業學年度:85
語文別:中文
論文頁數:77
中文關鍵詞:模糊模型模糊分類基因演算法最陡坡降法
外文關鍵詞:Fuzzy ModelFuzzy ClusteringGenetic AlgorithmGradient Descent Method
相關次數:
  • 被引用被引用:0
  • 點閱點閱:76
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
此論文之目的為提出一個有效率且系統化的方法來建立不同類型模糊模型
,其中第一類為Tsukamoto-type,第二類為Mamdani-type,而第三類為
Takagi-Sugeno-Kang-type。所提之系統化建模主要步驟如下:第一步為
模糊分類─模糊分類之目的為找出分類中心點;但從原有的分類方法中可
發現,當資料過分集中時會因為受到鄰近資料的影響而無法完成分類的目
標。所以在此提出一修正的分類法則來改善此缺點,在所提的法則中在調
整中心點數次之後將最大的聚類中心點作為我們所需要的中心點,並將此
據類從資料中暫時除去,使這些資料不影響其它中心點的取得,並使分類
目標快速達成且有較好的分類效果。第二步為模糊法則庫─首先以投影的
方式得到所需的歸屬函數,並由歸屬程度的大小來建立所對應之模糊規則
,最後將此法則歸納於法則庫中。第三步為歸屬函數的調整─在本論文中
以基因演算法與最陡坡降法來調整三角形歸屬函數的左右寬度與中心點。
另外,因第二類的模糊模型之解模糊化所用的重心法無法直接對參數做偏
微分,故無法以最陡坡降法來調整,為了解決此一問題我們將第二類的模
糊模型解模糊化的公式重新推導演化,使它可以針對歸屬函數的中心點與
寬度做偏微分以達到利用最陡坡降法調整之目的。利用所提之方法,我們
針對幾個常用例子進行模擬,並提出完整之推導式子及模擬結果。從模擬
結果可知所提之建模方法在不同類型之模糊模型中均有不錯之成效。
The purpose of this thesis is to propose a systematic and
effective method toconstruct different types of fuzzy models
such as Tsukamoto-type, Mamdani-type,and Takagi-Sugeno-Kang-type
fuzzy models. The main processes of the proposedsystematic fuzzy
modeling scheme are as follows. The first step is to
fuzzycluster the given data and then to find the cluster
centers. However, thetraditional clustering methods such as
fuzzy c-means algorithm and mountainclustering method, when the
given data are too concentrated on a compact area,the cluster
centers cannot be well estimated due to the mutual effect
ofneighboring data. Therefore, a modified clustering algorithm
is developed toovercome this drawback. In the developed
algorithm, the center of the mostsatisfied subset is assigned to
the considered cluster center after tuningthe centers several
times. Later, the subset with the center just identified
istemporarily removed to eliminate the effects of this cluster
to the others. Bymeans of this scheme, we can achieve not only
the goal of fast clusterung butalso good clustering performance.
The second step is to establish a fuzzy rulebase. The centers of
the membership functions are obtained by the projectionof the
cluster centers onto the axes of their own coordinate. By
comparingthe maching degrees, we can gradually build the
necessary fuzzy rules for therule base. The final step is to
tune the widths and the centers of the triangular membership
functions via the genetic algorithms and the gradientdescent
method. Since the center of area defuzzification method is not
allowedto take the partial derivatives, the parameters of such
membership functionscannot be tuned by the gradient descent
method. Therefore, the defuzzificationof the Mamdani-type fuzzy
model is reformulated to solve the partial derivativeproblem.
Based on the proposed method, we perform simulations for various
commonly used examples. The simulation results are given. Based
on the simulation results, we can find that the proposed fuzzy
modeling approachesprovides very satisfactory performance.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔