模糊神經(jīng)petri網(wǎng)模型優(yōu)化及應(yīng)用

1、分類號：TPl83密級：(秘密、機(jī)密、絕密)學(xué)校代碼：10057研究生學(xué)號：11834013模糊神經(jīng)Petri網(wǎng)模型優(yōu)化及應(yīng)用TheOptimizationandAppficationofFuzzyNeuralPetriNetsModel專業(yè)名稱：計算機(jī)應(yīng)用技術(shù)指導(dǎo)教師姓名：李孝忠教授研究生姓名：周艷軍申請學(xué)位級別：工學(xué)碩士論文提交日期：2014年3月論文課題來源：國家自然科學(xué)基金學(xué)位授予單位：天津科技大學(xué)萬方數(shù)據(jù)摘要近年來，Petri

2、網(wǎng)作為一種對離散、異步、并發(fā)、并行、非確定和隨機(jī)等性質(zhì)的信息處理系統(tǒng)建模分析效能超強(qiáng)的工具被越來越多的海內(nèi)外專家學(xué)者廣泛應(yīng)用和研究。此外，模糊理論在表示不確定信息等方面體現(xiàn)出來的優(yōu)勢而倍受東方專家學(xué)者青睞。與此同時，神經(jīng)網(wǎng)絡(luò)因?yàn)槠浔旧韽?qiáng)大的非線性處理能力，一直以來眾多關(guān)注并且已經(jīng)成功應(yīng)用于計算機(jī)科學(xué)、神經(jīng)科學(xué)以及經(jīng)濟(jì)學(xué)等領(lǐng)域中。模糊神經(jīng)Petri網(wǎng)(FuzzyNeuralPetrinets，F(xiàn)NPN)是將Petri網(wǎng)建模分析處理能力與模

3、糊表示相結(jié)合，而后融入神經(jīng)網(wǎng)絡(luò)自適應(yīng)算法而提出的。FNPN匯聚了三個理論各自的優(yōu)點(diǎn)，模型能夠解決某些模型中模糊參數(shù)難以確定的難題，使模型更加真切地描述實(shí)際系統(tǒng)。但是，其學(xué)習(xí)能力還是取決于選取的學(xué)習(xí)算法，如果要獲得好的模型需要選用學(xué)習(xí)收斂速度快、精確度高且震蕩小的學(xué)習(xí)算法。綜上所述，優(yōu)化改進(jìn)FNPN模型的算法對建立更加理想的模型具有較強(qiáng)的現(xiàn)實(shí)意義。針對FNPN學(xué)習(xí)算法計算精度低、收斂性差及訓(xùn)練過程中網(wǎng)絡(luò)震蕩性較大的問題，本文提出一種優(yōu)化的

4、FNPN算法。本算法采用兩種S型連續(xù)函數(shù)分別表示變遷使能及變遷點(diǎn)燃后的新標(biāo)記值，并在傳統(tǒng)參數(shù)修正公式的基礎(chǔ)上考慮修正前的數(shù)值進(jìn)而增加新型的動量項。本文證明了優(yōu)化后的參數(shù)修正算法可以保證FNPN網(wǎng)絡(luò)的收斂性。在改進(jìn)算法的應(yīng)用方面，本文將其應(yīng)用在近來被廣泛研究的故障診斷等系統(tǒng)當(dāng)中，通過對專家系統(tǒng)和故障診斷系統(tǒng)建立相應(yīng)的FNPN模型，利用改進(jìn)前后的算法對模型進(jìn)行計算，由數(shù)據(jù)統(tǒng)計圖可以對比看出本算法在計算精度、算法效率以及收斂性方面的效果均比傳