本文關(guān)鍵詞：計(jì)算智能方法研究及其集成應(yīng)用

  更多相關(guān)文章： 計(jì)算智能 模糊系統(tǒng) 人工神經(jīng)網(wǎng)絡(luò) 遺傳算法 BP網(wǎng)絡(luò) 泛化能力 知識(shí)抽取 Kohonen網(wǎng)絡(luò) 復(fù)合模塊化網(wǎng)絡(luò)群 啟發(fā)式遺傳算法 卷煙葉組配方設(shè)計(jì) 配方維護(hù) 感官質(zhì)量 煙氣分析

【摘要】： 計(jì)算智能(CI)是多種智能方法的集合體。它具有在不確定及不精確環(huán)境中進(jìn)行推理和學(xué)習(xí)的卓越能力，是建立智能系統(tǒng)的更有效的計(jì)算工具。已被廣泛應(yīng)用于信息處理、管理決策、智能控制、專(zhuān)家系統(tǒng)、故障診斷等領(lǐng)域。其中主要的三種方法是：模糊系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法。在解決實(shí)際問(wèn)題中，應(yīng)努力實(shí)現(xiàn)各方法之間的優(yōu)勢(shì)互補(bǔ)，協(xié)同工作，才能構(gòu)建高性能的智能系統(tǒng)。 計(jì)算機(jī)輔助卷煙葉組配方設(shè)計(jì)的主要任務(wù)是：一是要建立合理的葉組化學(xué)指標(biāo)與感官質(zhì)量指標(biāo)和煙氣指標(biāo)之間關(guān)系的數(shù)學(xué)模型；二是要根據(jù)設(shè)計(jì)目標(biāo)，利用此數(shù)學(xué)模型，有約束地優(yōu)化求解，得到多組最佳或次佳煙葉組合比例。由于卷煙葉組配方是一個(gè)非常復(fù)雜的，具有不確定性的非線性問(wèn)題，應(yīng)用傳統(tǒng)的人工智能方法和數(shù)學(xué)方法很難完成，因此考慮綜合應(yīng)用這三種計(jì)算智能方法。本文首先分別對(duì)兩種神經(jīng)網(wǎng)絡(luò)模型及遺傳算法的標(biāo)準(zhǔn)算法提出改進(jìn)，然后將這些改進(jìn)方法在卷煙葉組配方設(shè)計(jì)中進(jìn)行集成應(yīng)用。全文共分為八章。 第一章介紹了計(jì)算智能的含義，三種計(jì)算智能方法的特點(diǎn)及協(xié)作方式。 第二章簡(jiǎn)單闡述了人工神經(jīng)網(wǎng)絡(luò)的原理和存在的問(wèn)題。 第三章專(zhuān)門(mén)研究了BP網(wǎng)絡(luò)。根據(jù)BP算法的原理，分析了BP算法在應(yīng)用于復(fù)雜問(wèn)題時(shí)往往收斂很慢的原因。從激勵(lì)函數(shù)、權(quán)值修正方法、目標(biāo)函數(shù)三方面對(duì)多個(gè)改進(jìn)算法進(jìn)行收斂性能的比較。在理論上分析了影響B(tài)P網(wǎng)絡(luò)的泛化能力的主要因素，，提出了一種優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的方法和初始化權(quán)值的方法。綜合這些研究結(jié)論，提出了一種有較好泛化能力的混合改進(jìn)BP算法。最后在對(duì)神經(jīng)元的Sigmoid激勵(lì)函數(shù)近似為分段線性函數(shù)的前提下，提出一種從受訓(xùn)的BP網(wǎng)絡(luò)抽取知識(shí)的簡(jiǎn)單方法，并應(yīng)用于單料煙的感官質(zhì)量神經(jīng)—模糊模型中，得到一些有益的規(guī)則。 第四章闡述了Kohonen網(wǎng)絡(luò)的基本原理。首先提出奇異值分解法來(lái)確定合適的一維Kohonen網(wǎng)絡(luò)結(jié)構(gòu)，然后研究了一維網(wǎng)絡(luò)的權(quán)值初始化與拓?fù)溆成溟g的關(guān)系，并提出新的初始權(quán)值方法。本章重點(diǎn)從鄰域函數(shù)、學(xué)習(xí)率調(diào)整等方面研究了二維網(wǎng)絡(luò)的改進(jìn)算法，并將之應(yīng)用于煙葉動(dòng)態(tài)分類(lèi)問(wèn)題。 第五章論述了由BP和Kohonen網(wǎng)絡(luò)構(gòu)成的復(fù)合模塊化網(wǎng)絡(luò)群。在應(yīng)用于 計(jì)算智能方法研究及其集成應(yīng)用 復(fù)雜問(wèn)題建模時(shí)能有效提高學(xué)習(xí)的收斂速度和精度。 第六章簡(jiǎn)介了遺傳算法基本原理及發(fā)展現(xiàn)狀。提出用遺傳算法來(lái)解決基于 神經(jīng)網(wǎng)絡(luò)建模的優(yōu)化問(wèn)題。提出有引導(dǎo)進(jìn)化的啟發(fā)式遺傳算法，更有效地解決 特定領(lǐng)域問(wèn)題。 第七章將上述研究綜合應(yīng)用于卷煙葉組配方計(jì)算機(jī)輔助設(shè)計(jì)系統(tǒng)中。首先 介紹了卷煙配方的專(zhuān)業(yè)術(shù)語(yǔ)和傳統(tǒng)的配方流程。然后從與幾種專(zhuān)家系統(tǒng)方法的 比較引入智能系統(tǒng)的開(kāi)發(fā)背景。根據(jù)整個(gè)系統(tǒng)總體設(shè)計(jì)方案，我們分層次地描 述了計(jì)算智能方法的集成過(guò)程。系統(tǒng)的基礎(chǔ)是:先應(yīng)用了第五章的復(fù)合模塊化 網(wǎng)絡(luò)算法，建立有效的卷煙感官質(zhì)量和煙氣指標(biāo)的神經(jīng)網(wǎng)絡(luò)評(píng)估模型。并通過(guò) 檢驗(yàn)樣本的結(jié)果證明了算法的有效性。然后重點(diǎn)論述了葉組配方維護(hù)子系統(tǒng)和 新配方設(shè)計(jì)子系統(tǒng)中，采用的計(jì)算智能集成方法。即在神經(jīng)網(wǎng)絡(luò)評(píng)估模型基礎(chǔ) 上，應(yīng)用第六章論述的啟發(fā)式遺傳算法，設(shè)計(jì)了不同的具有明顯問(wèn)題特點(diǎn)的編 碼和遺傳算子進(jìn)行尋優(yōu)。最后對(duì)系統(tǒng)運(yùn)行結(jié)果進(jìn)行分析，算法能有效地尋找到 最優(yōu)或次優(yōu)配方方案。 論文最后一章對(duì)研究成果進(jìn)行總結(jié)，分析了應(yīng)用于卷煙葉組配方系統(tǒng)中的 成功與不足處，并對(duì)今后系統(tǒng)的深入研究進(jìn)行展望，指出未來(lái)的一些研究方向。
【關(guān)鍵詞】：計(jì)算智能 模糊系統(tǒng) 人工神經(jīng)網(wǎng)絡(luò) 遺傳算法 BP網(wǎng)絡(luò) 泛化能力 知識(shí)抽取 Kohonen網(wǎng)絡(luò) 復(fù)合模塊化網(wǎng)絡(luò)群 啟發(fā)式遺傳算法 卷煙葉組配方設(shè)計(jì) 配方維護(hù) 感官質(zhì)量 煙氣分析
【學(xué)位授予單位】：中國(guó)海洋大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2003
【分類(lèi)號(hào)】：TP18
【目錄】：

• 第1章 前言9-11
• 1.1 計(jì)算智能的基本概念9-10
• 1.2 計(jì)算智能主要技術(shù)的協(xié)作方式10-11
• 第2章 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究11-13
• 2.1 人工神經(jīng)網(wǎng)絡(luò)的基本原理11-12
• 2.2 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用12
• 2.3 人工神經(jīng)網(wǎng)絡(luò)的前景及存在的問(wèn)題12-13
• 第3章 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究13-34
• 3.1 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法收斂性能比較15-22
• 3.1.1 激勵(lì)函數(shù)15-17
• 3.1.2 權(quán)值修正策略17-20
• 3.1.3 目標(biāo)函數(shù)20-22
• 3.2 提高BP神經(jīng)網(wǎng)絡(luò)的泛化能力22-30
• 3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)24-27
• 3.2.2 訓(xùn)練樣本的質(zhì)量和數(shù)量27-28
• 3.2.3 避免其它因素對(duì)泛化的影響28-30
• 3.3 從BP網(wǎng)絡(luò)中抽取知識(shí)30-34
• 第4章 Kohonen網(wǎng)絡(luò)的應(yīng)用研究34-43
• 4.1 Kohonen網(wǎng)絡(luò)的基本原理34-37
• 4.2 確定合適的一維Kohonen網(wǎng)絡(luò)結(jié)構(gòu)37-38
• 4.3 一維Kohonen網(wǎng)絡(luò)的權(quán)值初始化與拓?fù)溆成?/span>38-39
• 4.4 二維Kohonen網(wǎng)絡(luò)的改進(jìn)算法39-41
• 4.5 Kohonen網(wǎng)絡(luò)在煙葉動(dòng)態(tài)分類(lèi)中的應(yīng)用41-43
• 第5章 復(fù)合模塊化網(wǎng)絡(luò)群43-46
• 5.1 模塊化網(wǎng)絡(luò)43-44
• 5.2 復(fù)合模塊化網(wǎng)絡(luò)群44-46
• 第6章 遺傳算法的研究46-50
• 6.1 遺傳算法簡(jiǎn)介46-47
• 6.2 基于神經(jīng)網(wǎng)絡(luò)的遺傳算法優(yōu)化47-48
• 6.3 啟發(fā)式遺傳算法48-50
• 第7章 卷煙葉組配方CAD系統(tǒng)中的計(jì)算智能集成50-66
• 7.1 卷煙葉組配方設(shè)計(jì)的基本概念50-51
• 7.2 卷煙配方設(shè)計(jì)智能CAD系統(tǒng)的研究背景51-53
• 7.3 卷煙葉組配方智能CAD系統(tǒng)的總體設(shè)計(jì)53-54
• 7.4 葉組感官質(zhì)量評(píng)價(jià)和煙氣指標(biāo)的神經(jīng)網(wǎng)絡(luò)評(píng)估模型54-56
• 7.5 卷煙葉組配方維護(hù)子系統(tǒng)56-61
• 7.5.1 配方維護(hù)中的計(jì)算智能集成56-60
• 7.5.2 系統(tǒng)運(yùn)行結(jié)果分析60-61
• 7.6 卷煙新葉組配方設(shè)計(jì)子系統(tǒng)61-66
• 7.6.1 新葉組配方設(shè)計(jì)中的計(jì)算智能集成61-64
• 7.6.2 系統(tǒng)運(yùn)行結(jié)果分析64-66
• 第8章 結(jié)論66-68
• 參考文獻(xiàn)68-73
• 作者攻讀碩士期間完成論文73-74
• 致謝74

【引證文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 劉淑艷;郭益;沈昀;;基于信息擴(kuò)散方法對(duì)有色金屬力學(xué)性能的研究[J];大型鑄鍛件;2008年06期

2 張秉森,劉曉潔;神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)配色中的應(yīng)用[J];印染;2005年18期

3 王強(qiáng);李孟軍;陳英武;;卷煙配方數(shù)據(jù)挖掘技術(shù)研究進(jìn)展[J];中國(guó)煙草科學(xué);2007年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 楊寧;計(jì)算機(jī)輔助卷煙配方設(shè)計(jì)關(guān)鍵技術(shù)研究[D];中國(guó)海洋大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 楊寧;支持向量機(jī)在感官評(píng)估中的應(yīng)用研究[D];中國(guó)海洋大學(xué);2004年

2 姜科;農(nóng)產(chǎn)品感官評(píng)估綜合分析方法及系統(tǒng)實(shí)現(xiàn)[D];東華大學(xué);2013年

本文編號(hào)：614278