近年來,模糊認知圖由于其簡潔的結(jié)構(gòu),良好的可解釋性和快速的推理能力,已經(jīng)引起了學術(shù)界的廣泛關(guān)注,并且在現(xiàn)實生活中得到了充分的應用。為了將模糊認知圖擴展到更多領域,如何通過學習算法得到高精度的模糊認知圖成為了核心研究任務。高精度的模糊認知圖主要有以下兩個特點:高精度的模糊認知圖具有很強的數(shù)值擬合能力;模糊認知圖的模型應該盡量貼合現(xiàn)實模型,其中一個重要特征就是它們往往是稀疏的。目前很多算法都只將目光集中在提升模型的數(shù)值擬合能力上,而忽視了現(xiàn)實模型所應有的稀疏結(jié)構(gòu)。除此之外,現(xiàn)實數(shù)據(jù)往往含有噪聲,為了讓所學習出的模糊認知圖更加實際可用,高精度的模糊認知圖也應盡可能地擁有抵抗噪聲的能力。本文主要研究如何設計多種學習算法,使得算法在提升模糊認知圖的數(shù)值擬合能力的同時也能夠獲得具有稀疏結(jié)構(gòu)的模型。主要工作總結(jié)如下:基于煙花算法的稀疏模糊認知圖學習方法:目前大多數(shù)用于學習模糊認知圖的進化算法不夠簡潔和快速,而煙花算法作為一種新提出的快速簡單的進化算法值得應用于該問題上。煙花算法已經(jīng)應用在非負矩陣分解,圖像識別和濾波器設計等方向,然而目前煙花算法還沒有應用于模糊認知圖的學習,也不能針對稀疏結(jié)構(gòu)進行學習... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

一個5節(jié)點的模糊認知圖

西安電子科技大學碩士學位論文制的 Memtic 算法的稀疏模糊認知圖學MA 算法描述學習稀疏模糊認知圖時表現(xiàn)出優(yōu)秀的性能[56]，因算法(DC-MA)用于學習高精度稀疏模糊認知圖。我算子，選擇策略，局部搜索策略和自學習策略組子，用以獲得最優(yōu)解和控制密度，局部搜索策略用習策略來調(diào)整密度。圖 3.1 描述了 DC-MA 的流程

圖 3.2 密度控制交叉算子子變異算子作為基本變異算子。當我們選擇一個，則像往常一樣進行變異操作；如果該值為零，位置并將該值設置為零。需要注意的是，密度控解設置為零，因此變異概率應當設置為合理的值

【參考文獻】：
期刊論文
[1]煙花算法研究進展[J]. 譚營,鄭少秋.  智能系統(tǒng)學報. 2014(05)



本文編號：3398876