本文關(guān)鍵詞：計算智能方法研究及其集成應用

  更多相關(guān)文章： 計算智能 模糊系統(tǒng) 人工神經(jīng)網(wǎng)絡 遺傳算法 BP網(wǎng)絡 泛化能力 知識抽取 Kohonen網(wǎng)絡 復合模塊化網(wǎng)絡群 啟發(fā)式遺傳算法 卷煙葉組配方設計 配方維護 感官質(zhì)量 煙氣分析

【摘要】： 計算智能(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)境中進行推理和學習的卓越能力，是建立智能系統(tǒng)的更有效的計算工具。已被廣泛應用于信息處理、管理決策、智能控制、專家系統(tǒng)、故障診斷等領域。其中主要的三種方法是：模糊系統(tǒng)、人工神經(jīng)網(wǎng)絡、遺傳算法。在解決實際問題中，應努力實現(xiàn)各方法之間的優(yōu)勢互補，協(xié)同工作，才能構(gòu)建高性能的智能系統(tǒng)。 計算機輔助卷煙葉組配方設計的主要任務是：一是要建立合理的葉組化學指標與感官質(zhì)量指標和煙氣指標之間關(guān)系的數(shù)學模型；二是要根據(jù)設計目標，利用此數(shù)學模型，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非常復雜的，具有不確定性的非線性問題，應用傳統(tǒng)的人工智能方法和數(shù)學方法很難完成，因此考慮綜合應用這三種計算智能方法。本文首先分別對兩種神經(jīng)網(wǎng)絡模型及遺傳算法的標準算法提出改進，然后將這些改進方法在卷煙葉組配方設計中進行集成應用。全文共分為八章。 第一章介紹了計算智能的含義，三種計算智能方法的特點及協(xié)作方式。 第二章簡單闡述了人工神經(jīng)網(wǎng)絡的原理和存在的問題。 第三章專門研究了BP網(wǎng)絡。根據(jù)BP算法的原理，分析了BP算法在應用于復雜問題時往往收斂很慢的原因。從激勵函數(shù)、權(quán)值修正方法、目標函數(shù)三方面對多個改進算法進行收斂性能的比較。在理論上分析了影響B(tài)P網(wǎng)絡的泛化能力的主要因素，，提出了一種優(yōu)化網(wǎng)絡結(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BP算法。最后在對神經(jīng)元的Sigmoid激勵函數(shù)近似為分段線性函數(shù)的前提下，提出一種從受訓的BP網(wǎng)絡抽取知識的簡單方法，并應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)絡的基本原理。首先提出奇異值分解法來確定合適的一維Kohonen網(wǎng)絡結(jié)構(gòu)，然后研究了一維網(wǎng)絡的權(quán)值初始化與拓撲映射間的關(guān)系，并提出新的初始權(quán)值方法。本章重點從鄰域函數(shù)、學習率調(diào)整等方面研究了二維網(wǎng)絡的改進算法，并將之應用于煙葉動態(tài)分類問題。 第五章論述了由BP和Kohonen網(wǎng)絡構(gòu)成的復合模塊化網(wǎng)絡群。在應用于 計算智能方法研究及其集成應用 復雜問題建模時能有效提高學習的收斂速度和精度。 第六章簡介了遺傳算法基本原理及發(fā)展現(xiàn)狀。提出用遺傳算法來解決基于 神經(jīng)網(wǎng)絡建模的優(yōu)化問題。提出有引導進化的啟發(fā)式遺傳算法，更有效地解決 特定領域問題。 第七章將上述研究綜合應用于卷煙葉組配方計算機輔助設計系統(tǒng)中。首先 介紹了卷煙配方的專業(yè)術(shù)語和傳統(tǒng)的配方流程。然后從與幾種專家系統(tǒng)方法的 比較引入智能系統(tǒng)的開發(fā)背景。根據(jù)整個系統(tǒng)總體設計方案，我們分層次地描 述了計算智能方法的集成過程。系統(tǒng)的基礎是:先應用了第五章的復合模塊化 網(wǎng)絡算法，建立有效的卷煙感官質(zhì)量和煙氣指標的神經(jīng)網(wǎng)絡評估模型。并通過 檢驗樣本的結(jié)果證明了算法的有效性。然后重點論述了葉組配方維護子系統(tǒng)和 新配方設計子系統(tǒng)中，采用的計算智能集成方法。即在神經(jīng)網(wǎng)絡評估模型基礎 上，應用第六章論述的啟發(fā)式遺傳算法，設計了不同的具有明顯問題特點的編 碼和遺傳算子進行尋優(yōu)。最后對系統(tǒng)運行結(jié)果進行分析，算法能有效地尋找到 最優(yōu)或次優(yōu)配方方案。 論文最后一章對研究成果進行總結(jié)，分析了應用于卷煙葉組配方系統(tǒng)中的 成功與不足處，并對今后系統(tǒng)的深入研究進行展望，指出未來的一些研究方向。
【關(guān)鍵詞】：計算智能 模糊系統(tǒng) 人工神經(jīng)網(wǎng)絡 遺傳算法 BP網(wǎng)絡 泛化能力 知識抽取 Kohonen網(wǎng)絡 復合模塊化網(wǎng)絡群 啟發(fā)式遺傳算法 卷煙葉組配方設計 配方維護 感官質(zhì)量 煙氣分析
【學位授予單位】：中國海洋大學
【學位級別】：碩士
【學位授予年份】：2003
【分類號】：TP18
【目錄】：

• 第1章 前言9-11
• 1.1 計算智能的基本概念9-10
• 1.2 計算智能主要技術(shù)的協(xié)作方式10-11
• 第2章 人工神經(jīng)網(wǎng)絡的應用研究11-13
• 2.1 人工神經(jīng)網(wǎng)絡的基本原理11-12
• 2.2 人工神經(jīng)網(wǎng)絡的發(fā)展與應用12
• 2.3 人工神經(jīng)網(wǎng)絡的前景及存在的問題12-13
• 第3章 BP神經(jīng)網(wǎng)絡的應用研究13-34
• 3.1 BP神經(jīng)網(wǎng)絡的改進算法收斂性能比較15-22
• 3.1.1 激勵函數(shù)15-17
• 3.1.2 權(quán)值修正策略17-20
• 3.1.3 目標函數(shù)20-22
• 3.2 提高BP神經(jīng)網(wǎng)絡的泛化能力22-30
• 3.2.1 網(wǎng)絡結(jié)構(gòu)24-27
• 3.2.2 訓練樣本的質(zhì)量和數(shù)量27-28
• 3.2.3 避免其它因素對泛化的影響28-30
• 3.3 從BP網(wǎng)絡中抽取知識30-34
• 第4章 Kohonen網(wǎng)絡的應用研究34-43
• 4.1 Kohonen網(wǎng)絡的基本原理34-37
• 4.2 確定合適的一維Kohonen網(wǎng)絡結(jié)構(gòu)37-38
• 4.3 一維Kohonen網(wǎng)絡的權(quán)值初始化與拓撲映射38-39
• 4.4 二維Kohonen網(wǎng)絡的改進算法39-41
• 4.5 Kohonen網(wǎng)絡在煙葉動態(tài)分類中的應用41-43
• 第5章 復合模塊化網(wǎng)絡群43-46
• 5.1 模塊化網(wǎng)絡43-44
• 5.2 復合模塊化網(wǎng)絡群44-46
• 第6章 遺傳算法的研究46-50
• 6.1 遺傳算法簡介46-47
• 6.2 基于神經(jīng)網(wǎng)絡的遺傳算法優(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)中的計算智能集成50-66
• 7.1 卷煙葉組配方設計的基本概念50-51
• 7.2 卷煙配方設計智能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)的總體設計53-54
• 7.4 葉組感官質(zhì)量評價和煙氣指標的神經(jīng)網(wǎng)絡評估模型54-56
• 7.5 卷煙葉組配方維護子系統(tǒng)56-61
• 7.5.1 配方維護中的計算智能集成56-60
• 7.5.2 系統(tǒng)運行結(jié)果分析60-61
• 7.6 卷煙新葉組配方設計子系統(tǒng)61-66
• 7.6.1 新葉組配方設計中的計算智能集成61-64
• 7.6.2 系統(tǒng)運行結(jié)果分析64-66
• 第8章 結(jié)論66-68
• 參考文獻68-73
• 作者攻讀碩士期間完成論文73-74
• 致謝74

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前3條

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

2 張秉森,劉曉潔;神經(jīng)網(wǎng)絡在計算機配色中的應用[J];印染;2005年18期

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

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 楊寧;計算機輔助卷煙配方設計關(guān)鍵技術(shù)研究[D];中國海洋大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 楊寧;支持向量機在感官評估中的應用研究[D];中國海洋大學;2004年

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

本文編號：614278