买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于混合优化的模糊认知图学习方法，通过编码将模糊认知图权值矩阵转换为粒子个体，并设置合理的目标函数，通过粒子群迭代迅速最小化目标函数找到权值矩阵的最优区间，当达到粒子群优化的最大迭代步数或优化效果不再明显时切换为梯度下降法，通过定义计算梯度从而准确找到优化方向，最终快速收敛，找到全局最优解。本发明避免了粒子群优化后期效果不明显，以及梯度下降法优化结果依赖初始解质量的缺点，能够基于历史数据快速、准确的获得模糊认知图的权值矩阵。

主权项：1.一种基于混合优化的模糊认知图学习方法，其特征在于，它包括以下步骤：步骤1：将模糊认知图节点根据理想权值推理至稳定状态后的值作为期望输出，节点根据当前实际权值推理至稳定状态后的值作为实际输出，其中节点值更新公式如下： 其中，Cit为节点Ci在t时刻的值，Cji表示权值矩阵中第j行第i列的元素，函数fx为sigmoid归一化函数，表达式如下： 计算实际输出与期望输出之间的误差平方和，作为目标函数：对于模糊认知图的一组输入数据，设其期望输出为S＝S1,S2,...,S8，实际输出为C＝C1,C2,...,C8，则对于N组训练数据，设计目标函数如下： 其中，Ski表示第k组数据中第i个节点的理想值，Cki表示第k组数据中第i个节点的实际值，优化过程通过最小化目标函数来缩小实际值与理想值之间的误差，最终得到理想的权值矩阵；步骤2：设计粒子群优化算法的个体编码方式：粒子个体的维度设置为权值矩阵中的非零值的个数，每个维度依次对应权值矩阵中的非零权值，即每个粒子个体13维；设种群中有m个粒子，种群最大迭代步数为pso_itermax，粒子i的位置和速度向量如下：Xi＝xi1,xi2,...,xid,i＝1,2,...,mVi＝vi1,vi2,...,vid,i＝1,2,...,m其中，xij、vij分别为向量Xi、Vi的第j维分量，d是粒子最大维度，本实例中取值为13，初始化方式如下： 其中rand-1,1表示[-1,1]之间的随机值；记录每个粒子的位置作为个体最优位置：Pbesti＝Pbesti1,Pbesti2,...,Pbestid,i＝1,2,...,m将每个粒子对应的权值矩阵依次代入目标函数计算公式，找出使目标函数最小的粒子作为整个种群的最优位置：Gbest＝Gbest1,Gbest2,...,Gbestd步骤3：在个体最优和群体最优的引导下，按照粒子群算法的更新公式更新整个种群：Vit+1＝w·Vit+c1·r1·Pbestit-Xit+c2·r2·Gbestt-XitXit+1＝Xit+Vit其中，Vit、Xit分别表示粒子i在第t步迭代时的速度和位置，w为惯性常数，通常取值为1，c1、c2为学习因子，通常取值为2，r1、r2为[0,1]之间的随机值；步骤4：代入更新后的个体位置对应的权值矩阵重新计算目标函数，更新个体最优和群体最优；步骤5：判断是否满足停止条件：达到粒子群最大迭代步数pso_itermax或群体最优的变化小与设定阈值|Gbestt-Gbestt-1|＜α，其中α为设定的阈值。若是，转入步骤6，否则转入步骤3；步骤6：停止粒子群优化，输出群体最优作为梯度下降法的初始解向量，设置梯度下降法的最大迭代步骤gda_itermax；步骤7：计算目标函数对于各权值的梯度由于模糊认知图经过多次推理，且每次推理后都要进行归一化，最终的目标函数对于各项权值的数学表达式非常复杂，梯度难以通过求导公式解算，因此根据导数的定义计算梯度，公式如下： 其中，δ实际计算时取值为10-8；步骤8：按照如下公式更新各权值： wjit+1＝wjit+Δwji其中，η为学习率，设置为0.01；代入新的权值重新计算目标函数；步骤9：判断是否满足停止条件：达到梯度下降法的最大迭代步数gda_itermax或目标函数的变化小与设定阈值|fWt-fWt-1|＜β，其中β为设定的阈值；若是，转入步骤10，否则转入步骤7；步骤10：按照粒子群个体编码顺序，将当前权值向量反编码：将权值向量的每个维度取值依次赋给权值矩阵，矩阵其余位置均取0，形成最终模糊认知图的权值矩阵。

全文数据：

权利要求：

百度查询： 西北机电工程研究所 一种基于混合优化的模糊认知图学习方法