12、模糊关系调优的逆推理研究

模糊关系调优的逆推理研究

1. 背景与问题提出

在变量评估中，像“温度上升”“压力下降”这类与因果相关的因素常被使用。不过，使用专家关系矩阵并不能确保诊断的理论结果与实际数据完全相符，也就是说，模型的“质量”在很大程度上依赖于构建诊断矩阵的专家的“质量”。此外，求解模糊关系方程的问题依然存在，目前还没有能计算完整解集的满意答案。

之前采用遗传算法的纯专家系统来解决诊断问题，但它是离线操作的，在获取新的实验数据时会变得繁琐且效率低下。因此，需要一种结合遗传和神经的混合方法来设计自适应诊断系统，通过构建和训练与诊断方程同构的特殊神经模糊网络，实现决策的在线修正。

2. 基于模糊关系的诊断近似器

将诊断对象视为一个具有(n)个输入和(m)个输出的黑箱。输出与观察到的效应（症状）相关，输入对应于观察到的效应的原因（诊断）。诊断问题就是通过观察到的输出效应来恢复和识别输入原因。输入和输出可看作是在相应通用集上的语言变量，使用模糊术语进行评估。

• 符号表示 ：
  • 输入参数集：({x_1, x_2, \cdots, x_n})，(x_i \in [\underline{x}_i, \overline{x}_i])，(i = 1, \cdots, n)。
  • 输出参数集：({y_1, y_2, \cdots, y_m})，(y_j \in [\underline{y}_j, \overline{y}_j])，(j = 1, \cdots, m)。
  • 输入参数(x_i)的语言术语集：({c_{i1}, c_{i2}, \cdo