论文部分内容阅读
研究动态生物系统需要对其建立数学模型并进行计算机建模与仿真。连续Petri网是一种系统建模与仿真工具,可以实现常微分方程组的可视化建模与仿真,常用于模拟生物系统。然而由于生物系统的复杂性和数据测量存在误差等原因,生物系统存在不确定性,连续Petri网无法对具有不确定性的生物系统建模。模糊神经网络是一种人工智能技术,能够利用专家知识解决非线性系统建模问题且无需精确的数学模型,但存在依赖专家经验初始化的问题,即模糊规则需要专家预先设计,难以自动获取和调整。为解决上述问题,本文在连续Petri网的基础上引入模糊神经网络,提出一种名为混合Petri网的生物系统建模方法用于实现生物系统的不确定性建模,同时改进了模糊神经网络建模算法,降低其对专家知识的依赖。本文的主要研究内容如下:(1)概述Petri网相关理论和模糊神经网络的研究现状,介绍了相关技术,包括Petri网相关理论、模糊系统、模糊神经网络和常见聚类算法等;(2)为解决生物系统的不确定性建模问题,本文提出一种新的建模方法混合Petri网。混合Petri网是一种基于模糊神经网络和连续Petri网的生物系统建模方法,该方法能够对具有不确定性的生物系统建模仿真,且无需精确的数学模型;(3)针对模糊神经网络初始化依赖专家经验的问题,本文提出一种基于模糊C均值(Fuzzy C-Means clustering,FCM)聚类的递归结构设计方法。该方法以输出样本的波动程度为导向递归划分模糊神经网络输入空间,从而实现模糊规则自动获取与参数初始化,降低了模糊神经网络对专家知识的依赖;(4)为了验证模糊神经网络的逼近能力和混合Petri网的仿真能力,本文给出两个生物系统仿真实验。实验结果证明混合Petri网能够对具有不确定性的生物系统建模仿真,基于FCM聚类的递归结构设计方法能够降低专家依赖,在训练阶段加快了算法收敛速度。