二型模糊神经网络理论及其在无线传感器网络中的应用

As a generation of fuzzy neural network, type-2 fuzzy neural network (T2FNN) brings together the advantages of neural network and type-2 fuzzy theory. It not only has cognitive, learning, self-organizing and adaptive ability, but also outperforms FNN in handling with non-linearity, uncertainty, ambiguity, and so on. As a result, T2FNN has more potential than FNN in intelligent computing and mass information processing. Therefore, this project aims to develop a theoretical research on T2FNN model based on Nie-Tan (NT) method, which has very low computational complexity, and apply it to the design of routing protocol of wireless sensor network (WSN). The main research contents include: the establishment of the Mamdani and the TSK T2FNN model based on NT method; the theoretical analysis of stability and robustness of this T2FNN model; the designs of self-organizing and adaptive learning algorithms of T2FNN; the design and implementation of clustering routing protocol of WSN based on T2FNN, including cluster head selection algorithm, data fusion algorithm and transmission path optimazation algorithm. This research not only enriches and improves the theories of fuzzy system and neural network, expands the applications of fuzzy neural networks, but also provides a more powerful intelligent cognition and computational tool for large data, mass information processing.

二型模糊神经网络(T2FNN)作为模糊神经网络(FNN)的拓展，汇集了神经网络与二型模糊理论的优点，不仅具有认知、学习、自组织和自适应能力，且在处理非线性、不确定性、模糊性等问题上比FNN有更大的优越性，从而在智能计算和海量信息处理方面存在更大的潜力。为此，本项目拟开展基于计算复杂度非常低的Nie-Tan(NT)方法的T2FNN模型的理论研究及其在无线传感器网络(WSN)的路由协议设计中的应用研究。主要研究内容包括：建立基于NT方法的Mamdani 和TSK T2FNN模型，给出它们的稳定性和鲁棒性分析；设计自组织、自适应的T2FNN 的学习算法；设计和实现基于T2FNN的WSN的分簇路由协议，包括簇头选举算法、数据融合算法和传输路径优化算法等模块。此课题不仅能够丰富模糊系统与神经网络理论方面的研究，开拓FNN的应用领域，也为大数据、海量信息的处理提供了更为强大的智能认知和计算工具。

二型模糊神经网络(T2FNN)作为模糊神经网络(FNN)的拓展，汇集了神经网络与二型模糊理论的优点，不仅具有认知、学习、自组织和自适应能力，且在处理非线性、不确定性、模糊性等问题上比FNN有更大的优越性。本项目首先设计了基于KM降型方法的二型模糊逻辑系统，将之应用于无线传感器网络(WSN)分簇路由协议的簇头选举算法中，并结合模糊理论和蚁群优化算法优化数据传输路径，从而大大延长了WSN的生命周期。其次，建立了基于Nie-Tan(NT)降型方法的T2FNN模型，并设计了基于梯度下降法的参数学习算法，将该模型应用于WSN的加权质心定位算法研究中，取得了较好的效果。另外，为了更好地设计T2FNN模型，本项目还对通常的TSK模糊模型及其稳定性做了更深入的研究，并将之应用于移动机器人跟踪控制和具有切换拓扑的非线性网络系统的一致性问题中，取得了理想效果。最后，项目组成员对于机器学习中的优化模型以及稀疏主成分分析做了深入探讨，取得一定成果。综合上述结果，本研究为进一步设计更优的T2FNN模型打下了坚实的基础，为模型的未来应用提供了重要方向。项目资助发表6篇学术论文，其中SCI论文2篇，核心期刊论文2篇，EI会议论文2篇，培养硕士研究生6名，其中3名已经取得硕士学位, 3名在读。项目投入经费23万，支出约16万元，剩余经费约7万元，计划用于研究的后续支出。