WM算法优化与问题解决

复杂工业过程常常具有强非线性、不确定性、多变量、强耦合以及工况变化频繁等特点，动态特性难以用精确的数学模型描述。实际应用中，人们发现利用IF-THEN规则建立系统的模糊描述模型是一种行之有效的方法。众所周知，模糊规则的获取是模糊建模的成功关键，通常模糊规则的产生有以下三种方法：

1）基于专家经验和知识产生规则。

2）从样本数据中自动产生规则。(www.xing528.com)

3）样本数据结合专家知识产生混合规则。

近年来，从样本数据中自动产生规则引起了人们的极大关注，其主要原因在于简单系统可以基于专家知识产生规则，但是当变量增多及变量的模糊集分割过多时，单纯依靠专家知识获取模糊规则是十分困难的。因此，遗传算法、模糊聚类和神经网络等方法相继被提出用于从样本数据中自动产生规则[23-27]。然而，这些方法要求不断地反复学习或是产生规则的机理过于复杂使得工程上难以实施。文献[28]提出从样本数据中获取模糊规则的WM算法（也叫查表法），此算法的特点是简单实用，现已成为该领域的经典方法并被广泛引用。但WM算法的主要缺点是产生的模糊规则库缺乏良好的完备性和鲁棒性。文献[29]针对WM算法的缺陷，采用数据挖掘技术做了进一步改进工作。但我们认为这两种算法产生的模糊规则库仍然存在可改进、可完善的空间[30-31]。下面我们首先分析WM算法产生模糊规则库缺乏良好完备性和鲁棒性的根源，然后进一步分析WM改进算法（iWM算法）存在的问题，接下来给出一种新的数据挖掘技术产生模糊规则库的算法（DM算法），最后将这三种算法进行仿真对比研究。