模糊信息粒化建模及在能源消费对公共健康影响研究中的应用

Granular computing and fuzzy system theory are synthetically utilized in this project. Based on complex data, modeling and optimization of fuzzy information granules are discussed. Besides, fuzzy information granulation and fuzzy information granular neural networks are applied to evaluate and forecastthe impacts of energy consumption on environmental pollution and public health in China. The main contents are as following. (1) A kind of improved clustering algorithm is proposed to attribute non-isometric granules, and the aggregation groups of properties are constructed to realize feature extraction. Further, fuzzy information granulation model is set up based on fuzzy rules. (2) A type of fuzzy information granular neural networkis designed, the connection weights and output of which are interval valued. To improve the goodness of fit and the approximation performance of it, some modified intelligent optimization algorithms are considered to identify structure and to adjust parameters of the networks. (3) By means of coverage, in which the classification categories are allowed to be overlapped between each other, a hierarchical fuzzy information granular neural network is established. (4) For China's major cities and megalopolises, intervalvalued fuzzy information granular neural networks and hierarchical networks are established respectively, by which the effects of energy consumption on public health are carried out.This research can enrich modeling methods for complex data with multiple granularities, various categories and information loss. It could contribute to take further understanding of the public health influencefrom energy consumption, and it would help to provide reference for China's energy development strategy plan.

本课题综合运用粒计算和模糊系统理论，探讨基于复杂数据的模糊信息粒化模型的构建与优化，并将提出的建模方法应用于我国能源消费引起的环境污染对公共健康影响的评价与预测中，主要研究内容包括：(1)提出一类改进的聚类算法对属性进行非等距粒化，将多属性分组聚合实现特征的提取，归纳模糊规则建立模糊信息粒化模型；(2)研究连接权和输出均为区间值形式的模糊信息粒神经网络的构建，改进智能算法实现网络的结构辨识与参数调整，提高网络的拟合优度与逼近性能；(3)讨论分类类别间存在重叠的覆盖型划分算法，设计一类基于覆盖的模糊信息粒分层神经网络模型；(4)分别对我国主要城市和城市集群建立模糊信息粒区间值网络和分层模型，开展能源消费对公众健康影响的实证分析。本课题能够丰富数据具有多粒度、多类别和存在缺失的系统建模与预测研究，有助于进一步认识能源消费的公共健康效应，为我国能源发展战略行动计划的实施提供参考。

本项目基于粒计算理论和模糊系统理论，综合运用信息粒化、模糊推理以及智能优化等方法，讨论了模糊信息粒的构造方式，设计了模糊信息粒区间值模型和神经网络模型，探讨了相关模型的结构和参数的辨识算法，并将其运用于解决复杂系统建模、评价与预测问题，进而对我国的能源、环境与公众健康等相关领域中的问题进行了实证研究。项目主要的研究内容和结果包括：(1)在梳理现有的信息粒化方法基础上，基于合理化信息粒生成原理通过采用不同的覆盖度函数和特征度函数，构建了新的模糊信息粒化准则，进而将信息粒的生成归结为求解一类由数据驱动的最优化问题，并对常见的待优化准则函数进行了形式推导和性质分析；(2)运用模糊聚类方法对区间值型时间序列提出了一类信息粒的生成方法，设计了带有门限的区间型时间序列的信息粒化模型，给出了各子模型参数的识别算法，进而构建了一种含有多备择窗口的模糊时间序列模型，并利用遗传算法对模型的结构和可变窗口进行自适应地辨识与优化；(3)针对区间值型的信息粒时间序列，构建了一类带有误差补偿部分的边缘线性化模糊系统模型，提出了一种新的综合了预测精度和区间覆盖度的评价指标，分别设计了一类融合了受限玻尔兹曼机的核logistic神经网络和一类改进的Elman神经网络模型，来处理区间值时间序列的分类和预测问题；(4)分别选取PM2.5和二氧化硫等主要大气污染物，实证研究了雾霾污染的主要影响因素、城市大气污染的动态分类、大气污染对公众死亡率的影响、大气污染对居民认知能力和自评健康的影响，以及低碳经济转型等问题。课题的研究结果有助于拓宽多类型、多尺度、混合信息的处理手段，有助于丰富复杂系统的建模方法，提高分类和预测的精度，有助于持续深入地开展污染治理，保障公众健康。