神經(jīng)網(wǎng)絡(luò)計算2.11課件

1、2.11模糊神經(jīng)網(wǎng)絡(luò) 概述從知識的表達方式來看模糊系統(tǒng)可以表達人的經(jīng)驗性知識，便于理解，而神經(jīng)網(wǎng)絡(luò)只能描述大量數(shù)據(jù)之間的復(fù)雜函數(shù)關(guān)系，難于理解從知識的存儲方式來看模糊系統(tǒng)將知識存在規(guī)則集中，神經(jīng)網(wǎng)絡(luò)將知識存在權(quán)系數(shù)中，都具有分布存儲的特點從知識的運用方式來看模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)都具有并行處理的特點，模糊系統(tǒng)同時激活的規(guī)則不多，計算量小，而神經(jīng)網(wǎng)絡(luò)涉及的神經(jīng)元很多，計算量大從知識的獲取方式來看模糊系統(tǒng)的規(guī)則靠專家提供或設(shè)計，難于自動獲取而神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)可由輸入輸出樣本中學(xué)習(xí)，無需人來設(shè)置。 因此將兩者結(jié)合起來，在處理大規(guī)模的模糊應(yīng)用問題方面將表現(xiàn)出優(yōu)良的效果。 2.11.1 模糊神經(jīng)網(wǎng)絡(luò)主要形式

2、 1. 松散型結(jié)合在一個系統(tǒng)中，對于可用If-then規(guī)則來表示的部分，用模糊系統(tǒng)描述，而對很難用If-then規(guī)則表示的部分，則用神經(jīng)網(wǎng)絡(luò)，兩者之間沒有直接聯(lián)系。2. 并聯(lián)型結(jié)合同等型補助型2.11.1 模糊神經(jīng)網(wǎng)絡(luò)主要形式3串聯(lián)型結(jié)合模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中按串聯(lián)方式連接，即一方的輸出成為另一方的輸入，這種情況可看成是兩段推理或者串聯(lián)中前者為后者輸入信號的預(yù)處理部分。例如用神經(jīng)網(wǎng)絡(luò)從原輸入信號提取有效的特征量，作為模糊系統(tǒng)的輸入，這樣可使獲取模糊規(guī)則的過程變得容易。 2.11.2 模糊神經(jīng)網(wǎng)絡(luò)模型基于模糊邏輯系統(tǒng)的標(biāo)準前饋模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 2.11.2 模糊神經(jīng)網(wǎng)絡(luò)模型(4) 去模糊層

3、該層的作用實現(xiàn)歸一化計算，即(5) 輸出層 它實現(xiàn)的是清晰化計算，并采用加權(quán)平均法，即2.11.3 模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法 模糊學(xué)習(xí)算法模糊規(guī)則的提取學(xué)習(xí)算法。模糊規(guī)則的提取指從給定的輸入輸出模糊數(shù)據(jù)對中發(fā)現(xiàn)其對應(yīng)的映射關(guān)系或關(guān)聯(lián)關(guān)系，這也可以認為是數(shù)據(jù)挖掘的一項任務(wù)。若給出的僅有模糊輸入而無相應(yīng)的模糊輸出，則對輸入向量一般需要進行模糊聚類或?qū)δ：斎肟臻g的劃分。如模糊競爭學(xué)習(xí)算法即為此類學(xué)習(xí)算法，模糊規(guī)則的學(xué)習(xí)還可以是事先人為地給出一個較粗的模糊規(guī)則，然后利用學(xué)習(xí)樣本反復(fù)修正這一模糊規(guī)則，進行逐步優(yōu)化。另一類模糊學(xué)習(xí)算法是利用模糊控制方法不斷改善神經(jīng)元網(wǎng)絡(luò)的性能。如模糊BP算法等2.11.4 模糊邏輯MATLAB函數(shù)函 數(shù) 名功 能parsrule()解析模糊規(guī)則函數(shù)showrule()顯示模糊規(guī)則函數(shù)evalfis()執(zhí)行模糊推理計算函數(shù)defuzz()執(zhí)行輸出去模糊化函數(shù)gensurf()生成模糊推理系統(tǒng)的輸出曲面并顯示函數(shù)anfis( )模糊神經(jīng)系統(tǒng)的建模函數(shù)genfis1( )采用網(wǎng)格分割方式生成模糊推理系統(tǒng)函數(shù)fcm( )模糊C-均值聚類函數(shù)subclust( )減法聚類函數(shù)genfis2( )基于減法