模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座

含糊神經(jīng)網(wǎng)絡(luò)是一個集含糊邏輯推理強(qiáng)大結(jié)構(gòu)性知識表示能力與神經(jīng)網(wǎng)絡(luò)強(qiáng)大自學(xué)習(xí)能力于一體新技術(shù)。（1）神經(jīng)元、含糊模型以含糊控制為主體，用神經(jīng)元網(wǎng)絡(luò)實現(xiàn)含糊控制決議，以含糊控制方法為“樣本”，對神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練學(xué)習(xí)。“樣本”就是學(xué)習(xí)“教師”。全部樣本學(xué)習(xí)完后，這個神經(jīng)元網(wǎng)絡(luò)，就是一個聰明、靈活含糊規(guī)則表，含有自學(xué)習(xí)、自適應(yīng)功效。1、神經(jīng)元網(wǎng)絡(luò)與含糊技術(shù)幾個結(jié)合方式模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第1頁（2）含糊、神經(jīng)模型以神經(jīng)網(wǎng)絡(luò)為主體，將輸入空間分割成若干不一樣型式含糊推論組合，對系統(tǒng)先進(jìn)行含糊邏輯判斷，以含糊控制器輸出作為神經(jīng)元網(wǎng)絡(luò)輸入（串）。后者含有自學(xué)習(xí)智能控制特征。含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第2頁含糊神經(jīng)網(wǎng)絡(luò)（3）神經(jīng)與含糊模型依據(jù)輸入量不一樣性質(zhì)分別由神經(jīng)網(wǎng)絡(luò)與含糊控制直接處理輸入信息，并作用于控制對象（并），更能發(fā)揮各自控制特點(diǎn)。（4）在結(jié)構(gòu)上將二者融為一體組成含糊神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)含糊推理，在本質(zhì)上是含糊系統(tǒng)實現(xiàn)。模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第3頁含糊神經(jīng)網(wǎng)絡(luò)1）含糊神經(jīng)網(wǎng)絡(luò)即使也是局部迫近網(wǎng)絡(luò)，不過它是按照含糊系統(tǒng)模型建立，網(wǎng)絡(luò)中各個結(jié)點(diǎn)及全部參數(shù)均有顯著物理意義，所以這些參數(shù)初值可依據(jù)含糊系統(tǒng)定性知識加以確定，經(jīng)過上述學(xué)習(xí)算法訓(xùn)練，收斂后網(wǎng)絡(luò)能夠滿足系統(tǒng)所要求輸入輸出關(guān)系，這是含糊神經(jīng)網(wǎng)絡(luò)同單純神經(jīng)網(wǎng)絡(luò)相比其優(yōu)點(diǎn)所在。優(yōu)點(diǎn)：模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第4頁含糊神經(jīng)網(wǎng)絡(luò)2）含糊系統(tǒng)含糊集、隸屬函數(shù)和含糊規(guī)則設(shè)計是建立在經(jīng)驗知識基礎(chǔ)上，這種設(shè)計方法存在很大主觀性。神經(jīng)網(wǎng)絡(luò)所含有強(qiáng)大自學(xué)習(xí)能力，使得傳統(tǒng)含糊控制系統(tǒng)中主觀性信息在很大程度上得以減弱，從而使得含糊控制愈加貼近實際情況，這是它同單純含糊邏輯系統(tǒng)相比其優(yōu)點(diǎn)所在。

模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第5頁含糊神經(jīng)網(wǎng)絡(luò)3）含糊神經(jīng)網(wǎng)絡(luò)將定性知識表示和定量數(shù)值運(yùn)算很好地結(jié)合了起來，含有很好控制效果。在含糊神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn)用來表示含糊系統(tǒng)輸入、輸出信號，神經(jīng)網(wǎng)絡(luò)隱含節(jié)點(diǎn)用來表示隸屬函數(shù)和含糊規(guī)則，利用神經(jīng)網(wǎng)絡(luò)并行處理能力使得含糊推理能力大大提升。模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第6頁含糊神經(jīng)網(wǎng)絡(luò)2、含糊神經(jīng)網(wǎng)絡(luò)分類基于標(biāo)準(zhǔn)模型（Mamdani）含糊神經(jīng)網(wǎng)絡(luò)含糊規(guī)則后件是輸出量某一含糊集合。基于T-S含糊神經(jīng)網(wǎng)絡(luò)

含糊規(guī)則后件是輸入語言變量函數(shù)（線性組合）。模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第7頁1、結(jié)構(gòu)…………∏∏∏∏∏…………∑……輸入層含糊化含糊推理去含糊化第1層（輸入層）：

將輸入（系統(tǒng)誤差，誤差改變率）引入網(wǎng)絡(luò)：基于標(biāo)準(zhǔn)模型含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第8頁第2層（含糊化層）：

對輸入進(jìn)行含糊化。假設(shè)在每個輸入論域上定義3個含糊語言詞集{N，Z，P}={“負(fù)”，“零”，“正”}，隸屬函數(shù)采取高斯基函數(shù)，與{N，Z，P}對應(yīng)中心值分別為{-1，0，1}，寬度為{0.5，0.5，0.5}。隸屬函數(shù)形狀與分布以下列圖所表示?；跇?biāo)準(zhǔn)模型含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第9頁…………∏∏∏∏∏…………∑……輸入層含糊化含糊推理去含糊化第3層（含糊推理）：

代表“and”操作，在此網(wǎng)絡(luò)中用乘法代替取小運(yùn)算。

基于標(biāo)準(zhǔn)模型含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第10頁…………∏∏∏∏∏…………∑……輸入層含糊化含糊推理去含糊化第4層：

代表去含糊化過程，在這里采取權(quán)值平均判決法。

wij為網(wǎng)絡(luò)權(quán)值，其物理意義是各控制規(guī)則輸出對應(yīng)語言詞集中心值?；跇?biāo)準(zhǔn)模型含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第11頁2、網(wǎng)絡(luò)學(xué)習(xí)算法

學(xué)習(xí)仍采取BP算法，定義目標(biāo)函數(shù)

則基于標(biāo)準(zhǔn)模型含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第12頁

在此含糊神經(jīng)網(wǎng)絡(luò)中，可調(diào)參數(shù)有三類：一類為規(guī)則權(quán)系數(shù)；第二類和第三類為高斯函數(shù)均值和標(biāo)準(zhǔn)差，即輸入隸屬函數(shù)參數(shù)。

基于標(biāo)準(zhǔn)模型含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第13頁（1）含糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖中所表示為MIMO系統(tǒng)。該網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成。1.前件網(wǎng)絡(luò)前件網(wǎng)絡(luò)由4層組成，每一層結(jié)構(gòu)以及功效和標(biāo)準(zhǔn)模型（Mamdani模型）含糊神經(jīng)網(wǎng)絡(luò)完全相同，這里不再贅述。

基于T-S含糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第14頁2.后件網(wǎng)絡(luò)后件網(wǎng)絡(luò)是由r個結(jié)構(gòu)相同并列子網(wǎng)絡(luò)組成，每個子網(wǎng)絡(luò)產(chǎn)生一個輸出量（圖中只畫出了一個）。子網(wǎng)絡(luò)第一層是輸入層，它將輸入變量傳送到第二層。輸入層中第0個結(jié)點(diǎn)輸入值x0=1，它作用是提供含糊規(guī)則后件中常數(shù)項。

基于T-S含糊神經(jīng)網(wǎng)絡(luò)輸入層，第0個結(jié)點(diǎn)輸入值是1，用于提供含糊規(guī)則后件中常數(shù)項模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第15頁

子網(wǎng)絡(luò)第二層共有m個結(jié)點(diǎn)，每個結(jié)點(diǎn)代表一條規(guī)則，該層作用是計算每條規(guī)則后件，即：基于T-S含糊神經(jīng)網(wǎng)絡(luò)每個結(jié)點(diǎn)代表一條規(guī)則，用于計算每條規(guī)則后件模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第16頁子網(wǎng)絡(luò)第三層輸出為：

可見，yk是各規(guī)則后件加權(quán)和，加權(quán)系數(shù)為各含糊規(guī)則經(jīng)歸一化處理后激活度（或匹配度），即前件網(wǎng)絡(luò)輸出用作后件網(wǎng)絡(luò)第三層連接權(quán)值?；赥-S含糊神經(jīng)網(wǎng)絡(luò)計算系統(tǒng)輸出模糊神經(jīng)網(wǎng)絡(luò)簡介專家講座第17頁3、學(xué)習(xí)算法

仍取誤差函數(shù)為：其中，yid和yi分別表