(整理)人工智能翻譯.

1、精品文檔10.4并發(fā)神經(jīng)模糊系統(tǒng)模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)可以為電廠沒有相互合作并行工作在自己。例如,一些日本空調(diào)使用FS阻止壓縮機(jī)從冰冷的冬天，使用神經(jīng)網(wǎng)絡(luò)估計指數(shù)參數(shù)的安慰，被稱為預(yù)測意味著投票(PMV)。結(jié)構(gòu)可以被定義為一個函數(shù)的空間溫度，平均輻射溫度、相對氣流速度、濕度、熱阻用戶的衣服，代謝率。有些結(jié)構(gòu)各參數(shù)不能使用傳感器測量，例如，熱電阻的服裝和代謝率。神經(jīng)網(wǎng)絡(luò)可以用來估計PMV指標(biāo)從一組測量變量等房間溫度、時間微分的房間溫度、室外空氣溫度、空氣流量、設(shè)置溫度和氣流方向(齊藤etal.,1990)。傳感器數(shù)據(jù)和PVM作為輸入和輸出PVM=房間溫度、平均輻射溫度、相對氣流速度、潮濕密度，熱阻用

2、戶的服裝、代謝率傳感器數(shù)據(jù)=房間溫度、時間微分的房間溫度、室外空氣溫度、空氣流量、設(shè)定溫度、氣流方向神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性映射到結(jié)構(gòu)各傳感器測量值的索引。松下電氣公司所使用的技術(shù)已經(jīng)在他們的空產(chǎn)品如圖10.13所示。10.5混合神經(jīng)模糊系統(tǒng)在任何模糊系統(tǒng)，推論使用規(guī)則庫和使用不同的方法去模糊化如重心是最耗時的部分。混合方法的想法是解釋一個模糊系統(tǒng)的神經(jīng)網(wǎng)絡(luò)。這里采用的策略神經(jīng)模糊系統(tǒng)，首先，取代用神經(jīng)網(wǎng)絡(luò)的規(guī)則庫推理處理簡化其次，發(fā)現(xiàn)模糊系統(tǒng)的參數(shù)學(xué)習(xí)方法從神經(jīng)網(wǎng)絡(luò)的方法。一種常見方法應(yīng)用學(xué)習(xí)算法模糊系統(tǒng)是代表在特殊neural-network-like架構(gòu)，如反向傳播學(xué)習(xí)算法可以用來訓(xùn)練系統(tǒng)。在

3、第一種神經(jīng)模糊系統(tǒng)，可以有三種類型的模糊神經(jīng)網(wǎng)絡(luò)只替換規(guī)則庫，輸入和輸出沒有學(xué)習(xí)算法用于優(yōu)化MFs或系統(tǒng)的參數(shù)。這些都是模糊的三種基本類型系統(tǒng)。應(yīng)用啟發(fā)式或試錯方法優(yōu)化和調(diào)整參數(shù):*與Mamdani-type模糊神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)，*與Takagi-Sugeno-Kang-type模糊神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)，*與Tsukamoto-type模糊神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)。在第二種神經(jīng)模糊系統(tǒng)中，如反向傳播或?qū)W習(xí)算法混合訓(xùn)練應(yīng)用于系統(tǒng)的優(yōu)化或調(diào)整參數(shù)。有不同的類神經(jīng)模糊系統(tǒng)在1990年代的文獻(xiàn)報道。其中的一些詳細(xì)討論在下面:*模糊自適應(yīng)學(xué)習(xí)控制網(wǎng)絡(luò)(FALCON)，*近似reasoning-ba

4、sed智能控制(ARIC),*廣義近似reasoning-based智能控制(GARIC),*模糊基函數(shù)網(wǎng)絡(luò)(FBFN),*模糊凈(有趣的),*自適應(yīng)神經(jīng)模糊推理系統(tǒng)(簡稱ANFIS),*infuzzy模糊推理和神經(jīng)網(wǎng)絡(luò)推理軟件(最好),*神經(jīng)模糊控制器(NEFCON),MANFISCANFIS,Self-construeting神經(jīng)模糊推理網(wǎng)絡(luò)(SONFIN),*模糊神經(jīng)網(wǎng)絡(luò)(NFN)。10.5.1模糊神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)與Mamdani-Type在本節(jié)中討論的模糊神經(jīng)網(wǎng)絡(luò)是一種Mamdani-type模糊系統(tǒng)規(guī)則庫是一個神經(jīng)網(wǎng)絡(luò)所取代。的詳細(xì)描述Mamdani-type模糊在第三章提供推

5、理系統(tǒng)。為簡單起見,一個簡單的two-inputsingle-output系統(tǒng)如圖10.14所示。圖10.14所示的模糊神經(jīng)網(wǎng)絡(luò)組成五層,描述如下。1層：本層的節(jié)點表示的模糊隸屬度，在XI和AJ,有兩個輸入。這些節(jié)點計算輸入的會員等級的X2模糊化操作：Mg1人陽切第2層:這一層的每個節(jié)點代表一個模糊系統(tǒng)的規(guī)則。每個節(jié)點的發(fā)射強度決定了規(guī)則,定義為wt=仏比3),肚町血i=1,2厶4打-1,2這個函數(shù)。表示推測操作使用該產(chǎn)品的規(guī)則或最小規(guī)則。例如,方程(10.4)定義了使用的發(fā)射強度產(chǎn)品規(guī)則:叱i=宀沖1)5色0小i=1,3,4;=1.2門flr2力/4Tl比歸一化權(quán)重可以提供相對個人的發(fā)射強度

6、的規(guī)則。歸一化計算方程(10.5)。歸一化權(quán)重不習(xí)慣在上面體系結(jié)構(gòu)。第三層:這一層中的每個節(jié)點表示模糊MF輸出。MFspre-defuzzified和去模糊化操作的輸出是表示去模糊化操作應(yīng)用于MFsC是每個規(guī)則的順向MFs值。不同類型的去模糊化操作,在第二章所討論的,可以在這里申請第四層:這一層中的單一節(jié)點產(chǎn)生最終的輸出通過聚合解雇規(guī)則值,定義為Y=、=wj.c.i=1,2.,4去模糊化操作應(yīng)用于MFsC是每個規(guī)則的順向值。不同類型的去模糊化操作，在第二章所討論的,可以在這里申請第四層:這一層中的單一節(jié)點產(chǎn)生最終的輸出通過聚合解雇規(guī)則值,定義為10.5.2Takagi-Sugeno-type模

7、糊模糊神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)在本節(jié)討論的模糊神經(jīng)網(wǎng)絡(luò)是一個關(guān)野型系統(tǒng)（又稱asTakagi-關(guān)野康型模糊系統(tǒng)）。目前的模糊神經(jīng)系統(tǒng)，主要是關(guān)野型模糊系統(tǒng)的規(guī)則庫由NE烏拉爾凈接替工作，并把輸出線性函數(shù)，而不是關(guān)野型fuzzyinference模糊MFs.A詳細(xì)說明中描述的MF系統(tǒng)是在第3章中，為方便起見簡單的雙輸入單輸出系統(tǒng)是如圖10.15所示的模糊神經(jīng)網(wǎng)絡(luò)由四個層，如下所述。第1層：該層每個節(jié)點i的模糊隸屬函數(shù)的節(jié)點和x1是兩個輸入。這些節(jié)點計的隸屬度其中，x2輸入：”曲國（也）其中j=1,2，第2層：在該層中的每個節(jié)點是一個固定的節(jié)點表示標(biāo)記的規(guī)則每個節(jié)點確定規(guī)則的發(fā)射強度：砒=rS如口1）舁仙

8、血小r=L2,3,4；J=1,2該函數(shù)表示的推理操作使用產(chǎn)品的規(guī)則或分（X）,卩（x）的一個正?；痳ul例子。是一個最小的操作：最小WA1乙2J的權(quán)重，可以進(jìn)行這將提供的相對發(fā)射強度個別規(guī)則u1,A2YB歸一化可以按照公式進(jìn)行計算（10.5）三層：在該層中的每個節(jié)點是表示一個線性函數(shù)的輸出節(jié)點，定義為f=ajc+力心也+?r,i=u2,1,4其中a，b和c，I=1,2，.，4是三統(tǒng)治隨之而來的部分參數(shù)。每個節(jié)點計算后事件部分的加權(quán)值作為歸一化的權(quán)重是不使用于圖10.15。，b和c是使用任何啟發(fā)式或嘗試和參數(shù)則f=c為常數(shù)來估計Wj=Wi+biXi+cj,i=1,2,.,.,4錯誤的方法如果參數(shù)

9、能值。一些研究人員稱之為零階高木-關(guān)野型系統(tǒng)*被選擇為c從預(yù)隨便或通過試驗和錯誤選擇。如果CII解模糊的的Mamdani型輸出微絲的值，如圖10.14，然后theTakagi-Sugeno型型系統(tǒng)等價于一個的Mamdani型系統(tǒng)。4層：這一層的單個節(jié)點通過聚合所有燃煤規(guī)則值產(chǎn)生輸出：Yr=1,27.74如果它是一個零階高木-關(guān)野型系統(tǒng)中，輸出被定義為*如果選擇C為c，則輸出定義為Y=:i=1,2,ixi,4因此，模糊神經(jīng)系統(tǒng)已經(jīng)建立，它的功能相當(dāng)于一個高木-關(guān)野型模糊模型，對于一個的Mamdani型推理系統(tǒng)具有最大/最小組合物，相應(yīng)的模糊神經(jīng)系統(tǒng)可以在離散近似被用來代替積分在一個中心位置（制或

10、其他類型）去模糊化方案來構(gòu)建。10.5.3模糊神經(jīng)網(wǎng)絡(luò)與冢本型模糊推理系統(tǒng)冢本型模糊神經(jīng)系統(tǒng)主要冢本型模糊系統(tǒng)的規(guī)則庫由單調(diào)的MF描述的前饋神經(jīng)網(wǎng)絡(luò)的輸出微絲更換。cA廠22YBJ3z冢本型模糊推理系統(tǒng)的詳細(xì)描述中提供了第3.A冢本型模糊神經(jīng)系統(tǒng)具有兩個輸入和各層的說明如下1輸出示于圖10,16。第1層：每個節(jié)點我在這一層是用模糊隸屬函數(shù)和X的一個節(jié)點有兩個輸入。這些節(jié)點計算的隸屬度其中j=1,2。二層：在該層中的每個節(jié)點是一個固定的節(jié)點表示的規(guī)則的數(shù)量，標(biāo).，R，每個節(jié)點確定一個規(guī)則的發(fā)射強度=r再街）小町（寵）、i=L2,3,4；J=lh2的功能。使用該產(chǎn)品規(guī)則或min規(guī)則表示推理操作。例

11、如，。產(chǎn)品規(guī)則定義為第三層：在這一層的每個節(jié)點代表一個單調(diào)函數(shù)C中，k=l,2,3,4為輸出微絲。輸出微絲非模糊化操作被表示為zj=叫）i=t24即，Z,1=1,2,.,4（）是施加到微絲C的去模糊化操作是每個規(guī)則的結(jié)果微絲的解模糊值。上單調(diào)函數(shù)的去模糊化操作在第2章中討論。HHMHMMchermrerior55010024totquc4層：這一層的單個節(jié)點通過聚合所有燃煤規(guī)則值產(chǎn)生輸出：但應(yīng)當(dāng)指出的是，三個模型（的Mamdani型，高木-關(guān)野型和冢本-型）以上討論不使用任何學(xué)習(xí)算法，而它們依賴于啟發(fā)式或試驗和誤差方法的輸入和輸出微絲和其他參數(shù)。模糊神經(jīng)在本節(jié)中開發(fā)系統(tǒng)的功能等同于一個冢本型模

12、糊模型。對于一個的Mamdani型推理系統(tǒng)，最大/最小組成，相應(yīng)的系統(tǒng)如果離散逼近中使用的重心來代替積分（或可以被構(gòu)造其他類型的）去模糊化方案。例10.1建造一個零階高木-關(guān)野型模糊神經(jīng)系統(tǒng)從的Mamdani型模糊系統(tǒng)的描述。一個的Mamdani型模糊系統(tǒng)是由兩個輸入端，誤差和誤差的變化，和描述單一的輸出扭矩。有兩種微絲為每個輸入和3微絲的輸出如圖所示在圖10.17。規(guī)則庫是示于表10.2。零階高木-關(guān)野型模糊神經(jīng)系統(tǒng)是從上述發(fā)展在Mamdani型型模糊系統(tǒng)的描述。Table103RulebaseforMamdanD-tp-efuzzyChangeofErrorMHMr,iMQ：MH0H廠4：

13、L的模糊神經(jīng)系統(tǒng)具有兩個輸入和一個輸出示于圖10.18。層的說明如下第1層:每個節(jié)點我在這一層是固定節(jié)點三角形隸屬和x是誤差和誤差的變化。這些節(jié)點計算其中函數(shù)的輸入通過模糊化X12成員船級：4層：在該層中每一個節(jié)點包含由定義隨之微絲的預(yù)解模糊恒定值心二屮（MFi）,1,2,3其中MF是對微絲和z所選擇的解模糊操作微絲中的的Mamdani型模糊隨之而來的部分模糊化值制度。每個節(jié)點計算各個事件部分的加權(quán)值作為統(tǒng)治第5層：這一層的單個節(jié)點通過聚合所有燃煤規(guī)則值產(chǎn)生輸出y=工訕也10.5.4基于神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)（PI-工網(wǎng)）在第10.4.1-10.4.3中描述的模糊神經(jīng)系統(tǒng)通常用于替換一些規(guī)則庫用神經(jīng)

14、網(wǎng)絡(luò)和應(yīng)用的產(chǎn)品或最小規(guī)則進(jìn)行推理。高木-模糊系統(tǒng)似乎比的Mamdani型模糊系統(tǒng)更靈活。仍有兩個缺點。首先，識別模糊系統(tǒng)的不微不足道的，這使得它難以適用于實時系統(tǒng)。其次，不僅是微絲限于分段線性函數(shù)，但隨之而來的部分也被認(rèn)為是線性的。這個問題仍然沒有得到解決，直到神經(jīng)網(wǎng)絡(luò)相結(jié)合，與模糊系統(tǒng)把合適的學(xué)習(xí)能力和非線性映射能力。Jin等人。（1995）提出了那里的規(guī)則觸發(fā)強度計算的混合神經(jīng)模糊系統(tǒng)從高木-關(guān)野模糊系統(tǒng)中的一個部分和輸出的先行部分把該事件部分是從其他部分的nsigma神經(jīng)網(wǎng)絡(luò)估計。在這種架構(gòu)中，一個模糊神經(jīng)元被使用進(jìn)行一些基本的模糊操作行動（如最小和最大操作）。模糊神經(jīng)結(jié)構(gòu)如圖在圖10

15、.19。模糊-PI-sigma神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)是的一個擴(kuò)展高木-關(guān)野模糊模型（下圖），其中一層edneural網(wǎng)絡(luò)模型（上）是用來估計結(jié)果輸出和兩個模型都使用一組產(chǎn)品節(jié)點聯(lián)合（PI-節(jié)點）。模型（圖10.19的下部）的FS部分代表的前件部分如下。高木-關(guān)野模糊系統(tǒng)和計算規(guī)則觸發(fā)強度2En1：AnnAnAAAH,A;S叫U該模型的神經(jīng)網(wǎng)絡(luò)部分代表高木-關(guān)野系統(tǒng)的后續(xù)部分，如下所示。計算輸出第1層：在這一層的每個節(jié)點具有非線性激活函數(shù)神經(jīng)元。該層的輸出被計算為的輸入和所述第一層和其中間的連接權(quán)重是一個S形的型非線性函數(shù)。2層：在該層中的每個節(jié)點是一個線性求和神經(jīng)元(西格瑪-神經(jīng)元)，該層的輸出計

16、算。在第一和第二層之間的連接權(quán)重的偏壓到第二層的神經(jīng)元這種混合模糊神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個高木-關(guān)野型模糊系統(tǒng)，線性隨之而來的功能已經(jīng)擴(kuò)展到非線性函數(shù)和參數(shù)通過在圖10.19的圖的上半部分中所示的神經(jīng)網(wǎng)絡(luò)估計。要調(diào)整的結(jié)果參數(shù)和MF的參數(shù)，錯誤backpropa-gation算法應(yīng)該擴(kuò)展為梯度法要求可微函數(shù)。因此，最小的操作員將需要進(jìn)行變換。假設(shè)所需的輸出。誤差函數(shù)定義如下：thepi-工網(wǎng)絡(luò)E=(Y-Yd)-這種混合模糊神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個高木-關(guān)野型模糊系統(tǒng)，線性隨之而來的功能已經(jīng)擴(kuò)展到非線性函數(shù)和參數(shù)通過在圖10.19的圖的上半部分中所示的神經(jīng)網(wǎng)絡(luò)估計。要調(diào)整的結(jié)果參數(shù)和MF的參數(shù)，錯誤backpropa-gation算法應(yīng)該擴(kuò)展為梯度法要求可微函數(shù)。因此，最小的操作員將需要進(jìn)行變換。假設(shè)所需的輸出。誤差函數(shù)定義如下：10.5.5模糊神經(jīng)系統(tǒng)結(jié)構(gòu)與橢球輸入空間輸入空間的傳統(tǒng)分割導(dǎo)致的模糊規(guī)則的指數(shù)增長與越來越多的