模糊神經(jīng)網(wǎng)絡(luò)簡介

模糊神經(jīng)網(wǎng)絡(luò)簡介第1頁/共20頁模糊神經(jīng)網(wǎng)絡(luò)

是一種集模糊邏輯推理的強大結(jié)構(gòu)性知識表達能力與神經(jīng)網(wǎng)絡(luò)強大自學(xué)習(xí)能力于一體的新技術(shù)。（1）神經(jīng)元、模糊模型以模糊控制為主體，用神經(jīng)元網(wǎng)絡(luò)實現(xiàn)模糊控制決策，以模糊控制方法為“樣本”，對神經(jīng)網(wǎng)絡(luò)進行離線訓(xùn)練學(xué)習(xí)?！皹颖尽本褪菍W(xué)習(xí)的“教師”。所有樣本學(xué)習(xí)完后，這個神經(jīng)元網(wǎng)絡(luò)，就是一個聰明、靈活的模糊規(guī)則表，具有自學(xué)習(xí)、自適應(yīng)功能。1、神經(jīng)元網(wǎng)絡(luò)與模糊技術(shù)的幾種結(jié)合方式第2頁/共20頁（2）模糊、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同型式的模糊推論組合，對系統(tǒng)先進行模糊邏輯判斷，以模糊控制器輸出作為神經(jīng)元網(wǎng)絡(luò)的輸入（串）。后者具有自學(xué)習(xí)的智能控制特性。模糊神經(jīng)網(wǎng)絡(luò)第3頁/共20頁模糊神經(jīng)網(wǎng)絡(luò)（3）神經(jīng)與模糊模型根據(jù)輸入量的不同性質(zhì)分別由神經(jīng)網(wǎng)絡(luò)與模糊控制直接處理輸入信息，并作用于控制對象（并），更能發(fā)揮各自的控制特點。（4）在結(jié)構(gòu)上將二者融為一體構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)模糊推理，在本質(zhì)上是模糊系統(tǒng)的實現(xiàn)。第4頁/共20頁模糊神經(jīng)網(wǎng)絡(luò)1）模糊神經(jīng)網(wǎng)絡(luò)雖然也是局部逼近網(wǎng)絡(luò)，但是它是按照模糊系統(tǒng)模型建立的，網(wǎng)絡(luò)中的各個結(jié)點及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可根據(jù)模糊系統(tǒng)的定性知識加以確定，經(jīng)過上述學(xué)習(xí)算法的訓(xùn)練，收斂后的網(wǎng)絡(luò)能夠滿足系統(tǒng)所要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)同單純神經(jīng)網(wǎng)絡(luò)相比其優(yōu)點所在。優(yōu)點：第5頁/共20頁模糊神經(jīng)網(wǎng)絡(luò)2）模糊系統(tǒng)的模糊集、隸屬函數(shù)和模糊規(guī)則設(shè)計是建立在經(jīng)驗知識基礎(chǔ)上的，這種設(shè)計方法存在很大的主觀性。神經(jīng)網(wǎng)絡(luò)所具有的強大自學(xué)習(xí)能力，使得傳統(tǒng)模糊控制系統(tǒng)中的主觀性信息在很大程度上得以削弱，從而使得模糊控制更加貼近實際情況，這是它同單純的模糊邏輯系統(tǒng)相比其優(yōu)點所在。

第6頁/共20頁模糊神經(jīng)網(wǎng)絡(luò)3）模糊神經(jīng)網(wǎng)絡(luò)將定性的知識表達和定量的數(shù)值運算很好地結(jié)合了起來，具有很好的控制效果。在模糊神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點用來表示模糊系統(tǒng)的輸入、輸出信號，神經(jīng)網(wǎng)絡(luò)的隱含節(jié)點用來表示隸屬函數(shù)和模糊規(guī)則，利用神經(jīng)網(wǎng)絡(luò)的并行處理能力使得模糊推理能力大大提高。第7頁/共20頁模糊神經(jīng)網(wǎng)絡(luò)2、模糊神經(jīng)網(wǎng)絡(luò)的分類基于標(biāo)準(zhǔn)模型（Mamdani）的模糊神經(jīng)網(wǎng)絡(luò)模糊規(guī)則的后件是輸出量的某一模糊集合?；赥-S的模糊神經(jīng)網(wǎng)絡(luò)

模糊規(guī)則的后件是輸入語言變量的函數(shù)（線性組合）。第8頁/共20頁1、結(jié)構(gòu)…………∏∏∏∏∏…………∑……輸入層模糊化模糊推理去模糊化第1層（輸入層）：

將輸入（系統(tǒng)誤差，誤差變化率）引入網(wǎng)絡(luò)：基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)第9頁/共20頁第2層（模糊化層）：

對輸入進行模糊化。假設(shè)在每個輸入論域上定義3個模糊語言詞集{N，Z，P}={“負(fù)”，“零”，“正”}，隸屬函數(shù)采用高斯基函數(shù)，與{N，Z，P}對應(yīng)的中心值分別為{-1，0，1}，寬度為{0.5，0.5，0.5}。隸屬函數(shù)的形狀與分布如下圖所示?；跇?biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)第10頁/共20頁…………∏∏∏∏∏…………∑……輸入層模糊化模糊推理去模糊化第3層（模糊推理）：

代表“and”操作，在此網(wǎng)絡(luò)中用乘法代替取小運算。

基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)第11頁/共20頁…………∏∏∏∏∏…………∑……輸入層模糊化模糊推理去模糊化第4層：

代表去模糊化過程，在這里采用權(quán)值平均判決法。

wij為網(wǎng)絡(luò)的權(quán)值，其物理意義是各控制規(guī)則的輸出對應(yīng)的語言詞集的中心值?；跇?biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)第12頁/共20頁2、網(wǎng)絡(luò)學(xué)習(xí)算法

學(xué)習(xí)仍采用BP算法，定義目標(biāo)函數(shù)

則基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)第13頁/共20頁

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

基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)第14頁/共20頁（1）模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

圖中所示為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，每一層的結(jié)構(gòu)以及功能和標(biāo)準(zhǔn)模型（Mamdani模型）模糊神經(jīng)網(wǎng)絡(luò)完全相同，這里不再贅述。

基于T-S的模糊神經(jīng)網(wǎng)絡(luò)第15頁/共20頁2.后件網(wǎng)絡(luò)后件網(wǎng)絡(luò)是由r個結(jié)構(gòu)相同的并列子網(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)的第一層是輸入層，它將輸入變量傳送到第二層。輸入層中的第0個結(jié)點的輸入值x0=1，它的作用是提供模糊規(guī)則后件中的常數(shù)項。

基于T-S的模糊神經(jīng)網(wǎng)絡(luò)輸入層，第0個結(jié)點的輸入值是1，用于提供模糊規(guī)則后件中的常數(shù)項第16頁/共20頁

子網(wǎng)絡(luò)的第二層共有m個結(jié)點，每個結(jié)點代表一條規(guī)則，該層的作用是計算每條規(guī)則的后件，即：基于T-S的模糊神經(jīng)網(wǎng)絡(luò)每個結(jié)點代表一條規(guī)則，用于計算每條規(guī)則的后件第17頁/共20頁子網(wǎng)絡(luò)第三層的輸出為：

可見，yk是各規(guī)則后件的加權(quán)和，加權(quán)系數(shù)為各模糊規(guī)則經(jīng)歸一化處理后的激活度（或匹配度），即前件網(wǎng)絡(luò)的輸出用作后件網(wǎng)絡(luò)第三層的連接權(quán)值?；赥-S的模糊神經(jīng)網(wǎng)絡(luò)計算系統(tǒng)的輸出第18頁/共20頁3、學(xué)習(xí)算法

仍取誤差函數(shù)為：其中，yid和yi分別表示被控對象的期望輸出和實際輸出。