模糊神經(jīng)網(wǎng)絡(luò)智能控制

模糊神經(jīng)網(wǎng)絡(luò)智能控制第一頁(yè)，共二十三頁(yè)，編輯于2023年，星期日

從知識(shí)的表達(dá)方式、存儲(chǔ)方式、運(yùn)用方式、獲取方式來(lái)比較模糊系統(tǒng)—可以表達(dá)人的經(jīng)驗(yàn)性知識(shí)，便于理解 將知識(shí)存在規(guī)則集中 同時(shí)激活的規(guī)則不多，計(jì)算量小規(guī)則靠專家提供或設(shè)計(jì)，難于自動(dòng)獲取神經(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)系將知識(shí)存在權(quán)系數(shù)中，具有分布存儲(chǔ)的特點(diǎn)涉及的神經(jīng)元很多，計(jì)算量大權(quán)系數(shù)可由輸入輸出樣本中學(xué)習(xí)，無(wú)需人來(lái)設(shè)置1、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)比較第二頁(yè)，共二十三頁(yè)，編輯于2023年，星期日將兩者結(jié)合起來(lái)，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。

第三頁(yè)，共二十三頁(yè)，編輯于2023年，星期日2、模糊神經(jīng)網(wǎng)絡(luò)（FNN）

模糊神經(jīng)網(wǎng)絡(luò)（FuzzyNeuralNetwork，簡(jiǎn)稱FNN）將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，充分考慮了二者的互補(bǔ)性，集邏輯推理、語(yǔ)言計(jì)算、非線性動(dòng)力學(xué)于一體，具有學(xué)習(xí)、聯(lián)想、識(shí)別、自適應(yīng)和模糊信息處理能力等功能。

其本質(zhì)就是將模糊輸入信號(hào)和模糊權(quán)值輸入常規(guī)的神經(jīng)網(wǎng)絡(luò)。

第四頁(yè)，共二十三頁(yè)，編輯于2023年，星期日在模糊神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點(diǎn)用來(lái)表示模糊系統(tǒng)的輸入、輸出信號(hào)，神經(jīng)網(wǎng)絡(luò)的隱含（中間）節(jié)點(diǎn)用來(lái)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系統(tǒng)的推理能力大大提高。第五頁(yè)，共二十三頁(yè)，編輯于2023年，星期日3、模糊神經(jīng)網(wǎng)絡(luò)的分類基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)基于T—S的模糊神經(jīng)網(wǎng)絡(luò)第六頁(yè)，共二十三頁(yè)，編輯于2023年，星期日3.1模糊系統(tǒng)的標(biāo)準(zhǔn)模型模糊系統(tǒng)的規(guī)則集和隸屬度函數(shù)等設(shè)計(jì)參數(shù)只能靠設(shè)計(jì)經(jīng)驗(yàn)來(lái)選擇，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，根據(jù)輸入輸出的學(xué)習(xí)樣本自動(dòng)設(shè)計(jì)和調(diào)整模糊系統(tǒng)的設(shè)計(jì)參數(shù)，實(shí)現(xiàn)模糊系統(tǒng)的自學(xué)習(xí)和自適應(yīng)功能。結(jié)構(gòu)上像神經(jīng)網(wǎng)絡(luò)，功能上是模糊系統(tǒng)，這是目前研究和應(yīng)用最多的一類模糊神經(jīng)網(wǎng)絡(luò)。第七頁(yè)，共二十三頁(yè)，編輯于2023年，星期日基于標(biāo)準(zhǔn)模型的模糊系統(tǒng)原理結(jié)構(gòu)輸出量的表達(dá)式為其中對(duì)于給定輸入x對(duì)于規(guī)則適用度的歸一化第八頁(yè)，共二十三頁(yè)，編輯于2023年，星期日3.2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)第一層為輸入層，為精確值。節(jié)點(diǎn)個(gè)數(shù)為輸入變量的個(gè)數(shù)。由模糊模型可設(shè)計(jì)出如下模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)第九頁(yè)，共二十三頁(yè)，編輯于2023年，星期日第二層每個(gè)節(jié)點(diǎn)代表一個(gè)語(yǔ)言變量值。用于計(jì)算各輸入分量屬于各語(yǔ)言變量值模糊集合的隸屬度函數(shù)n是輸入變量的維數(shù)，mi是xi的模糊分割數(shù)（規(guī)則數(shù)）第十頁(yè)，共二十三頁(yè)，編輯于2023年，星期日第三層的每個(gè)結(jié)點(diǎn)代表一條模糊規(guī)則，用于匹配模糊規(guī)則的前件，計(jì)算出每條規(guī)則的適用度對(duì)于給定的輸入，只有在輸入點(diǎn)附近的那些語(yǔ)言變量才有較大的隸屬度值，遠(yuǎn)離輸入點(diǎn)的語(yǔ)言變量值的隸屬度很?。山茷?）或?yàn)?，因此只有少量結(jié)點(diǎn)輸出非0，這點(diǎn)類似于局部逼近網(wǎng)絡(luò)第十一頁(yè)，共二十三頁(yè)，編輯于2023年，星期日結(jié)點(diǎn)數(shù)與第三層相同，實(shí)現(xiàn)適用度的歸一化計(jì)算第十二頁(yè)，共二十三頁(yè)，編輯于2023年，星期日第五層是輸出層，實(shí)現(xiàn)清晰化計(jì)算第十三頁(yè)，共二十三頁(yè)，編輯于2023年，星期日3.3學(xué)習(xí)算法第十四頁(yè)，共二十三頁(yè)，編輯于2023年，星期日4、1模糊系統(tǒng)的T-S模型輸出量為每條規(guī)則輸出量的加權(quán)平均適用度的歸一化第十五頁(yè)，共二十三頁(yè)，編輯于2023年，星期日4.2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)前件網(wǎng)絡(luò)用來(lái)匹配模糊規(guī)則的前件后件網(wǎng)絡(luò)用來(lái)產(chǎn)生模糊規(guī)則的后件各層功能與前面相同后件網(wǎng)絡(luò)由r個(gè)結(jié)構(gòu)相同的并列子網(wǎng)絡(luò)組成，每個(gè)子網(wǎng)絡(luò)產(chǎn)生一個(gè)輸出量第十六頁(yè)，共二十三頁(yè)，編輯于2023年，星期日輸入層，第0個(gè)結(jié)點(diǎn)的輸入值是1，用于提供模糊規(guī)則后件中的常數(shù)項(xiàng)每個(gè)結(jié)點(diǎn)代表一條規(guī)則，用于計(jì)算每條規(guī)則的后件計(jì)算系統(tǒng)的輸出第十七頁(yè)，共二十三頁(yè)，編輯于2023年，星期日輸出為第十八頁(yè)，共二十三頁(yè)，編輯于2023年，星期日4.3學(xué)習(xí)算法基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化結(jié)構(gòu)與前述結(jié)構(gòu)完全相同，故可借用前面的結(jié)論第十九頁(yè)，共二十三頁(yè)，編輯于2023年，星期日

當(dāng)給定一個(gè)輸入時(shí)，前件網(wǎng)絡(luò)的第三層的適用度中只有少量元素非0，其余大部分元素均為0，因而從x到a的映射與CMAC、B樣條及RBF神經(jīng)網(wǎng)絡(luò)的輸入層的非線性映射非常類似。所以該模糊神經(jīng)網(wǎng)絡(luò)也是舉步逼近網(wǎng)絡(luò)