《第3章模糊神经网络简介3》由会员分享，可在线阅读，更多相关《第3章模糊神经网络简介3（19页珍藏版）》请在金锄头文库上搜索。
1、模糊神经网络 模糊神经网络 是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络强大自学习能力于一体的新技术 1 神经元 模糊模型以模糊控制为主体 用神经元网络实现模糊控制决策 以模糊控制方法为 样本 对神经网络进行离线训练学习 样本 就是学习的 教师 所有样本学习完后 这个神经元网络 就是一个聪明 灵活的模糊规则表 具有自学习 自适应功能 1 神经元网络与模糊技术的几种结合方式 2 模糊 神经模型以神经网络为主体 将输入空间分割成若干不同型式的模糊推论组合 对系统先进行模糊逻辑判断 以模糊控制器输出作为神经元网络的输入 串 后者具有自学习的智能控制特性 模糊神经网络 模糊神经网络 3 神经
2、与模糊模型根据输入量的不同性质分别由神经网络与模糊控制直接处理输入信息 并作用于控制对象 并 更能发挥各自的控制特点 4 在结构上将二者融为一体构成模糊神经网络 利用神经网络来实现模糊推理 在本质上是模糊系统的实现 模糊神经网络 1 模糊神经网络虽然也是局部逼近网络 但是它是按照模糊系统模型建立的 网络中的各个结点及所有参数均有明显的物理意义 因此这些参数的初值可根据模糊系统的定性知识加以确定 经过上述学习算法的训练 收敛后的网络能够满足系统所要求的输入输出关系 这是模糊神经网络同单纯神经网络相比其优点所在 优点 模糊神经网络 2 模糊系统的模糊集 隶属函数和模糊规则设计是建立在经验知识基础上
3、的 这种设计方法存在很大的主观性 神经网络所具有的强大自学习能力 使得传统模糊控制系统中的主观性信息在很大程度上得以削弱 从而使得模糊控制更加贴近实际情况 这是它同单纯的模糊逻辑系统相比其优点所在 模糊神经网络 3 模糊神经网络将定性的知识表达和定量的数值运算很好地结合了起来 具有很好的控制效果 在模糊神经网络中 神经网络的输入 输出节点用来表示模糊系统的输入 输出信号 神经网络的隐含节点用来表示隶属函数和模糊规则 利用神经网络的并行处理能力使得模糊推理能力大大提高 模糊神经网络 2 模糊神经网络的分类 基于标准模型 Mamdani 的模糊神经网络模糊规则的后件是输出量的某一模糊集合 基于T
4、S的模糊神经网络模糊规则的后件是输入语言变量的函数 线性组合 1 结构 第1层 输入层 将输入 系统误差 误差变化率 引入网络 基于标准模型的模糊神经网络 第2层 模糊化层 对输入进行模糊化 假设在每个输入论域上定义3个模糊语言词集 N Z P 负 零 正 隶属函数采用高斯基函数 与 N Z P 对应的中心值分别为 1 0 1 宽度为 0 5 0 5 0 5 隶属函数的形状与分布如下图所示 基于标准模型的模糊神经网络 第3层 模糊推理 代表 and 操作 在此网络中用乘法代替取小运算 基于标准模型的模糊神经网络 第4层 代表去模糊化过程 在这里采用权值平均判决法 wij为网络的权值 其物理意义
5、是各控制规则的输出对应的语言词集的中心值 基于标准模型的模糊神经网络 2 网络学习算法 学习仍采用BP算法 定义目标函数 则 基于标准模型的模糊神经网络 在此模糊神经网络中 可调参数有三类 一类为规则的权系数 第二类和第三类为高斯函数的均值和标准差 即输入隶属函数的参数 基于标准模型的模糊神经网络 2 后件网络后件网络是由r个结构相同的并列子网络组成 每个子网络产生一个输出量 图中只画出了一个 子网络的第一层是输入层 它将输入变量传送到第二层 输入层中的第0个结点的输入值x0 1 它的作用是提供模糊规则后件中的常数项 基于T S的模糊神经网络 输入层 第0个结点的输入值是1 用于提供模糊规则后件中的常数项 子网络的第二层共有m个结点 每个结点代表一条规则 该层的作用是计算每条规则的后件 即 基于T S的模糊神经网络 每个结点代表一条规则 用于计算每条规则的后件 子网络第三层的输出为 可见 yk是各规则后件的加权和 加权系数为各模糊规则经归一化处理后的激活度 或匹配度 即前件网络的输出用作后件网络第三层的连接权值 基于T S的模糊神经网络 计算系统的输出 3 学习算法 仍取误差函数为 其中 yid和yi分别表示被控对象的期望输出和实际输出 则各参数调整的算法为 具体推导过程从略 基于T S的模糊神经网络
