《模糊神经网络—智能控制》由会员分享，可在线阅读，更多相关《模糊神经网络—智能控制（23页珍藏版）》请在金锄头文库上搜索。
1、模糊神经网络李华 113320081002013从知识的表达方式、存储方式、运用方式、获取方式来比较模糊系统可以表达人的经验性知识，便于理解将知识存在规则集中同时激活的规则不多，计算量小规则靠专家提供或设计，难于自动获取神经网络只能描述大量数据之间的复杂函数关系将知识存在权系数中，具有分布存储的特点涉及的神经元很多，计算量大权系数可由输入输出样本中学习，无需人来设置1、 模糊系统与神经网络比较将两者结合起来，在处理大规模的模糊应用问题方面将表现出优良的效果。 2、模糊神经网络（FNN）模糊神经网络（Fuzzy Neural Network，简称FNN）将模糊系统和神经网络相结合，充分考虑了二者
2、的互补性，集逻辑推理、语言计算、非线性动力学于一体，具有学习、联想、识别、自适应和模糊信息处理能力等功能。其本质就是将模糊输入信号和模糊权值输入常规的神经网络。l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（中间）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系统的推理能力大大提高。3、模糊神经网络的分类n基于标准模型的模糊神经网络n基于TS的模糊神经网络3.1 模糊系统的标准模型n模糊系统的规则集和隶属度函数等设计参数只能靠设计经验来选择，利用神经网络的学习方法，根据输入输出的学习样本自动设计和调整模糊系统的设计参数，实现模糊
3、系统的自学习和自适应功能。n结构上像神经网络，功能上是模糊系统，这是目前研究和应用最多的一类模糊神经网络。基于标准模型的模糊系统原理结构输出量的表达式为 其中对于给定输入x对 于规则适用度的归 一化3.2 模糊神经网络的结构第一层为输入层，为 精确值。节点个数为 输入变量的个数。由模糊模型可设计出如下模糊神经网络的结构第二层每个节点代表一 个语言变量值。用于计 算各输入分量属于各语 言变量值模糊集合的隶 属度函数n是输入变量的维数，mi是 xi的模糊分割数（规则数）第三层的每个结点代表一 条模糊规则，用于匹配模 糊规则的前件，计算出每 条规则的适用度对于给定的输入，只有在输入点附近的那些语言变
4、量 才有较大的隶属度值，远离输入点的语言变量值的隶 属度很小（可近似为0）或为0，因此只有少量结点输 出非0，这点类似于局部逼近网络结点数与第三层 相同，实现适用 度的归一化计算第五层是输出层 ，实现清晰化计 算3.3 学习算法4、1 模糊系统的T-S模型输出量为每条 规则输出量的 加权平均适用度的 归一化4.2 模糊神经网络的结构前件网络用来 匹配模糊规则 的前件后件网络用 来产生模糊 规则的后件各层功能与前面 相同后件网络由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 中的常数项每个结点代表一条 规则，用于计算每 条规则的后件计算系统的输出输出为4.3 学习算法基于T-S模型的模糊神经网络简化结构与前述结构完全相同 ，故可借用前面的结论当给定一个输入时，前件网络的第三层的适 用度中只有少量元素非0，其余大部分元素均为0 ，因而从x到a的映射与CMAC、B样条及RBF神经网 络的输入层的非线性映射非常类似。所以该模糊 神经网络也是举步逼近网络综述
