資源描述：
《模糊神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介課件.ppt》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。
1、模糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)是一種集模糊邏輯推理的強(qiáng)大結(jié)構(gòu)性知識(shí)表達(dá)能力與神經(jīng)網(wǎng)絡(luò)強(qiáng)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(shí)現(xiàn)模糊控制決策，以模糊控制方法為“樣本”，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行離線(xiàn)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(gè)神經(jīng)元網(wǎng)絡(luò)，就是一個(gè)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（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(duì)系統(tǒng)先進(jìn)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)模糊神經(jīng)網(wǎng)絡(luò)（3）
2、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(duì)象（并），更能發(fā)揮各自的控制特點(diǎn)。（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(lái)實(shí)現(xiàn)模糊推理，在本質(zhì)上是模糊系統(tǒng)的實(shí)現(xiàn)。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(gè)結(jié)點(diǎn)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(shí)加以確定，經(jīng)過(guò)上述學(xué)習(xí)算法的訓(xùn)練，收斂后的網(wǎng)絡(luò)能夠滿(mǎn)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(diǎn)所在。優(yōu)點(diǎn)：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(jì)是建立在經(jīng)驗(yàn)知識(shí)基
3、礎(chǔ)上的，這種設(shè)計(jì)方法存在很大的主觀性。神經(jīng)網(wǎng)絡(luò)所具有的強(qiáng)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(shí)際情況，這是它同單純的模糊邏輯系統(tǒng)相比其優(yōu)點(diǎn)所在。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(shí)表達(dá)和定量的數(shù)值運(yùn)算很好地結(jié)合了起來(lái)，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(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推理能力大大提高。模糊神經(jīng)網(wǎng)絡(luò)2、模糊神經(jīng)網(wǎng)絡(luò)的分類(lèi)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
4、的模糊神經(jīng)網(wǎng)絡(luò)模糊規(guī)則的后件是輸入語(yǔ)言變量的函數(shù)（線(xiàn)性組合）。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2層（模糊化層）：對(duì)輸入進(jìn)行模糊化。假設(shè)在每個(gè)輸入論域上定義3個(gè)模糊語(yǔ)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(duì)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。基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)…………∏∏∏∏∏…………∑……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
5、作，在此網(wǎng)絡(luò)中用乘法代替取小運(yùn)算?；跇?biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)…………∏∏∏∏∏…………∑……輸入層模糊化模糊推理去模糊化第4層：代表去模糊化過(guò)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(duì)應(yīng)的語(yǔ)言詞集的中心值?；跇?biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)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)在此模糊神經(jīng)網(wǎng)絡(luò)中，可調(diào)參數(shù)有三類(lèi)：一類(lèi)為規(guī)則的權(quán)系數(shù)；第二類(lèi)和第三類(lèi)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)?；跇?biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)（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
6、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)2.后件網(wǎng)絡(luò)后件網(wǎng)絡(luò)是由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（圖中只畫(huà)出了一個(gè)）。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(gè)結(jié)點(diǎn)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(xiàng)?；赥-S的模糊神經(jīng)網(wǎng)絡(luò)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)子網(wǎng)絡(luò)的第二層共有m個(gè)結(jié)點(diǎn)，每個(gè)結(jié)點(diǎn)代表一條規(guī)則，該層的作用是計(jì)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(gè)結(jié)點(diǎn)代表一條規(guī)則，用于計(jì)算每條規(guī)則的后件子網(wǎng)絡(luò)第三層的
7、輸出為：可見(jiàn)，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(jì)算系統(tǒng)的輸出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(duì)象的期望輸出和實(shí)際輸出。則各參數(shù)調(diào)整的算法為（具體推導(dǎo)過(guò)程從略）。其中，i=0,1,…,n；j=1,2,…m；k=1,2,…r。為學(xué)習(xí)率。基于T-S的模糊神經(jīng)網(wǎng)
