改进型模糊神经网络模型构造.pdfVIP

第31卷第3期 华侨大学学报(自然科学版) V6L31 N0．3 of Science) 2010年5月 Journal University(Natural Huaqiao May．2010 文章编号：1000—5013(2010)03—0256—04 改进型模糊神经网络模型的构造 刘云辉，李钟慎 (华侨大学机电及自动化学院，福建泉州362021) 摘要： 利用模糊系统和神经网络的优势，构造一种改进型模糊神经网络模型．从极大一极小模糊算子的模糊 神经元入手，提出改进的修改模糊权值的训练学习规则．改进后的模糊神经网络模型大大减少了运算量，提高 了收敛速度．采用此学习算法对实际汽轮发电机组运行状态进行监测，结果表明，模型具有较强的状态监测能 力，达到预期的目的． 关键词：模糊神经网络模型；模糊神经元；学习规则；状态监测 183 中图分类号：TP 文献标识码： A 模糊神经网络(FNN)具备强大的结构性知识表达能力，以及自身参数调整优化的能力．因此，它 被广泛地应用到多变量、非线性强，且自身数学描述不易得到的复杂系统的控制中．作为新的智能信息 处理方法[1]，模糊神经网络对人工智能和模式识别的发展有重要作用，具有良好的发展前景Ez|．文I-3-1提 出了基于输入幂集的模糊神经元模型，并研究了模糊反向传播学习算法．文E4]研究了基于极大一极小方 法的模糊神经元，并研究了学习规则及其收敛性．然而，文[3—4]所研究的学习规则是基于单训练模式， 且其权值的修改条件是基于网络输出值与所有权值的比较．本文利用模糊系统和神经网络的优势，构造 一种改进型模糊神经网络模型，并提出修改权值的网络学习算法． 模糊神经网络模型的改进 1．1模糊神经元模型 神经元是神经网络的基本处理单元，具有模糊信息处理能力，其结构大都由输入、加权求和，以及经 历一个激励传递函数之后的输出组成．模糊神经元结构模型，如图1所示．图l中：模糊神经元的输入 取值，分别对应模糊集的隶属程度． ‰ ”__1 ． 模糊神经元的净输人为z。一4-(五0Wi)，模糊神经元的净XI l=0 输出为Y一，(z。)．其中，(年，o)称为模糊神经元算子．常用 靠1 的模糊神经元算子有很多，这里取极大～极dx(max-min)的模糊算 n—l 图1模糊神经元结构模型 子，此时，模糊神经元的净输人为z。。=V(置^Wi)；而，(·)为 Structure 活化函数，通常采用Sigmoid函数、高斯函数和线性函数等． Fig．1 model of neurons fuzzy 1．2模糊神经网络结构 模糊神经网络是多输入单输出的，由输入层、隐含层和输出层组成，其结构模型如图2所示． 第1层为输入层，设有，z个输入模糊神经元，各节点直接与网