一种新的模糊神经元网络技术地研究.pdfVIP

1998中国控制与决策学术年会论文集 一种新的模糊神经元网络技术的研究。 张平安李人厚 (酉安空通j：学_幕统工程研究所．7100|g) 摘要结台一种特殊的零阶T—s模糊神经元网络模型．给出了一种具有通用性束属函数形 盘．重点解凌了这种网络结构辩识方法的困难，包括模糊神经元网络的输入变量选择和确定{羹 糊媲剐数．实例仿真结果袁明。该方法比已有的方法优越． 燕键调模糊神经元网络，模糊聚豢，智能控制 叮．… l引 言 在过去的二十多年里．模糊控制规则的获取一直是困扰模糊控制发展的主要问题．近年 来，模糊神经元网络技术的发展为模糊控制规则的获取提供了新的有效途径。然而由于模糊神 经元网络的结构辨识、网络权值的初始化和提高网络学习速度等方面存在一定的困难，又在一 定程度上防碍了模糊神经元网络技术与应用的发展． 本文针对文献[1]提出的一般零阶T—s模糊神经元网络，给出了一种具有通用性的隶属 函数。它能近似表示常用的几种隶属函数形式．针对这种特殊的模糊神经元网络结构，提出了 新的有效的网络结构辨识方法，包括模糊神经元网络的辖入变量选择和确定模糊规则数．在输 入变量选择过程中，不需要辨识模糊神经元网络的结梅及参数，比以往方法极大地降低了结构 辨识过程的计算量和复杂性．大量仿真研究表明，这种方法实现简单、有效和可靠．由于预先 运用基于FCM的自适应模糊聚类方法确定模糊神经元网络的结构和设置网辂的初始权值， 因而提高了网络的训练速度。 2零阶T—s模糊神经元网络模型M”一。肼w 文献[1]提出了图1所示的零阶T—s模糊神经元网络模型。这种零阶T—s模糊神经元 网络模型具有以下显著的特点： 1)运用模糊区域触分方法。3确定模糊模型的输入模糊结构子空问．显然，模糊模型的规 则数与模糊模型的输入变量的个数没有直接关系，这样可有效地克服一般模糊模型的致命弱 点，即模糊模型的规则数随着输入变量的增加成指数增加．如图1所示，只要确定模型的输入 变量数P和规则数c，那么模糊神经元网络模型的结构也就相应确定了． 2)模糊化层的激励函数，是实现零阶T—s模糊神经元网络模型的关键，这是因为描述 模糊集的隶属函数严重影响由模朔系统所确定的输入一输出平面“光滑性”．为建立逼近性能 良好的模糊系统，本文提出如下更一般的激励函数，的形式 ^，=(exp(一lt哦n五+砒声I。铀))～，一』；4iJ凡 (1) · 机械舅遗熏坑工程目索t点宴齄毫崭究基盘贷助课蠢 573 模糊化 田l 零阶T—S模糊神经元圊结模型的结构 函数形式的优点是：只要参数选择适当，就可以近似地表示常用的三种隶属函数形式：三角形 式、梯形形式和指数形式。 3)如果运用乘积模糊推理及加权和的去模糊化方法，则零阶T—s模糊抻经元网络模型 的输入输出影射关系为 ， yfx一一一，q)；∑C’Ⅱn (2) ，。l I—l 定义 ∥=(乒…乒l}…一If’…，一1．u…pp,) (3) 上式给出了零阶T—S模糊神经元网络的模糊结构子空间划分的结果。 p=rCl，C2，…，e]7 (4) 则这个模糊模型可由下面s元组描述 Mts。NH；M(f…P∥，口，T) (5) 其中丁为三角范式，这里取乘积算子． 运用文献[1]的有关结论，可以证明式(s)所示