m层模糊优选BP神经网络模型及算法.pdfVIP

四川工业学院学报 J o u r n a l of S i c h u a n U n iv e r s i t y of S ci e n c e a n d Te c h n ol o gy ( ) 文章编号 : 200 1 0 1007302 m 层模糊优选 BP 神经网络模型及算法 向小东 ( 西南交通大学经济管理学院 , 四川 成都 6 1003 1) 摘 　要 : 　通过把模糊优选原理与BP 神经网络模型相结合 ,能得到可供优选的方案的相对优属度向量 。 本文作者把三层模糊优选 BP 神经网络模型推广到 m 层 ,从而得到适用性更强的一般模型 ,大大拓宽了模糊 优选 BP 神经网络模型的应用范围。 关键词 : 　模糊优选原理 ;BP 神经网络 ;相对优属度 　　中图分类号 :0224 ;TP3 15 文献标识码 :B 0 　引言 sigmoid 型的 S 型函数 ,可用于描述神经网络系统中神 虽然理论分析已证明 ,单隐层网络能映射一切连 经元的非线性特性或激励函数 ,使神经网络节点神经 元的激励函数具有明确的物理意义 ———优选是人脑的 续函数 ,但是对某些实际问题 ,具有两个乃至更多隐层 本质属性 。 的网络所需的总的隐节点数有可能比单隐层少 ,而且 把模糊优选的全部 目标总数作为神经网络系统输 也能很好地工作 ,因此实际中某些连续函数的映射问 入层的节点总数 ,把模糊优选最高层的唯一单元系统 题并不采用单隐层 ,而采用多隐层 。 的方案相对优属度输出作为神经网络系统输出层的单 文献[ 1] 提出了三层模糊优选 BP 神经网络模型 输出 , 由此可得到如图 1 所示的含多个隐含层的模糊 的思路 ,但是 ,正如上所述 , 当实际中用到多隐层的网 优选 BP 神经网络图。 络时 ,就需要重新研究模型及算法 。为此 ,本文作者将 给出一个通用的具有 m 层的模糊优选 BP 神经网络模 型 。显然 ,这具有理论意义与一定的实际意义 。 1 　模糊优选 BP 神经网络简介 据文献[ 1 ] ,把 N 个方案按模糊优选的全部 目标 ( ) ( ) 特征值 ,用式 1 与式 2 变为 目标相对优属度 。 X ij 对模糊优选的越大越优型指标 　rij = ( 1) X imax X imin 对模糊优选的越小越优型指标 　rij