第五章基于模糊神经网络技术的智能诊断专家系统及实现.pdfVIP

1996 年 3 月 硕士学位论文 29 第五章 基于模糊神经网络技术的 智能诊断专家系统及实现 §5.1 模糊神经网络技术发展综述 5.1.1 模糊－神经协作系统 FL 和 NN 各有优缺点。近年来，将两者结合、优势互补的模糊神经网络( Fuzzy Neural Network , FNN )技术，已成为研究者关注的焦点。 模糊系统( Fuzzy System, FS )与NN具有整体功能的等效性[15] 。两者都是无模型 的估计器，都不需要建立任何数学模型，只需要根据输入的采样数据去估计其要求的 决策：NN根据学习算法，而FS则根据专家提出的一些语言规则来进行推理决策。实 际上，两者具有相同的正规数学特性，且共享同一状态空间[16] 。 另一方面，FS与NN具有各自特性的互补性[15] 。NN完成的是从输入到输出的 “黑 箱”式非线性映射，但不具备象FS那样的因果规律以及FL 的较强的知识表达能力， 将两者结合，后者正好弥补前者的这点不足。而NN 的强大自学习能力则可避免模糊 规则和隶属函数的主观性，从而提高模糊信息处理（Fuzzy Information Processing， FIP ）的置信度。 综上可见，FL-NN 协作组成的模糊神经网络( FNN )，是两者取长补短后的产物， 可以更好地模仿人的神经智能活动。FNN 也为智能信息处理（IIP ）和智能控制 （Intalligent Control ，IC ）学科提供了一个崭新的研究方向。 5.1.2 FNN 的研究内容 对 FNN 的研究，目前主要集中在以下三个方面： （1） FIP和 FLC 的NN 实现技术 FIP 和 FLC( Fuzzy Logic Control，模糊逻辑控制 )的实现过程，包括以下三 个步骤： 输入精确量模糊化( Fuzzification )； 模糊规则( Fuzzy Rule )构成； 输出信息逆模糊化( Defuzzification )亦称模糊判决（Fuzzy Decision ）。 从而，FIP 和 FLC 的NN 实现，也围绕这三个步骤进行。 （2 ） 改善 NN 学习性能的 FLC 技术 传统的 NN 学习算法(特别是 BP 算法) ，存在着学习周期长，算法收敛速度慢， 甚至常常陷入局部极小点的缺陷，从而在线性差。为满足实时控制的要求，学习算法 必须加以改进。在学习算法中引入 FLC 技术，将 NN 的学习算法作为FLC 的广义对 象，可以大大改善其学习性能，为 NN 适用于实时在线场合开辟道路。 （3 ） FNN 开发工具及应用成果 融入 NN 技术的 FL 器件正迅速为消费类电子产品和工控电子产品增加智能，其 间的核心问题仍是如何建立模糊逻辑的控制规则和隶属函数。鉴于此，目前各国已陆 续开发出一系列模糊逻辑开发工具，有代表性的如美国国家半导体公司研制的 30 李斌：基于模糊神经网络技术的智能诊断专家系统的研究 1996 年 3 月 NeuFuz4 ，Motorola 与 Aptronix 公司合作开发的 FIDE2.0 ，德国 Inform 公司的 Fuzzy TECH3.0 等。这些开发工具的作用是帮助开发人员完成模糊规则与隶属函数的选取 与优化。 在FNN应用方面，世界各国都在尝试和开发[17] 。例如，日本利用FNN技术解决 动画片间插图问题，由训练好的NN识别插图的各个单元，而由模糊逻辑进行画片的 直觉匹配；新加坡将FNN用于股票市场预测；我国也于 1994 年在清华大学研制出基 于FNN技术的智能空调控制器样机。 5.1.3 FNN 技术展望 当前，研究成功的规则获取算法是 FNN 的一个重要方向，这方面的突破必将促 进基于启发式知识的 IIP 和 IC 理论的进展。在 FNN 模型和学习算法方面，美国南加 州 大 学 的 Bart Kosko 提 出 的 FAM( Fuzzy Asso