模糊神经网络——嘉陵江水质评价.docVIP

目录 1 绪论 1 1.1 选题背景和研究意义 1 1.2 神经网络与模糊系统 2 1.3 文本研究内容和研究思路 2 2 模糊神经网络的基本原理 4 2.1 模糊神经网络概述 4 2.2 模糊系统和神经网络结合的可能性 5 2.2.1 人工神经网络与模糊系统的相同之处 5 2.2.2 人工神经网络与模糊系统的不同之处 6 2.2.3 人工神经网络与模糊系统结合意义 7 3模糊神经网络模型的结构和原理 8 3.1 模糊神经网络模型构建 8 3.2 模糊神经网络学习算法 9 3.3 模糊神经网络水质评价 10 4 总结与展望 13 4.1总结 13 4.2 展望 13 参考文献 14 致谢 15 附录 16 1 绪论类别模糊系统 运算方式 处理方式 输入一输出关系 知识功能 使用规模 擅长处理 在计算智能中地位 max一min 由上而下 用规则表达因果 知识逻辑表达 中小规模皆有效果 非精确定性控制 相当于软件编程 集合运算 由下而上 用权重表达映射 知识学习获取 宜大规模才显智能 数据拟合映射 相当于硬件结构 2.2.3 人工神经网络与模糊系统结合意义 人工神经网络的学习信息包含在具有不同强度的神经元联接上。通过训练过程可确定神经元联接的强度，使得神经网络以最小的误差描述过程特性。模糊控制技术和神经网络技术同属于人工智能技术，各自具有对方不具有的优缺点，具有互补性。模糊系统具备处理模糊语言信息的能力，可模拟人类智慧进行判断和决策，但它不具备学习功能。人工神经网络恰恰相反，它具备学习功能，但不能处理和描述模糊信息。模糊神经网络即结合了模糊逻辑与神经网络的优点，避免了二者的缺点，既可以具有模糊逻辑的不确定信息处理能力，又可以有神经网络的自学习能力。将二者结合起来，使模糊系统具备学习功能，使人工神经网络具备处理模糊信息功能，进行判断和决策。这正是模糊神经网络的基本出发点，在控制领域有很广泛的应用前景 3模糊神经网络模型的结构和原理 3.1 模糊神经网络模型构建 水质综合评价实际上属于多指标的模式识别问题。为了建立水质评价FNN模型，网络的学习样本采用GB8383-2002《地表水环境质量标准》中的五类水质标准作为要学习的标准模式，以嘉陵江的水质资料作为网络的测试样本。采用有一个输入层，三个隐含层，一个输出层所组成的5层模糊神经网络。考虑到测试样本中所选取的水质参数，也相应的选择了溶解氧、BOD5 、非离子氨、石油类、挥发酚、大肠菌群、COD5 、这7个参数作为网络的输出层的7个节点输入；第二层将第一层中的个输入分量的模糊分割数均取为2个，计算出个水质参数属于这2个变量值模糊集合的隶属度函数，故该层节点数为7 x 2=14个；第三层是规则层，用来计算每条规则的适用度，每个规则的节点仅与来自每一个输入分量经模糊化后的一个隶属度节点相连，该层节点数为27 = 128；第四层是对第三层的输出进行归一化操作，该层节点数与第三层相同；第五层的反模糊化层与第四层中的所有节点相连，该层完成中心平均反模糊化操作，将此层的节点数取为1个，分别输出代表I-V级水质的数值。因而水质评价FNN模型的拓扑结构被确认为 7-14-128-128-1 型。其中，采用了两种输出方式来检测水质评价结果的一致性。输出方式1：用0.1，0.3，0.5，0.7，0.9 来分别表示 I-V 类水质级别；输出方式二：输出节点的输出直接用数值1，2，3，4，5来分别表示I-V类水质级别。 模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。如图 3.1所示 输入层与输入向量XI连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式计算得到ω。输出层采用公式计算模糊神经网络的输出。 图3.1 模糊神经网络划 推理如下： Ri:If xiisA1i,x2isA2i,…xkisAki then yi =p0i+p1ix+…+pkixk 其中，Aij为模糊系统的模糊集；Pij(j=1,2,…,k)为模糊参数；yi为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,xk]，首先根据模糊规则计算各输入变量Xj的隶属度。 μAij=exp(-(xj-cij)/bij)j=1,2,…,k;i=1,2,…,n式中，Cij，bij分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μAkj i=1,2,…,n 根据模糊计算结果计算模糊型的输出值yi。 YI=∑ni=1ωi(Pi0+Pi1