11模糊神经网络611.ppt

第十讲 混合智能控制 * 模糊神经网络 ANN（Artificial Neural Network）和 FLS（Fuzzy Logical Network）的比较： 相同之处 1） 都是非数值型的非线性函数的逼近器、估计器、和动态系统； 2） 不需要数学模型进行描述，但都可用 数学工具进行处理； 3）都适合于VLSI、光电器件等硬件实现。 不同之处：㈠ 工作机制方面： ANN——大量、高度连接，按样本进行学习 FLS—— 按语言变量、通过隐含、推理和去 模糊获得结果。 ㈣ 应用上： ANN——偏重于模式识别，分类 FLN —— 偏重于控制 神经模糊网络——把ANN的学习机制和FLN的人类思维和推理结合起来。 ㈡ 信息处理基本单元方面： ANN——数值点样本，xi yi FLN——模糊集合（Ai，Bi） ㈢ 运行模式方面： ANN——学习过程透明，不对结构知识编码 FLN——不透明，对结构知识进行编码，推理过程外界 可知 结合方式有3种： 1）神经模糊系统——用神经元网络来实现模糊隶属函数、 模糊推理，基本上（本质上）还是FLN。 2）模糊神经系统——神经网络模糊化，本质上还是ANN。 3）模糊-神经混合系统——二者有机结合。 ●基于神经网络的模糊逻辑运算 ①用神经网络实现隶属函数 ②神经网络驱动模糊推理 ③神经网络的模糊建模 ●用神经网络实现隶属函数 wc 和 wg 分别确定Sigmoid函数的中心和宽度,?S(x),?M(x),?L(x) 组成大、中、小三个论域的隶属函数。 逻辑“与”可以用Softmin 来实现： ●神经网络驱动模糊推理（NDF） 解决模糊推理中二个问题：①缺乏确定的方法选择隶属函数； ②缺乏学习功能校正推理规则。 用神经网络实现T—S模型，称为神经网络驱动模糊推理(NDF). 网络由二部分组成: r为规则数, As是前提的模糊集合.NNs是模型的函数结构,由BP网络实现. 学习的网络和训练的步骤 8 2) 将数据聚类.分成r 类.即有r 条规则.TRD的数据有N t 个. 3) 训练规则的前提部分网络NNm.。 4）训练对应于规则R s的后件部分（Then部分）NN s 6 6 5）简化后件部分 在NN S的输入端，任意消去x p ，比较误差： 6）最终输出 6 ●神经网络的模糊建模 有三种模型： ⑴ 后件为恒值： ⑵ 后件为一阶线性方程 ⑶后件为模糊变量 应用 假定要辨识的系统为 数据40 对，见表6.1 评判指标: 常 数 模 型 常 数 模 型 隶属函数的变化 非 线 性 模 型 非线性模型隶属函数的变化 语 言 输 出 模 型 语 言 输 出 模 型 隶属函数的变化 ● 神经网络模糊化 ①模糊感知器 精确划分的问题：每个分量都有同 样的“重要性”，用在分类时，当分类有 重叠时（如图），得不到很好的结果。 模糊感知器的基本思想：给隶属函数以一定的修正量，对隶属度接近0.5的样本,在确定权值向量时,给予较小的影响: 模糊感知器算法的问题: 如何选择 m? 如何给向量赋与模糊隶属函数? 3) 算法的终止判据. 回答：1）m 1; 如隶属函数接近0.5. m 》1；如隶属函数大于0.5. 2) 给向量赋与模糊隶属函数的规则: 其中: 3) 算法停止的判据: 产生良好的结果. ② 模糊联想存储器 （FAM） 双向联想存贮器的模糊化。把双向联想存贮器的权矩阵变换 成模糊集合的关系（关联）矩阵。 （当分类错误，不确定向量不再产生另一迭代） 模糊关联矩阵M确定有二种方法：1）相关最小编码 m i j= Min（a i ,b j） 假定A= (0.2 0.5 0.9 1.0), B= (0.9 0.5 0.6),则： 2）相关乘积编码 现在看，如果有A能否“回忆”起B？ A?M = B； B?MT = [0.2 0.5 0.9 0.9]= A’ ≠ A. 现在看，如果有A能否“回忆”起B？ 如果AT = (0 0 0 1), 则AT?M = B；如果AT = （1 0 0 0）则 AT?M = （0.18 0.1 0.12) 只回忆起B的20%。 由m个FAM组成的FAM系统。 把m个关联（A k，B k）