第6章 模糊神经网络-2015解析.ppt

* 洗衣过程中的这类输入和输出间很难用一定的数学模型进行描述，系统控制过程总很大程度上依赖操作者的经验。 解决：利用专家知识进行控制决策，往往容易实现优化控制。 * kolmogorov定理： 用一个三层前向网络实现，此网络第一层(即输入层)有n个处理单元，中间层有2n+1个处理单元，第三层有m个处理单元。 可以修改输入变量、输出变量的个数等。 下一步根据实际要求定义各个量的属性。 “Edit”—“Membership functions”进行输入输出变量隶属函数的定义。 设置模糊控制规则库：“Edit”—“rules” 例3：洗衣机的模糊控制 洗衣机的主要被控参量为洗涤时间和水流强度，而影响这一输出参量的主要因子是被洗物的浑浊程度和浑浊性质，后者可用浑浊度的变化率来描述。例如，在洗涤过程中，油污的浑浊度变化率小，泥污的浑浊度变化率大。 浑浊度及其变化率作为控制系统的输入参量，洗涤时间和水流强度作为系统的输出。 洗衣过程中输入和输出很难用一定的数学模型进行描述，很大程度上依赖操作者的经验。利用专家知识进行控制决策，往往容易实现优化控制。 模糊控制器 浑浊度 浑浊度变化率 洗涤时间 确定洗涤时间的模糊推理框图 输入量为水的浑浊度及其变化率，输出量为洗涤时间。 浑浊度语言值取{很清、清、较清、中、较浊、浊、很浊} 浑浊度变化率语言值取{很小、小、较小、零、较大、大、很大} 洗涤时间…… 描述输入、输出变量都具有模糊性，转换为模糊集合的隶属函数问题。 建立隶属函数，确定模糊集合。 根据专家经验，针对洗涤时间得到16条模糊规则，根据模糊规则，构建网络训练样本，进行网络训练。 比如：浑浊度 清，变化率 零，洗涤时间 短 浑浊度 较浊，变化率 小，洗涤时间 标准 …… 训练结果 * 现实中，许多事物难以给出确切的概念。例如，老年人，青年人的概念，气温高，气温低的概念，都没有一个明确的分界线。若以一集合表示老年人的集合，一个50岁的人与一个70岁的人相比，70岁的人比50岁的人更属于老年人的集合。这样，对每个人是否属于老年人集合有一个程度问题，称为相对于集合的隶属度，我们用描述隶属度的隶属函数来表示这样一个不同于经典集合论意义下的集合-----模糊集。 * 例如年龄这个问题，假设规定20岁以下是年轻人，60岁是老年人，那中间的呢，比如说30岁，或者50岁。 * 偏大型例子 * 偏小型例子 * 模糊划分尚未有一种确定的唯一的方法。它是根据经验而进行划分的。对于一个论域而言，模糊度的划分过少，很明显语言变量就会粗糙，这样对于一个控制系统来说，其控制质量就产生不良影响。如果划分的模糊集过多，则变量的检测和控制精度就越高，但是形成的控制规则就会过多，进行模糊推理就会占用大量的处理时间和过程;在采用模糊关系运算时，也会产生庞大的关系矩阵，从而关系运算就变得麻烦，产生的控制表也会庞大而占据较多内存。 * T-S型模糊推理具有计算简单，利于数学分析的优点，易于与优化、自适应方法结合，是基于样本的模糊建模中最常选用的方法。 * 1974年，S.C.Lee以和E.T.Lee在Cybernetics杂志上发表了“”Fuzzy sets and neural networks”一文，首次把模糊集和神经网络联系在一起； * 算术模糊神经网络是可以对输入模糊信号执行模糊算术运算，并含有模糊权系数的神经网络。通常，算术模糊神经网络也称为常规模糊神经网络，或称标推模糊神经网络。 常规模糊神经网络一般简称为RFNN(Regular Fuzzy Neural Net)或称为FNN(Fuzzy Neural Net)。在一般情况下，都把常规模糊神经网络简称为FNN。 常规模糊神经网络有三种基本类型，并分别用FNN1，FNN2，FNN3表示。这三种类型的意义如下： 1．FNN1是含有模糊权系数，而输入信号为实数的网络。 2．FNN2是含有实数权系数，而输入信号为模糊数的网络。 3．FNN3是含有模糊权系数，而输入信号为模糊数的网络。 常规模糊神经网络最典型的结构是FNN3型结构。 * 此系统有两个输入x1和x2，一个输出y。 * 将输入变量X1划分为m个模糊度(即模糊集合Ai，当i =1,2,…,m时)，输入变量X2划分为n个模糊度(即模糊集合Bi，当i =m+1, m+2,…, m+n时)， 每个节点的激活函数分别为输入变量Xi的各个模糊度的隶属度函数(即μAi（x），当i =1,2,…,m时)，其输出分别为输入变量Xi的各 个模糊度的隶属度函数值，是[0,1]之间的值。共m+n个神经元。 * 该层与第二层的连接不为全互连，每个节点只与第二层中前m个节点中的一个和后n个节点中的一个相连，即每个节点的连接与