基于聚类分析的TS模糊神经网络学习算法.pdfVIP

第20卷(增刊) 模糊系统与数学 2006年9月 Volume andMathematics 2006 20(Supplement)nlzzySystems September 基于聚类分析的T．S模糊神经网络学习算法 马子鹏 (西安邮电学院信息与控制系，西安市710121) 摘要：文中给出了一种应用聚类分析和神经网络学习来生成T-S模糊推理规则的方法． 首先，采用顺序聚类算法确定T-S模糊神经网络的规则教和初始化参数，再通过梯度下降法 修正网络的各参数值，最终获取知识规则，通过实例验证了该算法的有觌】生． 关键词：聚类分析；梯度下降法；T-S模糊神经网络 中图分类号：TP311 文献标识码：A §1 引言 入变量的线性组合，可以用很少的规则以很高的精度来逼近一个高度非线性系统．为 了使系统具有自学习性，该模型由组合神经网络来实现，这种形式的系统称为T-S 模糊神经网络． 传统的T-S模糊神经网络，规则数目和网络的初始参数由专家来确定，往往带 有一定的主观性．把聚类的方法应用在神经网络中可以在一定程度上克服这个缺点． §2 T-S模糊神经网络结构模型 日本高木和杉野教授提出的模糊模型简称T-S模糊模型，是基于一组语言规则 描述的模型【1]．对于一阶系统，这种基于语言规则描述的模型第J条规则写成： 印：ifzl is《，．．．，z。is心then矿=品+醒z1+…+酲z。 其中墨是第i个输入变量({=1，2，．．，礼)，输入变量的个数为札，鹰是第J条规 则的第i个输入变量的模糊子集，其隶属函数中的参数称为前提参数；矿是第J条 规则的输出，酲为结论参数．由礼个逻辑关系推出的最终输出Y是以∥为权重的所 有矿的加权平均值． 可以用神经网络来实现上述的T-S模糊推理模型，结构如图1． 1收稿日期：2006-03-29． 作者简介：马子鹏(1977．)，男，助教，研究方向为数据挖掘 312 模糊系统与数学 第20卷(增刊) 蕾一层 第二：屡第三：墨 铬匹羼 图1T-S模糊神经网络结构图 第一层是输入层，节点数为输入变量的维数n，接受输入变量值(z1，。2，，。)， 一鱼=型： 并进行模糊化，输出为：胁j=e60 其中i=1，2，…，n：J=1，2，…，m． 第二层是规则层，该层节点数等于规则数m，一个节点表示一条模糊规则．每个 节点有来自模糊输入空间中n个固定的连接．该层第J节点的输出为：如=II≥。蜥． 第三层是归一化层，该层的节点数与第二层的相同，每个节点接受上层的各点的 输出，进行归一化处理，输出为：万=F粤i． 第四层是输出层，去模糊化，协为连接权值，计算系统的输出，即y=∑=l巧协． §3 模糊神经网络的学习过程 该网络需要学习的参数是第一层的隶属函数的中心值啦f和宽度％以及第四层的 连接权值骱首先采用顺序聚类算法确定规则数和参数的初始值，即用第J个聚类中 心初始化隶属函数的中心值alf和第四层的连接权值协，宽度％由第J个聚类的宽 度确定，规则数为聚类的数目；初始参数确定后，再采用最速梯度下降算法对参数 进行学习．详细的学习算法描述如下： (1)顺序聚类算法估计规则数目和参数初值 对于多输入单输出系统，设样本个数为f，数据输入x(o)={z；七)z妒，¨．，茹∥)， 令dfz(柚，C)表示向量z(々)到聚类中心C的距离；定义产生新聚类中心的闽值日： 生成的聚类数为m． ①初始聚类数m=1，聚类中心 ％={z}l’，。P’，．，z9)，∥}． (1) ②对于向量ZCk)，假设已有m个聚类中心，找距离最近的一个聚类中心o：