浅析模糊神经网络介绍.pptx

目录;;雨的大小; 客观世界的模糊性反映在人脑中，便产生了概念上的模糊性；人巧妙地利用自已建立的模糊概念来进行判断、推理和控制，完成那些现代先进设备所不能完成的工作： 人们几乎可以同样地辨认胖子和瘦子，美丽和丑陋； 人们无须测量车速便可明智地躲过川流不息的车队； 一行草书虽然大异于整齐的印刷字体，却照样可以被人看懂。  ;在科学发展的今天，尤其在工程研究设计领域，模糊问题无法回避，要求对数据进行定量分析。;一.模糊理论 1、模糊理论 1965年，Zadeh教授发表论文“模糊集合”（Fuzzy set），标志模糊数学的诞生。 模糊集合的基本思想是把经典集合中的绝对隶属关系灵活化，即元素对“集合”的隶属度不再是局限于取0或1，而是可以取从0到1间的任一数值。 用隶属函数(Membership Function)来刻画处于中间过渡的事物对差异双方所具有的倾向性。 隶属度（Membership Degree）就表示元素隶属于集合的程度。;设X是论域，映射A(x)：X→[0,1]确定了一个X上的模糊子集A，A(x)称为A的隶属函数。 ;例1;;模糊理论的基础知识;三角形隶属函数; 隶属函数是模糊理论中的重要概念，实际应用中经常用到以下三类隶属函数： （1）S函数（偏大型隶属函数） ;（2）Z函数（偏小型隶属函数） 这种隶属函数可用于表示像年轻、冷、矮、淡等偏向小的一方的模糊现象。 ;（3）∏函数（中间型隶属函数） 这种隶属函数可用于表示像中年、适中、平均等趋于中间的模糊现象。;2、模糊系统（Fussy System，简称FS）; 2.1 模糊系统的构成 模糊系统（也称模糊逻辑系统）就是以模糊规则为基础而具有模糊信息处理能力的动态模型。它由四部分构成，如下图：;（1）模糊化接口（Fuzzification） 模糊化接口主要将检测输入变量的精确值根据其模糊度划分和隶属度函数转换成合适的模糊值。 为了尽量减少模糊规则数，可对于检测和控制精度要求高的变量划分多(一般5一7个)的模糊度，反之则划分少(一般3个)的模糊度。 当完成变量的模糊度划分后，需定义变量各模糊集的隶属函数。 ;;（2）知识库（knowledge base） 知识库中存贮着有关模糊控制器的一切知识，包含了具体应用领域中的知识和要求的控制目标，它们决定着模糊控制器的性能，是模糊控制器的核心。 如专家经验等。;（3）模糊推理机（ Fuzzy Inference Engine） 根据模糊逻辑法则把模糊规则库中的模糊“if-then”规则转换成某种映射。 模糊推理，这是模糊控制器的核心，模拟人基于模糊概念的推理能力。;（4）反模糊化器（Defuzzification） 把输出的模糊量转化为实际用于控制的清晰量。 ; 按照常见的形式，模糊推理系统可分为: 纯模糊逻辑系统 高木-关野(Takagi-Sugeno)模糊逻辑系统 其他模糊逻辑系统 ;2.2.1 纯模糊逻辑系统;;纯模糊逻辑系统的优点：提供了一种量化专辑语言信息和在模糊逻辑原则下系统地利用这类语言信息的一般化模式； 缺点：输入输出均为模糊集合，不易为绝大数工程系统所应用。;2.2.2 高木-关野模糊系统;;二、神经网络简介;;;;;;;;;;神经网络的软硬件实现 MATLAB的推出得到了各个领域的专家学者的广泛关注，在此基础上，专家们相继推出了MATLAB工具箱，主要包括信号处理、控制系统、神经网络、图像处理、鲁棒控制、非线性系统控制设计、系统辨识、最优化、模糊逻辑、小波等工具箱，这些工具箱给各个领域的研究和工程应用提供了有力的工具。 ;;;; 将两者结合起来，在处理大规模的模糊应用问题方面将表现出优良的效果。 ;三.模糊神经网络？;1、模糊神经网络（FNN）;在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。;;2. 典型模糊神经网络的结构;;模糊神经网络;典型的模糊神经网络结构;典型的模糊神经网络结构;典型的模糊神经网络结构;典型的模糊神经网络结构;典型的模糊神经网络结构;3.2 模糊神经网络的学习算法;Matlab实现;