模糊神经网络—智能控制.pptVIP

模糊神经网络 李华 113320081002013  从知识的表达方式、存储方式、运用方式、获取方式来比较 模糊系统—可以表达人的经验性知识，便于理解 将知识存在规则集中 同时激活的规则不多，计算量小 规则靠专家提供或设计，难于自动获取 神经网络—只能描述大量数据之间的复杂函数关系 将知识存在权系数中，具有分布存储的特点 涉及的神经元很多，计算量大 权系数可由输入输出样本中学习，无需人来设置 模糊神经网络（Fuzzy Neural Network，简称FNN）将模糊系统和神经网络相结合，充分考虑了二者的互补性，集逻辑推理、语言计算、非线性动力学于一体，具有学习、联想、识别、自适应和模糊信息处理能力等功能。 其本质就是将模糊输入信号和模糊权值输入常规的神经网络。 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（中间）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。 3、模糊神经网络的分类 基于标准模型的模糊神经网络 基于T—S的模糊神经网络 3.1 模糊系统的标准模型 模糊系统的规则集和隶属度函数等设计参数只能靠设计经验来选择，利用神经网络的学习方法，根据输入输出的学习样本自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。 结构上像神经网络，功能上是模糊系统，这是目前研究和应用最多的一类模糊神经网络。 3.2 模糊神经网络的结构 3.3 学习算法 4、1 模糊系统的T-S模型 4.2 模糊神经网络的结构 输出为 4.3 学习算法 基于T-S模型的模糊神经网络简化结构与前述结构完全相同，故可借用前面的结论 当给定一个输入时，前件网络的第三层的适用度中只有少量元素非0，其余大部分元素均为0，因而从x到a的映射与CMAC、B样条及RBF神经网络的输入层的非线性映射非常类似。所以该模糊神经网络也是举步逼近网络 综述 * * 1、 模糊系统与神经网络比较 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。 2、模糊神经网络（FNN） 基于标准模型的模糊系统原理结构 输出量的表达式为 其中 对于给定输入x对于规则适用度的归一化 第一层为输入层，为精确值。节点个数为输入变量的个数。 由模糊模型可设计出如下模糊神经网络的结构 第二层每个节点代表一个语言变量值。用于计算各输入分量属于各语言变量值模糊集合的隶属度函数 n是输入变量的维数，mi是xi的模糊分割数（规则数） 第三层的每个结点代表一条模糊规则，用于匹配模糊规则的前件，计算出每条规则的适用度 对于给定的输入，只有在输入点附近的那些语言变量 才有较大的隶属度值，远离输入点的语言变量值的隶 属度很小（可近似为0）或为0，因此只有少量结点输 出非0，这点类似于局部逼近网络 结点数与第三层相同，实现适用度的归一化计算 第五层是输出层，实现清晰化计算 输出量为每条规则输出量的加权平均 适用度的归一化 前件网络用来匹配模糊规则的前件 后件网络用来产生模糊规则的后件 各层功能与前面相同 后件网络由r个结构相同的并列子网络组成，每个子网络产生一个输出量 输入层，第0个结点的输入值是1，用于提供模糊规则后件中的常数项 每个结点代表一条规则，用于计算每条规则的后件 计算系统的输出