模糊反向传播算法及其收敛性.PDFVIP

2007年2月 重庆大学学报(自然科学版) Feb．2oo7 第30卷第2期 Journal of Chongqing University(Namrnl Science Edition) Vo1．30 No．2 文章编号：1000-582X(2007)02—0065—05 模糊反向传播算法及其收敛性 魏 延 ，李世宏 ，曹长修 ，曾绍华 (1．重庆大学自动化学院，重庆 400030；2．重庆师范大学数学与计算机科学学院，重庆 400047) 摘 要：针对S．Stoeva提出的基于相同样本及网络输出的模糊神经网络模型，通过对基于极大一极 小模糊算子的模糊神经网络模型的研究，证明了其与S．Stoeva提出的网络模型的等价性．在此基础上提 出了依赖于模糊逻辑神经元输出的调整模糊权值的模糊反向传播学习算法，并进一步研究了其收敛性． 最后以汽轮发电机组的状态监测为例进行仿真分析．结果表明：在网络输入神经元满足样本输出介于样 本输入的极大与极小之间时，所提出的模糊反向传播学习算法是收敛的． 关键词：模糊神经网络；极大一极小模糊算子；学习算法；收敛性 中图分类号：TP18 文献标识码：A 模糊神经网络(Fuzzy Neural Nero,)是模糊和神 糊神经网络结构，并证明了其与文献[3]模糊神经网 经网络技术的融合，克服了神经网络和模糊逻辑在知 络模型的等价性，在此基础上，改进了模糊反向传播学 识处理方面的缺点，是一个集语言计算、逻辑推理、分 习算法，对其收敛性进行了研究，最后以汽轮发电机组 布式处理和非线性动力学过程为一体的系统…．作为 的状态监测为例进行了仿真． 新的智能信息处理方法，对人工智能和模式识别技术 发展有重要作用，具有良好的发展前景【2】．近年来对 1模糊神经网络模型 模糊神经网络的研究主要集中在以下几个方面：将神 1．1模糊神经网络结构模型 经网络引入模糊系统的建模中，加强模糊系统的自学 文中所研究的模糊神经网络是由输人层、隐含层 习能力；将模糊的概念引入神经网络的研究中，改进神 经网络的性能；模糊神经网络的应用研究，主要集中在 和输出层3层组成的多输人单输出模糊神经网络，具 与机器人、工业控制、模式的分类和识别中． 体结构描述如图1所示． 一 段时间以来，人们已对常见的模糊反向传播神 经网络做了许多理论与应用工作，代表性的有文献 [2-8]等．此类网络的特点用模糊极大一极小算子代替 传统的神经网络积一和算子而构成的，它与传统的神 经网络相比有很大区别，即信息在网络的传递过程中 有较大的损失，与此同时，网络的鲁棒性得到了增强． 最近S．Stoeva【3 提出了一个非常有创新意义的模糊反 1) 向传播神经网络FBP(Fuzzy Backpropagation)，并且对 m-1-，I．1 其学习规则的收敛性进行了研究．文献[4]提出了基 于极大一极小模糊算子的模糊神经网络及其学习规 则．但文献[3—4]的模糊神经网络是基于相同的样本 输出，且权值的修改条件是基于输出值与所有权值的 比较的．文中首先研究了基于极大一极小模糊算子的模 图1 模糊神经网络结构模型 · 收稿日期：2006—08-28 基金项目：重庆市教委科学技术研究项目(KJ050809)；重庆市高等学校优秀中青年骨干教师资助计划 作者简介：魏延(1970一)，男，重庆师范大学副教授，重庆大学博士研究生，主要从事模糊推理、软计算方法及数据挖掘研究。