神经网络与模糊系统的结合方式-Read.PPTVIP

第八章 模糊神经网络与神经模糊系统 第八章 模糊神经网络与神经模糊系统 8.1 神经网络与模糊系统 8.2 模糊神经网络 8.3 神经模糊系统 8.1 神经网络与模糊系统 8.1.1 二者的结合是发展的必然 8.1.2 二者的结合方式 8.1.1 二者的结合是发展的必然 1．二者的结合是人脑结构和功能的再现 2．二者的结合实现优势互补 拓宽神经网络的处理信息的范围和能力。 使模糊系统成为一种自适应的系统。 3． 神经网络与模糊系统相结合的理论基础 神经元的阈值函数为S型，与模糊系统的隶属度函数是相似的。 在模糊推理中，规则前提部分的极小运算相当于神经元输入信号与加权系数的乘积，由推理规则的结论部分获得最后推理值的极大运算相当于神经元内的输入信号求和。 8.1.2 二者的结合方式 1．神经网络与模糊系统的合作系统 (1) 根据专家对目标系统的知识，得到模糊系统的隶属度和模糊规则，从而可以构造出一个模糊系统； (2) 根据模糊系统确定神经网络的连接方式与所有的连接权值； (3)? 将已经确定的神经网络应用于实际的目标系统； (4) 从目标系统的传感器取得数据，利用所得数据对神经网络进行训练、学习，以提高它的准确性； (5) 将经过学习后的神经网络的连接权值的变化加以解释，从而增强对神经网络内部过程的理解。 图8.1 神经网络与模糊系统的合作系统的结构图 2．神经网络与模糊系统的结合方式： ①模糊神经网络：这是模糊系统向神经网络的结合，把模糊逻辑插入到神经网络中，使神经网络具有逻辑推理功能，利用模糊逻辑提高神经网络的学习速度。 ②神经模糊系统：这是神经网络向模糊系统的结合，把神经网络的学习功能赋予模糊系统，使模糊系统能自动从学习中获取模糊规则。 8.2 模糊神经网络 8.2.1 模糊神经网络分类器 8.2.2 基于模糊推理的神经网络 8.2.3 基于广义模糊加权型推理法的神经网络 8.2.4 模糊神经网络和前馈型网络的组合式网络模型 8.2.1 模糊神经网络分类器 图8.2 两层分类网络 图8.3 多层分类网络 8.2.2 基于模糊推理的神经网络 图8.4 基于模糊推理的神经网络模型 图8.5 金融风险评估的模糊神经网络模型 8.2.3 基于广义模糊加权型推理法的神经网络 一．隶属度函数的确定 规定输入变量的初始隶属函数如下： big(x)=Sigmoid(? 1 (x -β1))=1 / (1-exp(-? 1 (x-β1 ))) mid(x)=Exp(-((x -β2 ) /? 2)2 ) small(x)=1 - Sigmoid(? 3( x -β3))=1-1/(1-exp(-? 3(x-β3))) 其中? 1 , ? 2 , ? 3 ,β1 ,β2 ,β3 ?R 。 例如：当0? x ?1.0时，可规定x的初始隶属度函数如图8.6所示： 图8.6 输入x的隶属度函数 二． 网络结构的确定 图8.7 基于模糊加权型推理法的神经网络 (A)层： Oi=Ii=Xi (B)层： Oi=Ii-Wbi=Xi-Wbi (C)层： Oi=Sigmoid(Wci*Ii) 或 =Exp(-Ii/Wci)2 或 =1-Sigmoid(Wci*Ii) (D)层： Oi=?Ii (E)层： Oi=Sigmoid(?(Ii*Wei)) (F)层： O1=?(Wfi*Ii) ；O2=?Ii (G)层： O=I1/I2 其中Wb为可变阈值，Wc ,We和Wf 为可变权值。其中，A层为输入层，B、C层实现输入量的模糊化，D、E层实现模糊推理规则，D层实现模糊规则前提的‘与’操作，E层完成求和功能，列出规则输出。F、G层用“重心法”实现非模糊化操作。 三、在天气预报中的应用 以海温距平(X1)和500mb高度距平(X2)为输入，降水量(Y)为输出，输入变量定义了三个