第11章 模糊RBF网络.ppt

第十一章 MATLAB优化算法案例分析与应用 第11章 模糊RBF网络 第十一章 MATLAB优化算法案例分析与应用 11.1 RBF神经网络 RBF网络的学习过程与BP网络的学习过程类似，两者的主要区别在于各使用不同的作用函数。BP网络中隐层使用的是Sigmoid函数，其值在输入空间中无限大的范围内为非零值，因而是一种全局逼近的神经网络；而RBF网络中的作用函数是高斯基函数，其值在输入空间中有限范围内为非零值，因为RBF网络是局部逼近的神经网络。 RBF网络是一种3层前向网络，由输入到输出的映射是非线性的，而隐层空间到输出空间的映射是线性的，而且RBF网络局部逼近的神经网络，因而采用RBF网络大大加快学习速度并避免局部极小问题，适合于实时控制的要求。采用RBF网络构成神经网络控制方案，可有效提高系统的精度、鲁棒性和自适应性。 第十一章 MATLAB优化算法案例分析与应用 11.1.1 RBF网络结构 RBF网络是一种三层前向网络，由于输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而可以大大加快学习速度并避免局部极小问题。多输入单输出的RBF网络结构如图11-1所示。 图11-1 RBF神经网络结构 第十一章 MATLAB优化算法案例分析与应用 11.1.2 RBF网络的逼近 RBF神经网络逼近 高斯基函数 第十一章 MATLAB优化算法案例分析与应用 11.1.2 RBF网络的逼近 网络的基宽向量为： 网络的权向量为： RBF网络的输出为： RBF网络逼近的性能指标函数为： 信息 第十一章 MATLAB优化算法案例分析与应用 11.1.2 RBF网络的逼近 采用RBF网络逼近下列对象 输入信号为正弦信号： 高斯函数的初始值 采用时间为0.001s，网络隐层神经元个数取m=4 网络结构为输入层2-隐层4-输出1 网络的学习参数取 ， 第十一章 MATLAB优化算法案例分析与应用 11.1.2 RBF网络的逼近 采用RBF网络逼近下列对象 for j=1:1:4 h(j)=exp(-norm(x-c(:,j))^2/(2*b(j)*b(j))); % 高斯基函数 end ym(k)=w*h; em(k)=y(k)-ym(k); ? for j=1:1:4 d_w(j)=xite*em(k)*h(j); d_b(j)=xite*em(k)*w(j)*h(j)*(b(j)^-3)*norm(x-c(:,j))^2; for i=1:1:2 d_c(i,j)=xite*em(k)*w(j)*h(j)*(x(i)-c(i,j))*(b(j)^-2); end end w=w_1+ d_w+alfa*(w_1-w_2); b=b_1+d_b+alfa*(b_1-b_2); c=c_1+d_c+alfa*(c_1-c_2); 第十一章 MATLAB优化算法案例分析与应用 11.1.2 RBF网络的逼近 采用RBF网络逼近下列对象 RBF网络辨识结果 RBF网络敏感度Jacobian信息 第十一章 MATLAB优化算法案例分析与应用 11.2 模糊RBF网络 在模糊系统中，模糊集、隶属度函数和模糊规则的设计是建立在经验知识基础上的。这种设计方法存在很大的主观性。将学习机制引到模糊系统中，使模糊系统能够通过不断学习来修改和完善隶属函数和模糊规则，是模糊系统的发展方向。 第十一章 MATLAB优化算法案例分析与应用 11.2.1 网络结构 如图11-10所示为模糊RBF神经网络结构，该网络由输入层、模糊化层、模糊推理层和输出层构成。 模糊RBF神经网络结构 第十一章 MATLAB优化算法案例分析与应用 11.2.1 网络结构 如图11-10所示为模糊RBF神经网络结构，该网络由输入层、模糊化层、模糊推理层和输出层构成。 模糊RBF神经网络结构 第十一章 MATLAB优化算法案例分析与应用 11.2.2 基于模糊RBF的网络逼近 模糊RBF神经网络逼近 网络的逼近误差为： 输出层的权值学习算法 第十一章 MATLAB优化算法案例分析与应用 11.2.2 基于模