模糊神经网络张林.ppt

2.1 神经网络的概念和结构 人工神经元包括的几个方面： （1）输入：其中xi（i=1,2,.....n）表示从其他神经元传来的输入信号； （2）权值：Wij表示从神经元i到神经元j的连接权值 （3）阈值：θj 根据以上的输入和权值，即可获得神经元的净输入 · 2.1 神经网络的概念和结构 （4）输出： 式中yj表示神经元j的输出，f（）表示神经元j的激活函数； （5）激活函数：又叫做活化函数，不同的活化函数对应不同的神经元模型 A. 阶跃函数：神经元输出0或者1 2.1 神经网络的概念和结构 B. 非对称型sigmoid函数 β=2 2.1 神经网络的概念和结构 C. 对称型sigmoid函数（双曲正切函数） 2.1 神经网络的概念和结构 2.1.3 神经网络的结构 A. 前馈型神经网络（BP神经网络） 特点： （1）神经元分层排列，有输入 层、中间层(或叫隐层，可有若干层)和输出层组成，每一层的神经元只接受前一层神经元的输出。 （2）各层神经元的连接权重用Wij表示，此神经网络的全部信息都包含在权重之中 2.1 神经网络的概念和结构 （3）实现的方法：给定一个输入向量X=(x1,x2,....,xn)以及期望的输出向量Y=(y1,y2,.....yq)，通过样本的训练，不断修正各层神经元之间的连接权重Wij,直到网络的输出与期望向量相等或相近。 其修正模式可用下式表达： 2.1 神经网络的概念和结构 B. 反馈网络（Hopfield神经网络） 连接方法：假设网络中有N个神经元，那么每个神经元就有N个输入和一个输出，即每个神经元都是等价的。 2.1 神经网络的概念和结构 实现的方法： （1）给神经网络个神经元之间的连接权赋值，即存储样本模式 设有M类样本模式，其中第S类样本模式为 则神经元i和神经元j之间的连接权为： i, j=1,2,.....,n, i≠j 2.1 神经网络的概念和结构 （2）输入未知模式 ，式中 表示神经元i的初始状态。如果用xi(t)表示神经元i在t时刻的输出状态，则xi(t)的初始值为 xi(0)= i=1,2,......n （3）用迭代算法计算xi(t+1), 计算进行到神经元的输出不随进一步的迭代而变化时，算法收敛。此时神经元的输出即为与未知模板匹配最好的样本模式。 2.2 模糊神经网络概念与结构 2.2.1 模糊神经网络的引入 模糊控制技术的优缺点： 优点：（1）采用语言型控制规则，基于现场操作人员的控制经验或相关专家的知识，在设计中不需要建立被控对象的精确数学模型，因而使得控制机理和策略易于接受与理解。 （2）模糊控制系统的鲁棒性强，干扰和参数变化对控制效果的影响被大大减弱，尤其适合于非线性、时变及纯滞后系统的控制。 2.2 模糊神经网络概念与结构 模糊控制技术的优缺点： 缺点：（1）模糊控制利用领域专家的先验知识进行近似推理，但在工程实际应用中对时变参数非线性系统，缺乏在线自学习或自调整的能力。 （2）如何自动生成或调整隶属度函数或调整模糊规则，是一个很复杂的问题。 2.2 模糊神经网络概念与结构 神经网络控制技术的优缺点： 优点：（1）人工神经网络可以充分逼近任意复杂的非线性关系，可学习和自适应不知道或不确定的系统，它的所有定量或定性的信息都等势分布储存于网络内的各神经元，有很强的鲁棒性和容错性； （2）采用了并行分布处理方法，使得快速进行大量运算成为可能。 2.2 模糊神经网络概念与结构 神经网络控制技术的优缺点： 缺点：（1）神经网络是典型的黑箱型的学习模式，当学习完后，神经网络所获得输入/输出关系无法用容易被人接受的方式表示出来； （2）不适于表达基于规则的知识，因此神经网络进行训练时，由于不能很好地利用己有的经验知识，常常只能将初始权值取为零或随机数，从而增加了网络的训练时间或者陷入非要求的局部极值。 2.2 模糊神经网络概念与结构 2.2.2 模糊神经网络的结构 模糊控制与神经网络的三种融合方式如下： （1）利用神经网络驱动模糊推理 2.2 模糊神经网络概念与结构 （2）应用神经网络优化模糊控制器参数 （3）利用神经网络记忆模糊控制规则 2.3 模糊神经网络在温度控制的应用 2.3.1 确定系统中模糊控制部分 输入：E(期望的温度值和测量的温度值之差) Ec(本次测量误差-上次测量误差) 输出：控制量U E和Ec的模糊子集：{NB,NM,NS,ZO,PS,PM,PB} 各模糊子集的隶属函数 2.