- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于区间值描述自适应直觉模糊神经网络
基于区间值描述自适应直觉模糊神经网络 摘 要 针对模糊集合在语义描述上存在的不足,为提高自适应模糊神经网络的紧凑性,提出了自适应直觉模糊神经网络。首先,推导了适合神经网络计算的直觉模糊规则。接着,给出了自适应直觉模糊神经网络的结构和各层的含义,并给出了网络学习算法和收敛性分析。最后,通过典型实例仿真试验,表明提出的自适应模糊神经网络结构更为紧凑,学习算法的泛化性能更佳。
关键词 直觉模糊逻辑;直觉模糊规则;区间值描述;自适应直觉模糊神经网络
中图分类号:TP183 文献标识码:A 文章编号:1671-7597(2013)24-0045-02
基于自适应网络的模糊推理系统(ANFIS)采用反向传播算法和最小二乘法调整模糊推理系统的参数,并能自动产生模糊规则,堪称模糊神经网络的经典之作。自此,由于自适应模糊神经网络通过控制模糊规则的自动生成和修剪,可得到一个规则数更小和泛化能力更佳的网络结构,动态模糊神经网络就成为模糊神经网络研究的热点。为了克服动态模糊神经网络的高斯隶属度函数的不足,文献[1]在采用椭圆基函数使隶属函数宽度自适应输入变量的基础上,提出广义动态模糊神经网络(GD-FNN)。Gang等进一步将隶属函数宽度自适应于神经元,提出一种结构更为紧凑的自组织模糊神经网络(SOFNN)。
直觉模糊集是对模糊集最有影响的扩展,语义描述上具有独到的优势,并成功拓展到模糊推理、信息决策、非线性计算等领域。本文针对T-S模糊规则在语义描述上存在不足,在Xu最近提出的直觉模糊数运算的基础上给出了一种适合网络计算的直觉模糊规则,并将动态模糊神经网络拓展,提出了一种自适应直觉模糊神经网(AIFNN)结构。
1 直觉模糊逻辑和规则
模糊集的隶属函数值仅是一个单一值,不能同时描述支持、反对和犹豫。20世纪80年代末,Atanassov对Zadeh的模糊集合概念进行了一系列的拓展,提出了直觉模糊集的概念和理论。Gau于1993年提Vague集合理论,并构造了Vague集隶属度的子区间描述。最近,徐泽水教授提出了基于隶属度的区间值描述的直觉模糊集,并在直觉模糊集上构造了一系列运算规则。
定义1:(直觉模糊集)设是一个给定论域,则上的一个直觉模糊集为
(1)
其中定义隶属函数为:
非隶属函数为:
且恒有
并定义犹豫度或不确定度为:
定义2:(基于Vague集隶属度的直觉模糊集)设为上的一个Vague集,则的隶属函数满足:
(2)
即为[0,1]的子区间,重新定义直觉模糊集为,其中满足式(1),当退化为模糊集。
定义3:(基于区间值描述的直觉模糊规则)设区间值为神经网络结构中定义2给定的直觉模糊数区间值表示,表示直觉模糊数的隶属度中心,表示直觉模糊数的隶属度宽度,且满足
如是自然的将T-S模糊神经网络规则拓展为直觉模糊规则,具有以下的形式:
(3)
其中是直觉模糊集,为输入变量数,是直觉模糊规则数。
2 AIFNN结构和直觉模糊算子的数值计算
AIFNN的结构是一个六层的网络结构,如图1所示。
图1 AIFNN的结构
第一层:输入层,每个节点分别表示一个输入语言变量。
第二层:隶属函数层,每个节点分别表示一个直觉模糊隶属函数。隶属函数如下式所示:
(4)
其中,作为高斯隶属函数的中心,和 ( )是高斯隶属函数的宽度。因此,节点隶属度函数的区间值输出。
第三层:范数层,每个节点分别代表一条直觉模糊规则中的if部分,采用一个简化的直觉模糊Bonferroni平均算子,第个节点的条件输出为区间值:
(5)
第四层:结论层,每个节点分别代表一条直觉模糊规则中的then部分,采用直觉模糊权重平均算子的变形,计算第个节点的结论输出为一区间值:
(6)
第五层:输出处理层,输出为,通过面积中心法进行求解,如下式所示:
(7)
其中和由归一化计算隶属度函数求得:
(8)
第六层:输出层,每一个节点都与一个语言变量相关联,通过去模糊化算子计算输出。
(9)
3 基于AIFNN的非线性函数逼近
通过典型的非线性函数逼近验证AIFNN算法的有效性,其试验效果图如图2所示。从图(a)可以看出,规则是一条一条地生成的;从图(b)可以看出,均方根误差陡峭的地方,表明该处生成了或删除了规则;图(c)为训练集的目标值和AIFNN输出的实际值的比较,期望值与实际值基本重合在一起;图(d)为训练集目标值与AIFNN输出的实际值之间的误差;图(e)为测试集的目标值和AIFNN输出的实际值的比较;图(f)为测试集目标值与AIFNN输出的实际值之间的误差。
为评
文档评论(0)