第十二章 模糊神经网络 智能系统课件.pptVIP

第十二章 模糊神经网络 12.1 引言 12.2 模糊系统的关系式 12.3 用神经网络直接实现的模糊系统 12.4 Sugeno模糊推理法 12.5 B样条模糊神经网络 12.6 径向基函数神经网络 12.1 引言 模糊逻辑控制的优点：设计上的逻辑推理性和概念的透明性，每一步操作具有明确的物理意义； 缺点：规则极大的依赖于人的经验，参数的选择上需要人为确定。 人工神经网络的优点：网络参数设计上的自适应性；具有自动学习的能力。 缺点：网络的参数没有明确的物理意义。 通过神经网络实现的模糊逻辑系统结构具有模糊逻辑推理功 能，同时网络的权值也具有明确的模糊逻辑意义，从而达到 以神经网络及模糊逻辑各自的优点弥补对方不足的目的。 12.3 用神经网络直接实现的模糊系统 12.4 Sugeno模糊推理法 12.5 B样条模糊神经网络 12.5.1 B样条函数及其网络 12.5.2 B样条模糊神网络控制器的设计 12.6 径向基函数神经网络 * 12.2 模糊系统的关系式 一般形式的模糊系统，输入是 ，输出为 。 和 的论域分别是 和 。 语言值是 （ 和 ），模糊规则的 。第 条规则为： 的 数量为 如果 是 ( )，并且 是 ( )，并且 … 是 ( )， 那么 为 若采用乘积法进行与操作，那么第 条模糊规则前提部分 可以表示为： 的真值 从前提部分到结论部分的推理可产生一个结论 采用质心法对模糊集 进行解模糊，系统的实际输出为： 将 的值代入上式分母，上式可重写为： 由此可见，模糊系统的输入/输出的求解关系式是相当复杂和费时的。 图12.1 具有模糊逻辑功能的神经网络的结构 Sugeno法的前提部分与玛达尼推理法有相同的结构，结论部分不同于原来的模糊集合，它用一个前提部分变量的多项式表示，是前提变量的线性函数，并采用加权平均法解模糊。 零阶Sugeno模糊系统的典型模糊规则有如下形式： 一阶Sugeno模糊系统具有的模糊规则形式为： 表12.1 Sugeno与玛达尼推理法性能对比 运算复杂 丢失信息较多 1）参数的确定仍然很麻烦 缺点 较直观 被初学者广泛的应用 较适合于人工输入规则的情况 有效的计算（直接由输入到输出的点到点的计算） 与线性技术（如PID等）最优化技术及自适应技术能一起很好的工作（因其本身就是线性复合技术） 保证输出空间的连续性 更适合进行数学分析 优点 玛达尼推理法 Sugeno推理法 给定一组单变量 的节点序列： 在区间 之间就可以唯一确定 个 不相关的B样条基函数，一个连续函数 就可以用 个B样条基函数的线性组合来近似的表示为： ，那么 阶线性 B样条基函数满足以下迭代关系式： B样条函数是非负的，且局部支撑的，即： 且它们形成一个单份分割，即 (a) m = 0 (b) m = 1 (c) m = 2 (d) m = 3 图12.2 阶次m为0,1,2,3时的B样条基函数曲线图 对于多变量B样条，假定 维输入矢量 定义单变量B样条基函数 那么，第 个多变量B样条基函数 由 基函数 乘积（张积）组成： ， ， 个单变量 一个多变量函数 组合来逼近： 可以用多变量B样条基函数的线性 取隶属函数为： 将上式代入模糊系统输入/输出关系式中： 在B样条网络的设计中，设计者必须确定两个参数： B样条基函数阶数m以及单变量B样条函数的顶点个数N，由此可求得单变量B样条函数所需的节点数l = N + m。 模糊神经网络控制器的设计，输入变量可选为误差e和误差 ，顶点数 节点数 网络控制器的控制量 的计算公式为： 的变化ec。若取阶数 ，则 ，在[-1,1]内等距离取值，由此可得 图12.3 B样条神经网络结构图 具体设计过程如下： 1）首先获得实际被控过程的一组输入/输出数据，然后利用神经网络工具包对被控过程的输入/输出进行辨识； 2）根据B样条工具包计算控制值（给定初始权值 ）； 3）将控制器与被控过程组成闭环控制系统，并计算闭环系统的输出值，将其与期望值的误差平方和作为性能指标（适配值）； 4）根据计算出的适配值，对B样条模糊控制器中的权值 进行复制、交换和变异的遗传操作，以不断地优化适配值。 （a）径向基网 （b）广义径向图基网络 图12.4 径向基网络结构图 *