智能控制理论和方法（第二版）第6章模糊—神经元网络及其在智能控制中的应用.ppt

第6章 模糊-神经元网络及其在智能控制中的应用 　　6.1 模糊系统与神经元网络集成的基本概念6.1.1 模糊系统与神经元网络的一般比较　　模糊系统与神经网络二者都是非数值模型的估计器和动态系统。它们都能够改善在不确定、不精确和噪声环境中工作的系统智能。两者都比传统的统计估计和用自适应控制方法估计函数要优越。模糊系统和神经网络估计或逼近函数都不需要数学模型来描述输出如何依赖于输入，即它们都从数值实例中进行学习。模糊和神经方法本质上是数值型的，即可用数学工具进行处理，可以部分地用定理进行描述而且允许有算法特征，这种特征适用于硅片和光器件实现。这些性质也使得模糊和神经元方法与人工智能(AI)的符号处理相区别。 　　虽然模糊系统与神经网络形式上是相似的，但它们在样本函数估计、样本表示和存储、结构知识的表示和编码以及相关推理或输入到输出映射的方法上存在很大差别。　　(1) 神经网络具有大量高度连接的处理元件(节点)，这些节点展示了按训练样板或数据进行学习和泛化的能力。而模糊系统是以语言变量形式表示的输入来决策的。语言变量由隶属函数导出，通过模糊隐含、推理、去模糊化获得适当的输出。　　(2) 模糊系统用模糊集合样本(Ai, Bi)来估计函数，而神经网络是用数值点样本(xi, yi)来逼近函数。例如： 在神经网络中，xi可代表组成图象的象素，yi可代表该向量的类别。给定一个由xi和yi对组成的训练集合, 神经网络通过调整其权值来学习输入-输出的映射。而在模糊系统中，如果Ai是表征一个工厂状态的模糊集，Bi代表工厂中出现或不出现各种不同事故的可能性，则模糊推理和模糊规则可以用来确定这些事故之一产生的似然率，并可表示成Ai的函数。 　　(3) 神经网络是可训练的动态系统。它的学习、容错和泛化能力来源于它的连接结构、它们的动力学性质以及分布式数据表示。神经网络以定理、有效的数值算法和模拟与数字VLSI组件开拓其数值框架，但它们不能直接对结构知识进行编码。神经网络学习时需要足够的样本，其学习的过程对用户或设计者是透明的。除非对所有的输入-输出样本作检查，否则我们就不知道神经网络学习什么以及新样本加上时它忘记了什么。在神经网络中很难将普通的if-then规则编码，也很难确定网络的结构和规模。 　　模糊系统是结构式的数值估计器，它们从有关分类心理学、高度形式化的推理和现实世界存在的分类结构开始，然后连接成模糊if-then规则，并把它当做专家知识。模糊系统直接把结构知识编成灵活的数值框架并按相似于神经网络的方式进行处理。但与神经网络不同，模糊系统只要求部分地填充语言规则矩阵。这个任务比训练和设计神经网络要简单。模糊系统碰到的困难是如何确定模糊规则和隶属函数，它的学习过程不是透明的。与人工智能中结构知识不同，模糊系统可用数值数学工具进行处理，而前者只能按符号框架来处理，不能直接用数学工具。模糊系统也可以用统计和神经网络技术，直接由问题相关的采样数据自适应地推导和修改模糊规则。 　　目前，在应用方面，模糊逻辑技术主要用于控制系统或控制问题。通常允许与标准控制理论和专家系统方法相结合。神经网络用得最好的领域是病态的模式识别。当然，如第4章所述，也可用于复杂系统的辨别和控制。在应用中究竟采用模糊系统还是神经网络至今尚无选择原则。一般而言，当系统运行的经验或内在机理可用来构造模糊的if-then规则或模糊集合可以表示系统度量的特征时，选模糊系统比较合适；当这种做法不可能时，我们可求助于神经网络或者可以用神经技术产生模糊规则，这就形成了所谓自适应模糊系统。 6.1.2 模糊系统和神经网络集成的理由　　模糊逻辑和神经网络是互补的技术，神经网络从被训练或受控的系统中抽取信息，而模糊逻辑技术最常用的是从专家中获取口头和语言信息。为了解决现实中的各种复杂问题，应把两者结合起来构成集成系统。　　集成系统将拥有神经网络和模糊系统两方面的优点。譬如它可具有神经网络的学习能力、优化能力和连接式结构；拥有模糊系统类似于人类思维方式的if-then规则并易于嵌入专家知识。这样，我们可以把神经网络低级的学习和计算功能带到模糊系统；也可把模糊系统高级的类似人类的if-then思维规则和推理嵌入神经网络。由此，在神经网络方面，我们可以通过将神经网络预结构化，或者通过学习阶段之后对权矩阵进行可能的解释，使神经网络越来越不透明；在模糊方面，通过表征模糊系统的参数的自校正可以从神经网络所用的相似方法中吸取好处。于是，神经网络可以降低透明程度，使它们更接近于模糊系统；而模糊系统可以提高自适应性, 更接近于神经网络。 　　集成的系统可以学习和自适应，它学习新的联想、新的模式和新的功能上依存关系；把经验流采样并编成新的信息；把采样的经验流压缩或量化成一个小的但统计上为样本或原型