模糊或清晰.PPTVIP

11.6 标准模糊神经控制器结构 下面对网络的各层进行分析说明： 第一层为网络的输入层，网络输入变量为 和 。 T为神经网络输入变量采样周期。 第二层为网络模糊化层，输入量 、 ，分别划分为 n和m个模糊子集，隶属函数都为高斯径向基函数，则 节点输出表达式为: i=1，2，…，n i=1，2，…，m 11.6 标准模糊神经控制器结构 第三层为网络释放强度层，层中的每个节点完成模糊推理的AND运算，输出 代表了模糊推理规则的释放强度，也即两个输入隶属函数的乘积。 式中 i=1，2，…，n；j=1， 2，…，m； k=1，2，…，s。 第四层为网络归一化层，层中的每个节点完成模糊推论的OR运算，其输出 表示每条规则的释放强度在所有s条规则的释放强度总和中所占比例。 11.6 标准模糊神经控制器结构 第五层为网络模糊推理结论层， 对应于一条规则的结论部 分，分别可以是模糊单点、模糊集合、函数。当输出采用 高木-关野推理规则时： 为可调参数集，节点输出 为： 第六层为模糊神经网络反模糊化输出层，控制器输出为： 11.6 标准模糊神经控制器结构 网络的第二、三层的节点数会随输入变量个数的增加而急剧膨胀，第三层通常以指数形式增加，所以特别是第三层。如果网络的输入输出数量增加，节点数、要调整的输出权值等数字将会增长的更快。这样的网络会使系统前向计算和网络反传修正的运算量都很大，严重影响网络的运算速度。另外，对于这种网络，由于结构复杂，需要优化调整的参数太多，很难进行网络的初始化和结构设计工作，不仅因设计性能不佳的网络很难在应用中达到理想的控制效果而且网络初始化不合理直接影响到网络的学习速度和收敛性。 11.7 模糊RBF型神经控制器结构 模糊神经控制器结构等价于下图所示RBF型的模糊神经控制器，下面对网络各层的功能分析说明。 11.7 模糊RBF型神经控制器结构 第一层为网络的输入层，网络输入变量为 和 。 T为神经网络输入变量采样周期。这同标准模糊神经网络 的第一层相同。 第二层为网络模糊运算层。这一层完成了模糊化、释放强度、归一化三个过程，计算推理如下: 11.7 模糊RBF型神经控制器结构 第三层为网络输出层。这一层完成网络模糊推理结论和反模糊化的输出过程，节点输出为网络输出y。其中 的意义同模糊神经网络，表示网络的模糊推理结论部分，从结构上相当于RBF神经网的输出层权值，网络性能最佳的权值组合可以采用BP算法等权值调整算法进行调整来获得。 隶属度函数在网络的第二层得到，并且也实现了模糊隶属度的合成，使模糊控制的前件在同一个神经元中完成。根据系统的控制要求可在线调整第二层的节点数。这种结构的模糊神经网络除了能很好的映射模糊控制规则外，还有利于网络的初始化和网络结构的设计，这主要是当根据控制要求需要增加(或减少)模糊控制规则时，只需在第二层中增加(或减少)节点即可，而且，第二层网络的节点变化对整个网络的影响不大。 本章结束，谢谢关注！ 付冬梅 信息工程学院 自动化系 2008-11-5 第十章 模糊神经网络 11.1 模糊神经网络理论概述 11.2 模糊系统简介 11.3 RBF网络及其与模糊系统的功能等价 11.4 模糊神经元的一般构造方法 11.5 模糊神经网络 11.6 标准模糊神经控制器结构 11.7 模糊RBF型神经控制器结构 第十一章 模糊神经网络的讲述内容 11.1 模糊神经网络理论概述 模糊逻辑系统易于理解,而神经网络则有极强的自适应学习能力.随着模糊信息处理技术和神经网络技术研究的不断深入,如何将模糊技术与神经网络技术进行有机结合,利用两者的长处,提高整个系统的学习能力和表达能力,是目前最受人注目的课题之一。模糊神经网络就是在这种背景下诞生的一门新生技术。 将模糊逻辑与神经网络相结合就构成了模糊神经网络.虽然这是两个截然不同的领域,但是均是对人类智能的研究.目前,将模糊逻辑和神经网络相结合的研究主要有以下几种形式: 1)将模糊逻辑用于神经网络——将模糊集合的概念应用于 神经网络的计算和学习,用模糊技术提高神经网络的学习 性能。 2)将神经网络用于模糊系统有两个方面—— (1)用神经网络的学习能力实时调整知识库,在线提取 或调整模糊规则或其参数. (2)用神经网络完成模糊推理过程. 3)模糊系统和神经网络全面结合,构造完整意义上的模糊神 经网络和算法.近些年来有关模糊神经网络的主要研 究都集中在这方面。 4)将模糊神经网络和其它理论相结合,如遗传,聚夹,蚁群, 自适应等. 11.1 模糊神经网络理论概述 神经网络具有并行计算,全分布式信息存储,容错能力强以及具