北京交通大学研究生课程（神经网络模糊控制及专家系统）第七章PPT课件.ppt

三、模糊神经网络的学习算法 1 三、模糊神经网络的学习算法 三、模糊神经网络的学习算法 三、模糊神经网络的学习算法 三、模糊神经网络的学习算法 研究生课程 张严心 2015 神经网络、模糊控制及专家系统 第七章 集成智能控制系统 集成智能控制系统简介 模糊神经网络控制 第一节 集成智能控制系统简介 1. 模糊神经网络系统（FNN） 模糊控制利用专家经验建立起来的模糊集、隶属度函数和模糊推理规则等实现了复杂系统的控制。 控制器设计是基于人们在操作系统实践中积累的一些经验知识。通过主观的反复实验得到隶属度函数和模糊控制规则。 缺点： 当环境发生变化时，缺乏自我调节和自学习的能力。 解决方法之一：Sugeno提出将规则的自组织问题转化为参数估计问题。但仍有主观性。 如何把学习机制引入到模糊控制中来？ 第一节 集成智能控制系统简介 1. 模糊神经网络系统（FNN） 神经网络由大量连接的神经处理单元组成的，具有高度的非线性映射能力和自学习能力，能够从样本数据中进行学习和泛化，计算速度快。 神经网络具有两大主要特征：分布表示和学习能力 缺点： 无法处理语言变量，也不可能将专家的先验控制知识注入到神经网络控制系统中去，使得原本不是“黑箱”结构的系统设计问题只能用“黑箱”系统设计理论来进行。它还存在局部收敛问题。 解决方法：利用神经网络的学习功能来优化模糊控制规则和相应的隶属度函数、将一些专家知识预先分布到神经网络中去是提出模糊神经网络理论的两个基本出发点。 第一节 集成智能控制系统简介 2. 神经网络专家系统 专家系统，是一个智能信息处理系统，它处理现实世界中提出的需要由专家来分析和判断的复杂问题，并采用专家推理方法来解决问题。 传统的专家系统采用产生式规则和框架式结构，基于符号的知识的显式表示。 缺点： 专家本人无法用这些规则来表达他们的经验。 解决方法：利用神经网络专家系统，是符号的隐式表示。它的知识库是分布在大量神经元以及它们之间的连接系数上的。知识获取只是神经网络的简单训练过程。 神经网络的输入输出节点用来表示模糊控制系统的输入输出信号，隐含节点用来表示隶属度函数和模糊控制规则。 一、结构 整个神经网络模型分成五个层次： 第一层：输入节点，用来表示语言变量； 第二层：表示语言变量语言值的隶属度函数（可用单一神经元或一个小的子网络）； 第二节 模糊神经网络控制 第二节 模糊神经网络控制 二、基本功能和函数关系 第二节 模糊神经网络控制 二、基本功能和函数关系 二、基本功能和函数关系 第二节 模糊神经网络控制 二、基本功能和函数关系 第二节 模糊神经网络控制 第二节 模糊神经网络控制 二、基本功能和函数关系 第二节 模糊神经网络控制 第二节 模糊神经网络控制 二、基本功能和函数关系 第二节 模糊神经网络控制 二、基本功能和函数关系 第二节 模糊神经网络控制 二、基本功能和函数关系 第二节 模糊神经网络控制 二、基本功能和函数关系 （a） 二、基本功能和函数关系 （b） （c） 二、基本功能和函数关系 神经元网络实现的基本的模糊逻辑运算：“与”、“或”、“非” 1. 直接法：设置神经元的激励函数为“与”、“或”、“非”， 如何选取可微函数？ 举例：Softmin 二、基本功能和函数关系 2. 有序加权平均（OWA）法 二、基本功能和函数关系 2. 有序加权平均（OWA）法 三、模糊神经网络的学习算法 三、模糊神经网络的学习算法 三、模糊神经网络的学习算法