智能预测控制及其MATLAB实现第6章模糊神经和糊聚类及其MATLAB实现.ppt

第三层的每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适应度，即 或 该层的节点总数N3=m。对于给定的输入，只有在输入点附近的语言变量值才有较大的隶属度值，远离输入点的语言变量值的隶属度或者很小（高斯隶属度函数）或者为0（三角形隶属度函数）。当隶属度函数很小（例如小于0.05）时近似取为0。因此在 中只有少量节点输出非0，而多数节点的输出为0，这一点类似于局部逼近网络。 其中 第四层的节点数与第三层相同，N4=N3=m,它所实现的是归一化计算，即 （2）后件网络 后件网络由r个结构相同的并列子网络所组成，每个子网络产生一个输出量。 子网络的第一层是输入层，它将输入变量传送到第二层。输入层中第0个节点的输入值 ，它的作用是提供模糊规则后件中的常数项。 子网络的第二层共有m各节点，每个节点代表一条规则，该层的作用是计算每一条规则的后件，即 子网络的第三层是计算系统的输出，即 可见， 是各规则后件的加权和，加权系数为各模糊规则的经归一化的使用度，也即前件网络的输出用作后件网络第三层的连接权值。 至此，图2-49所示的神经网络完全实现了Takagi-Sugeno的模糊系统模型。 6.2.3 学习方法 假设各输入分量的模糊分割数是预先确定的，那么需要学习的参数主要是后件网络的连接权 ( )以及前件网络第二层各节点隶属函数的中心值 及宽度。 设取误差代价函数为 其中 和 分别表示期望输出和实际输出。 下面首先给出参数 的学习算法。 其中 。 下面讨论 及 的学习问题，这时可将参数 固定。从而图6-4可以简化为如图6-5所示。这时每条规则的后件在简化结构中变成了最后一层的连接权。 图6-5 基于Takagi-Sugeno模型的模糊神经网络简化结构图 比较图6-5与图6-2可以发现，该简化结构与基于标准模型的模糊神经网络具有完全相同的结构，这时只需令最后一层的连接权 ，则完全可以借用前面已得的结果，即 其中当and采用取小运算时，则当 是第k个规则节点输入的最小值时 否则 当and采用相乘运算时，则当 是第k个规则节点的一个输入时 否则 最后求得 其中 为学习率， 对于上面介绍的两种模糊神经网络，当给定一个输入时网络（或前件网络）第三层的 中只有少量元素非0，其余大部分元素均为0。因而，从x到?的映射与RBF神经网络的非线性映射非常类似。所以该模糊神经网络也是局部逼近网络。其中第二层的隶属度函数类似于基函数。 模糊神经网络虽然也是局部逼近网络，但是它是按照模糊系统模型建立的，网络中的各个节点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用上述的学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比前面单纯的神经网络的优点所在。同时由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。 基于Takagi-Sugeno模型的模糊神经网络可以从另一角度来认识它的输入输出映射关系，若各输入分量的分割是精确的，即相当于隶属度函数为互相拼接的超矩形函数,则网络的输出相当于是原光滑函数的分段线性近似，即相当于用许多块超平面来拟合一个光滑曲面。网络中的 参数便是这些超平面方程的参数，这样只有当分割越精细时，拟合才能越准确。而实际上这里的模糊分割互相之间是有重叠的，因此即使模糊分割数不多，也能获得光滑和准确的曲面拟合。 基于上面的理解，可以帮助我们选取网络参数的初值。例如，若根据样本数据或根据其它先验知识已知输出曲面的大致形状时，可根据这些形状来进行模糊分割。若某些部分曲面较平缓，则相应部分的模糊分割可粗些；反之若某些部分曲面变化剧烈，则相应部分的模糊分割需要精细些。在各分量的模糊分割确定后，可根据各分割子区域所对应的曲面形状用一个超平面来近似，这些超平面方程的参数即作为 的初值。由于网络还要根据给定样本数据进行学习和训练。因而初值参数的选择井不要求很精确。但是根据上述的先验知识所