一种模糊神经网络结构和参数确定方法.docVIP

一种模糊神经网络的结构和参数的确定方法 　　摘要：结合FGP（FuzzyGridPartition,模糊网格划分）和FNN(FuzzyNeuralNetwork,神经网络)提出一种有效确定模糊神经网络模型中结构及参数的方法。该方法首先从样本数据中采用模糊网格划分确定出最佳规则数，从而可确定神经网络的结构；然后采用BP算法对神经网络进行调节，从而确定出模糊神经网络的参数。采用这种方法构建我国经济增长的模糊模型。研究表明这种方法构建的模糊神经网络具有更高的精度。 　　关键词：模糊神经网络；模糊网格划分；反向传播学习算法 　　中图分类号：TP393文献标志码：A 　　文章编号：1001―3695(2007)03―0247―03 　　在构建FNN(FuzzyNeuralNetwork,模糊神经网络)[1―4]时，由于事先不知道模糊规则数，而使网络结构无法确定，一般的方法是考虑覆盖所有可能规则来构造神经网络的结构。由于规则的冗余性和不精简性，当前件语言变量个数及每个语言变量划分的模糊子集比较多时，将导致神经网络结构非常复杂[5]。采用FGP（FuzzyGridPartition,模糊网格划分)[6]可得到精简的规则数,但模糊网格划分在对语言变量进行模糊划分时，对隶属函数选取有较高的要求,否则很难应用于高精度的系统，但通常很难得到准确的隶属度函数，而且，仅仅采用模糊网格划分，后件部分参数也不准确，这样得到的模糊系统通常没有好的性能[7]。 　　 　　1网络结构的确定?? 　　通过模糊网格划分来提取最优规则数及参数训练的神经网络如图1所示。规则的提取主要靠前三层，即A层至C层来确定，A层为输入层，B层为隶属度函数生成层，即产生每个语言变量的各个模糊子集的隶属度值，C层为规则提取层，具体操作见第1.2节，D层、E层主要是结构确定后用于调节网络参数。?? 　　1.1确定初始隶属度函数?? 　　在模糊系统中,系统行为的好坏取决于控制与决策规则的准确与否,而控制与决策规则主要取决于隶属函数,对于一个没有先验知识的系统,确定准确的隶属函数不是一件容易的事[7]。 　　通常,人们描述一种事物的属性,往往用三个语言来表示,如“大”“中”“小”,“高”“中”“低”等,而模糊系统正是使用这样的语言变量来描述模糊规则的。以下取一个简单的两输入单输出系统为例来说明隶属度函数的构成。假设有N组输入―输出采样数据对:（x1,x2,y)1,(x1,x2,y)2,…,(x1,x2,y)N。其中x1和x2为输入,y为输出。假设所有输入、输出、变量均为正值,下面以输入变量x??1为例，给出计算隶属函数的步骤: 　　（5）对所有N组采样数据重复以上四个步骤。?? 　　（6）计算每条规则的置信度,可由该规则前件的出现次数（pn）与总样本个数(N)之比来表示： 　　该值越大,表明该规则的重要程度越大。对于规则层的九个节点,可分别计算pn值,并从大到小进行排序,排在前面的规则的重要度优于排在其后的。如果根据经验或实际情况,给出一个小的正数ε，如果一条规则中pnN≤ε，则可忽略,这样就可以得到k(k≤9)个有效规则,即k条最佳规则。?? 　　(7)确定得到的k条规则的Then部分。 　　对于If部分相同的几条规则,Then部分同时为“L”，“M”，“H”的情况很少,大多数情况是Then部分为一个或两个相邻的语言变量。Then部分为一个语言变量时，该语言变量就是Then部分的输出；当Then部分为两个相邻的语言变量时，就要同时考虑这两个语言变量所对应规则的各自的出现概率及最大激活程度，语言变量所对应规则的出现概率及最大规则度均大于另一个语言变量的，则该语言变量即为Then部分的输出，反之，则计算每条规则的出现概率与最大激活程度的乘积，该乘积大的规则为所选定的规则。 　　通过以上七个步骤，可以直接从样本数据中获取If-Then形的模糊规则，并可对规则进行提取，得到有用的规则，去掉没有或很少得到计算的规则。 　　 　　2网络参数的调整?? 　　从N组采样数据中提取了k条规则。利用这些规则可以得到从输入到输出的模糊神经网络构成的模糊系统。系统精度取决于前件隶属函数及后件参数是否准确。如果一个系统很复杂或关于该系统的信息不充分，就很难得到准确的前件隶属函数及后件参数。当系统的推理精度不够高时，就需要调整前件隶属函数及后件的参数。可以利用神经网络的学习功能来调整隶属函数的参数，使推理精度得到提高。这里采用反向传播学习算法――BP（Back-Propagation）算法进行学习。训练过程包括七步。对于第i组采样数据(x1,x2，y): 　　 　　3我国经济增长的模糊模型 　　设有n个投入要素，则产出Y与投入要素之间的关系为[8] 　　式中α，β，γ