基于直觉模糊理论模糊神经网络设计.docVIP

基于直觉模糊理论模糊神经网络设计 　　摘要：将人工神经网络的学习能力和适应性与直觉模糊逻辑的不确定推理能力有机结合起来，即可建立一个基于直觉模糊集的模糊神经网络。本文介绍了直觉模糊集的概念，列出了几种直觉模糊神经网络模型，分析了其相应结构、算法及优缺点。 　　关键词：直觉模糊集 自适应神经―直觉模糊推理系统 T-S系统 Hopfield神经网络 　　中图分类号:TP183 文献标识码:A 文章编号:1672-3791(2011)10(b)-0000-00 　　 　　1 引言 　　 直觉模糊集(Intuitionistic Fuzzy Sets, IFS)是传统的模糊集的一种拓展，它同时考虑了隶属度、非隶属度和犹豫度这三个方面的信息，因而比传统的模糊集在处理模糊性和不确定性等方面更具灵活性和实用性。而模糊神经网络汇集了神经网络与模糊理论的优点，在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力。将人工神经网络的学习能力和适应性与直觉模糊逻辑的不确定推理能力有机结合起来，利用神经网络来调整和优化直觉模糊逻辑的隶属函数和非隶属函数，利用直觉模糊逻辑进行不确定的知识表示和推理，即可建立一个基于IFS的模糊神经网络。 　　 直觉模糊神经网络的研究处于起步阶段，雷英杰等研究了直觉模糊神经网络的学习算法、推理方法、函数逼近能力等，李龙等研究了直觉模糊神经网络的稳定性，林剑、徐小来等研究了直觉模糊神经网络在故障检测、评估及目标识别等方面的应用。 　　 　　2 直觉模糊集理论 　　 　　 IFS增加了一个新的属性参数―非隶属度函数，进而还可以描述“非此非彼”的“模糊概念”，亦即“中立状态”的概念或中立的程度，因而比传统的模糊集在处理模糊性和不确定性等方面更具灵活性和实用性。目前，IFS理论在模糊性的表示和处理方面的优势逐渐受到重视，在决策、聚类、模式识别、近似推理等领域得到了广泛应用。 　　 　　3 直觉模糊神经网络结构的设计 　　 普通多输入、多输出的直觉模糊神经网络应包括输入层、输出层及隐层，其输入，输出以及连接权都是直觉模糊数。网络结构采用多层前馈网络，学习算法可以使用BP算法结合最小二乘估计器对网络进行训练。但该结构算法效率低，对偶发事件反应不敏感，适用性不强。对具体问题改进网络模型和学习训练算法，将极大提高信息处理效率和可信度。以下即为改进的几种网络结构。 　　3.1 基于ANIFIS的T-S型网络 　　 基于自适应神经―直觉模糊推理系统(Adaptive Neuro-Intuitionistic Fuzzy Inference System, ANIFIS)的“高木―关野(Takagi-Sugeno，T-S)”型网络模型如图1所示。 　　 　　 该模型共有5层：第一层为输入层；第二层为直觉模糊化层，计算各输入分量的非隶属和非隶属度函数；第三层为推理规则层，每个结点代表一条直觉模糊规则，它的作用是用来匹配直觉模糊规则的前件，算出每条规则的适用度；第四层为标准化层，实现归一化计算；第五层是输出层，实现解模糊。 　　 它是一个多输入、单输出的T-S型系统，其规则形式为： 　　 　　 用EKF学习算法调节网络的所有参数，包括根据系统误差、马氏距离等参数的大小，调整结果参数、隶属度函数宽度、中心参数、规则数等。 　　3.2 取大―取小直觉模糊Hopfield神经网络 　　 由于直觉模糊集在处理不确定信息时具有更强的表现能力，类似于模糊Hopfield神经网络的构造方法，因此将直觉模糊集与Hopfield神经网络相结合，构造取大―取小直觉模糊Hopfield神经网络。它所考虑的网络具有n个处理单元，其中每个都与其它所有单元相连。其网络结构如图2所示。 　　 　　 3.3 直觉模糊ART神经网络 　　 BP网络等有监督学习的前馈型神经网络对于不包含在训练样本内的测试样本模式不能很好地工作，无法检测频繁变化的群事件。自适应共振(Adaptive Resonance Theory ,ART)神经网络克服了上述缺点，具有良好的稳定性和可塑性。而直觉模糊ART神经网络又增强了ART神经网络的模糊信息处理能力。 　　 直觉模糊ART神经网络处理的是直觉模糊向量，在引入直觉模糊集理论中的贴近度概念的基础上，以“匹配―委托”方式代替了ART神经网络的“匹配―复位―扫描”过程。对于满足匹配判据的情形，网络发生共振，进入学习状态。这样，该网络只要对输入矢量进行一次性学习，具有较高的工作效率。 　　 网络连接权值的学习调整采用 “快学慢编”机制(fast-commit slow-record)，能保证对新模式做出快速反应，又可以将输入矢量的信息适当地融合到模板中，形成聚类中心。