第五章 模糊神经网络.pptVIP

第五章 模糊神经网络 模糊神经网络是一种新型的神经网络，它是在网络中引入模糊算法或模糊权系数的神经网络。模糊神经网络的特点在于把模糊逻辑方法和神经网络方法结合在一起。 第一节 模糊集理论 第二节 模糊神经网络 第三节 模糊联想记忆神经网络 第一节 模糊集理论 模糊集合论 1965年由美国学者扎德（L.A.Zaden）教授首先提出来，其目的是提供一种描述和处理不精确的、模糊事件的数学工具。 基本概念 集合：由具有某种特定属性的对象组成的全体称为一个集合。 论域：由于客观事物的多样性，在考虑一个具体问题时要有一定的范围，这个范围称为论域。 隶属函数的定义 模糊集合的运算 模糊集合的运算 隶属函数的确定 专家确定法 根据主观认识或个人经验，主要是专家的经验，给出隶属函数的具体表达式，或用专家调查法即德尔菲法进行。 模糊统计法 例如：确定“青年人”这个模糊概念的隶属函数。 模糊关系的特性 自反性：任何元素x与其自身具有该关系（xRx）。 对称性：如果x与y有这种关系，那么y与x也一定有这种关系，即xRy,则yRx。 传递性：如果x和y有这种关系，y和z也有这种关系，那么x和z必有这种关系，即若xRy，yRz，则xRz。 模糊矩阵 模糊化举例 把[-4，+4]之间连续变化的量转为模糊量正大（PB），正小（PS），零（0），负小（NS），负大（NB）。 第二节 模糊神经网络 模糊神经元结构图 模糊神经元和普通神经元的区别 普通神经元只有一种算子（+和?），而模糊神经元可以有多种模糊神经元算子； 普通神经元的状态值主要是二值状态（兴奋与抑制），而模糊神经元的状态值处于[0，1]区间。 普通神经元只要输出函数值在[0，1]区间内，就可以是一种模糊神经元。 第三节 模糊联想记忆神经网络 将普通神经元的“乘积”与“和”运算分别用“∧”和“∨”算子代替后得到的神经元称之为max—min算子神经元。 由众多max—min算子神经元按一定顺序连接起来的网络成为max—min算子网络。 工作原理 该网络具有联想记忆功能。 * * 一个论域可以包含多个集合。 隶属函数表明了x对A的隶属程度。其值接近1，表示x属于A的程度很高；值接近0，表示x属于A的程度很低。 设U是一个对象组成的论域，则在论域U上的一个模糊集A上定义的一个隶属函数为 设A和B是论域U上的两个模糊集 ，则有 适用于处理一般社会意识与群体判断中的不确定性，该方法以调查统计结果得出的经验曲线作为隶属函数。 来近似表示“青年”这个模糊集。随着N的增大，该式会统计地趋于某一个值，故取其作为隶属度是合理的、客观的。 设论域为[0，200]，选N个具有正确判断力的评判员，从0开始，逐岁表决x岁是否属于“青年人”，若有n（x）个赞成为“青年”，则当N足够大时可用隶属函数 选择比较法——二元比较法 设 为有限论域，A为U上的一个模糊集。下面确定A的隶属度 ，取U中任意两个元素 ， 表示相对于A而言的 比 的优先程度， 是将 与 进行对比后确定的，规定 采用平均法或加权平均法，令 或 其中为δj权重 则A的隶属度为 模糊关系与模糊矩阵 设给定论域U、V，称U×V的一个模糊子集 R∈F（U×V）为U到V的一个二元模糊关系，记为 其隶属度为： 定义：若对任意 ，都有 则 称 为模糊矩阵，记为R。 例如：若有模糊关系为 则其模糊矩阵为 优 良 中 差 模糊化方法 精确量转化为模糊量的过程称为模糊化。 过程：先将精确量离散化，分成若干个离散值，然后对每个离散值给定一个隶属度，便可以得到一个离散值与不同模糊量隶属度的一张表格。当读入一个精确量的数值时，先将它归入与之最接近的离散，然后从表格便可得到不同模糊量的隶属度。 先将连续量离散化，然后将+4对应“正大（PB）”的隶属度定为1.0，并取一定形状的隶属函数（如三角型函数），模糊化结果见下表。 0 0 0 0 0 0 0.3 0.6 1.0 NB 0 0 0 0 0.3 0.6 1.0 0.6 0.3 NS 0 0 0