神经网络第七西~九章.pptVIP

第七章 人工神经元网络与模糊系统 两者的结合是发展的必然 两者结合的基本方式 人脑实际上是神经网络与模糊系统有机的自然结合。 从物质结构上: 人脑是一种典型的生物神经元网络，人脑是由大量的 神经元经广泛的突触连接而构成的一个极其复杂的网 络系统。是一个巨系统。 人脑的思维活动和智能行为正是这么多的神经元协同 运作的宏观表现。 从主要的功能角度看: 人脑又是个典型的模糊系统。人类生存的环境，有精 确的和模糊的两部分。 人类思维的奇妙之处正是因为有精确思维和模糊思维 两部分组成的结果，使它不仅有精确性、清晰性和逻 辑性而且有模糊性、容错性和非逻辑性。 人工神经元网络是对人脑的结构和工作方式的近似与 简化，这种结构和工作方式的并行性在许多方面已经 产生了类似于人脑行为的某些功能特点； 人工模糊系统是以模糊集合论、模糊语言变量以及模 糊逻辑推理的知识为基础．力图在较高的层次上对 人脑思维的模糊性方面进行工程化的模拟。 模糊理论是解决复杂的非线性系统决策所使用的一种 方法。 人工神经元网络与模糊系统的共同之处: (1)它们在处理和解决问题时，无需建立对象的精确数学模型，只需要根据输入的采样数据去估计其要求的决策，这是一种无模型的估计。 人工神经元网络是通过学习算法实现结构的可变性(指 连接权)，逐步适应外部环境的各种因素的作用，不断 地发掘所研究对象之间内在的因果关系，最终达到解 决问题的目的。这种因果关系是直接表现为一种不很 精确的输入输出值描述。 模糊系统是根据一些由人们总结出来的描述各种因素 之间相互关系的模糊性语言经验规则，并将这些规则 上升为简单的数值运算，以便让机器代替人在相应的 问题面前进行推理决策具体地实现这些规则。这些经 验规则的形成是基于对它们进行的定性的、大致精确 的观察和总结，因此，实现这些语言件经验规则的数 值运算也就无需是一种基于它们精确数学模型的 数值运算。 (2) 人工神经元网络和模糊系统在对信息的加工处理过 程中，均表现出很强的容错能力。 人工神经元网络在计算处理信息的过程中所表现出来 的容错性，来自于其网络自身的结构特点。 模糊系统是仿效人的模糊逻辑思维方法设计的一类 系统，该方法本身就明确地说明了系统在工作过程中 允许数值型量的不精确性的存在。 人脑思维的容错能力，正是来源于这两个方面的综合--思维方法的模糊性和大脑本身的结构特点。 (3)它们都可以用硬件实现 由于它们的实现，提高了计算机、控制和AI等的“智 能”程度，使那些采用严格建模的方法难以解决的非 线性问题得到一些解决。它们两者涉及的系统多数为 动态系统。 ANN主要用于自适应控制、优化、识别和统计等； 模糊系统应用于概率、数学逻辑和测试理论等。 人工神经元网络与模糊系统的异同之处： (1)映射集 ANN是用点与点的映射得到输入与输出的关系，它们 的训练集都是确定的量，因而它的映射关系也必然是 一一对应的。 模糊系统的输入输出变量都是经过模糊化的量，它们 都不是用明确的数来表示，其输入已模糊化为一个隶 属度的值来表示，显然它是区域块与区域块之间的映 射。 (2)知识的存储方式 人工神经元网络的基本单元是神经元．用多层网络实 现映射时，它们之间是用权连接的。人工神经元网络 是靠样本输入，由网络自身进行学习而得到，其结果 是与样本集有关。学习的知识是分布地存储在权中间 的。 模糊系统则是以规则的方式来存储知识的，因此，在 隶属函数的形式、区域划分的大小和规则的制定上人 为的因素更多一些，如果利用专家的知识和经验，那 么模糊的结构和结果比人工神经元网络要优良些。 (3)映射的精度 人工神经元网络是用点点映射的办法，因此它的输出 与输入之间的关系曲面比较光滑； 模糊系统则是区域之间的映射，如果区域分得比较粗， 那么映射输出的表面就比较粗糙，每一条规则如梯形 台阶。模糊系统的编码精度较低，特别当推理路径较 长时．其精度下降也更大。 要求映射的精度较高，用人工神经元网络较好。 （4）连接方式 人工神经元网络每个权都要进行学习，费时较多； 在模糊控制中，每次输入可能只与几条规则有关，显 然连接并不是固定的，每次输入、输出联系的规则都 是在变动的，而每次连接的规则数目较少，运用方便。 (5)结构的物理意义 从外部宏观上看人工神经元网络是有物理含义的，但 网络内部的每个权不一定都有明确的物理意义，不同 的初始权值得到的结果是不相同的，无法用统一概念 特征去描述它。 模糊系统的输入和输出用规则来映射它们之间的关系， 大致是明确的，其物理意义也是清楚的，因此在映射 出现偏差时，可以通过修改规则或者其他变量以得到 比较好的修正结果。 (6)计算量 人工神经元网络的计算涉及到乘法、累加和指数运算 以及反复迭代