模糊神经络.pptVIP

2.11??模糊神经网络 概述 从知识的表达方式来看 模糊系统可以表达人的经验性知识，便于理解，而神经网络只能描述大量数据之间的复杂函数关系，难于理解 从知识的存储方式来看 模糊系统将知识存在规则集中，神经网络将知识存在权系数中，都具有分布存储的特点 从知识的运用方式来看 模糊系统和神经网络都具有并行处理的特点，模糊系统同时激活的规则不多，计算量小，而神经网络涉及的神经元很多，计算量大 从知识的获取方式来看 模糊系统的规则靠专家提供或设计，难于自动获取．而神经网络的权系数可由输入输出样本中学习，无需人来设置。 因此将两者结合起来，在处理大规模的模糊应用问题方面将表现出优良的效果。 2.11.1 模糊神经网络主要形式 1. 松散型结合 在一个系统中，对于可用＂If-then＂规则来表示的部分，用模糊系统描述，而对很难用＂If-then＂规则表示的部分，则用神经网络，两者之间没有直接联系。 2. 并联型结合 同等型 补助型 2.11.1 模糊神经网络主要形式 3．串联型结合 模糊系统和神经网络在系统中按串联方式连接，即一方的输出成为另一方的输入，这种情况可看成是两段推理或者串联中前者为后者输入信号的预处理部分。 例如用神经网络从原输入信号提取有效的特征量，作为模糊系统的输入，这样可使获取模糊规则的过程变得容易。 2.11.2 模糊神经网络模型 基于模糊逻辑系统的标准前馈模糊神经网络结构 2.11.2 模糊神经网络模型 (1) 输入层 该层有 个结点直接与输入向量 连接，将输入值 传送到下一层。 (2) 模糊化层 若每个输入变量均定义有个 模糊集合，则此层内共有 个结点，分为 组，每组 个结点。第 组的 个结点输入都是 ，其输出分别是各输入量属于输出值模糊集合的隶属度函数 , 代表 的第 个模糊集合。 隶属函数通常为高斯函数。 (3) 规则层 其每个结点代表一条模糊规则，作用是用来匹配模糊规则的前件，计算出每条规则的使用度，即： 2.11.2 模糊神经网络模型 (4) 去模糊层 该层的作用实现归一化计算，即 (5) 输出层 它实现的是清晰化计算，并采用加权平均法，即 2.11.3 模糊神经网络学习方法 模糊学习算法 模糊规则的提取学习算法。 模糊规则的提取指从给定的输入输出模糊数据对中发现其对应的映射关系或关联关系，这也可以认为是数据挖掘的一项任务。若给出的仅有模糊输入而无相应的模糊输出，则对输入向量一般需要进行模糊聚类或对模糊输入空间的划分。如模糊竞争学习算法即为此类学习算法，模糊规则的学习还可以是事先人为地给出一个较粗的模糊规则，然后利用学习样本反复修正这一模糊规则，进行逐步优化。 另一类模糊学习算法是利用模糊控制方法不断改善神经元网络的性能。 如模糊BP算法等 2.11.4 模糊逻辑MATLAB函数 2.11.4 模糊逻辑MATLAB函数 小结 概述 模糊神经网络的主要形式 模糊神经网络模型 模糊神经网络学习方法 模糊逻辑MATLAB函数 * 智能中国网提供学习支持 向模糊推理系统添加模糊规则函数 addrule() 删除模糊语言变量 rmvar() 添加模糊语言变量 addvar() 图形显示模糊推理系统的输入—输出特性 plotfis() 设置模糊推理系统的特性 setfis() 显示添加注释了的模糊推理系统 showfis() 保存模糊推理系统 writefis() 获得模糊推理系统的特征数据 getfis() 从磁盘读出存储的模糊推理系统 readfis() 创建新的模糊推理系统 newfis() 功 能 函 数 名 基于减法聚类的模糊推理系统建模函数 genfis2( ) 减法聚类函数 subclust( ) 模糊C-均值聚类函数 fcm( ) 采用网格分割方式生成模糊推理系统函数 genfis1( ) 模糊神经系统的建模函数 anfis( ) 生成模糊推理系统的输出曲面并显示函数 gensurf() 执行输出去模糊化函数 defuzz() 执行模糊推理计算函数 evalfis() 显示模糊规则函数 showrule() 解析模糊规则函数 parsrule() 功 能 函 数 名