人工智能翻译.docx

10.4并发神经模糊系统 模糊系统和神经网络可以为电厂没有相互合作并行工作在自己。例如,一些日本空调使用FS阻止压缩机从冰冷的冬天,使用神经网络估计指数参数的安慰, 被称为预测意味着投票(PMV)。结构可以被定义为一个函数的空间温度,平均辐射温度、相对气流速度、湿度、热阻用户的衣服,代谢率。有些结构各参数不能使用传感器测量,例如,热电阻的服装和代谢率。神经网络可以用来估计PMV指标从一组测量变量等房间温度、时间微分的房间温度、室外空气温度、空气流量、　　设置温度和气流方向(齐藤et al .,1990)。传感器数据和PVM作为输入和输出 PVM = {房间温度、平均辐射温度、相对气流速度、潮湿　　密度,热阻用户的服装、代谢率} 传感器数据= {房间温度、时间微分的房间温度、室外空气温度、空气流量、设定温度、气流方向} 神经网络进行非线性映射到结构各传感器测量值的索引。松下电气公司所使用的技术已经在他们的空 产品如图10.13所示。 10.5混合神经模糊系统 在任何模糊系统,推论使用规则库和使用不同的方法去模糊化如重心是最耗时的部分。混合方法的想法是解释一个模糊系统的神经网络。这里采用的策略神经模糊系统,首先,取代用神经网络的规则库推理处理简化其次,发现模糊系统的参数学习方法从神经网络的方法。一种常见方法应用学习算法模糊系统是代表在特殊neural-network-like架构,如反向传播学习算法可以用来训练系统。在第一种神经模糊系统,可以有三种类型的模糊神经网络只替换规则库,输入和输出 没有学习算法用于优化MFs或系统的参数。这些都是模糊的三种基本类型　　系统。应用启发式或试错方法优化和调整参数: *与Mamdani-type模糊神经网络的模糊推理系统, 　 *与Takagi-Sugeno-Kang-type模糊神经网络的模糊推理系统, 　　 *与Tsukamoto-type模糊神经网络的模糊推理系统。 在第二种神经模糊系统中,如反向传播或学习算法混合训练应用于系统的优化或调整参数。有不同的类神经模糊系统在1990年代的文献报道。其中的一些详细讨论在下面: *模糊自适应学习控制网络(FALCON), 　 *近似reasoning-based智能控制(ARIC), *广义近似reasoning-based智能控制(GARIC), 　 *模糊基函数网络(FBFN), 　 *模糊净(有趣的), *自适应神经模糊推理系统(简称ANFIS), 　 * infuzzy模糊推理和神经网络推理软件(最好), 　 *神经模糊控制器(NEFCON), 　 * MANFIS CANFIS, 　 * Self-constructing神经模糊推理网络(SONFIN), 　 *模糊神经网络(NFN)。10.5.1模糊神经网络的模糊推理系统与Mamdani-Type 在本节中讨论的模糊神经网络是一种Mamdani-type模糊系统规则库是一个神经网络所取代。的详细描述Mamdani-type模糊在第三章提供推理系统。为简单起见,一个简单的two-input single-output 系统如图10.14所示。图10.14所示的模糊神经网络组成五层,描述如下。 1层：本层的节点表示的模糊隶属度，{ }在X1和AJ，有两个输入。这些节点计算输入的会员等级的X2模糊化操作： 第2层:这一层的每个节点代表一个模糊系统的规则。每个节点的发射强度决定了规则,定义为 这个函数。表示推测操作使用该产品的规则或最小规则。例如,方程(10.4)定义了使用的发射强度产品规则: 归一化权重可以提供相对个人的发射强度的规则。归一化计算方程(10.5)。归一化权重不习惯在上面体系结构。 第三层:这一层中的每个节点表示模糊MF输出。MFs pre-defuzzified和去模糊化操作的输出是表示 去模糊化操作应用于MFsC是每个规则的顺向MFs值。不同类型的去模糊化操作,在第二章所讨论的,可以在这里申请 第四层:这一层中的单一节点产生最终的输出通过聚合解雇规则值,定义为 去模糊化操作应用于MFsC是每个规则的顺向值。不同类型的去模糊化操作,在第二章所讨论的,可以在这里申请 第四层:这一层中的单一节点产生最终的输出通过聚合解雇规则值,定义为 10.5.2 Takagi-Sugeno-type模糊模糊神经网络推理系统 在本节讨论的模糊神经网络是一个关野型系统（又称asTakagi - 关野康型模糊系统）。目前的模糊神经系统，主要是关野型模糊系统的规则库由NE乌拉尔净接替工作，并把输出线性函数，而不是关野型fuzzyinference模糊MFs.A详细说明中描述的MF 系统是在第3章中，为方便起见简单的双输入单输出系统是 如图10.15所示的模糊神经网络由四个 层，如下所述。