模糊神经网络资料课件.pptVIP

第十一讲混合智能控制

模糊神经网络ANN（ArtificialNeuralNetwork）和FLS（FuzzyLogicalNetwork）的比较：相同之处1）都是非数值型的非线性函数的逼近器、估计器、和动态系统；2）不需要数学模型进行描述，但都可用数学工具进行处理；3）都适合于VLSI、光电器件等硬件实现。不同之处：㈠工作机制方面：ANN——大量、高度连接，按样本进行学习FLS——按语言变量、通过隐含、推理和去模糊获得结果。

㈡信息处理基本单元方面：ANN——数值点样本，xyiiFLN——模糊集合（A，iB）i㈢运行模式方面：ANN——学习过程透明，不对结构知识编码FLN——不透明，对结构知识进行编码，推理过程外界可知㈣应用上：ANN——偏重于模式识别，分类FLN——偏重于控制神经模糊网络——把ANN的学习机制和FLN的人类思维和推理结合起来。

结合方式有3种：1）神经模糊系统——用神经元网络来实现模糊隶属函数、模糊推理，基本上（本质上）还是FLN。2）模糊神经系统——神经网络模糊化，本质上还是ANN。3）模糊-神经混合系统——二者有机结合。●基于神经网络的模糊逻辑运算①用神经网络实现隶属函数②神经网络驱动模糊推理③神经网络的模糊建模●用神经网络实现隶属函数

w和w分别确定Sigmoid函数的中心和宽度,?(x),?(x),?(x)cgSML组成大、中、小三个论域的隶属函数。逻辑“与”可以用Softmin来实现：

●神经网络驱动模糊推理（NDF）解决模糊推理中二个问题：①缺乏确定的方法选择隶属函数；②缺乏学习功能校正推理规则。用神经网络实现T—S模型，称为神经网络驱动模糊推理(NDF).网络由二部分组成:r为规则数,A是前提的模糊集合.NN是模型的函数结构ss,由BP网络实现.

学习的网络和训练的步骤8

2)将数据聚类.分成r类.即有r条规则.TRD的数据有N个.t3)训练规则的前提部分网络NN。m.64）训练对应于规则Rs的后件部分（Then部分）NNs6

65）简化后件部分在NN的输入端，任意消去x，比较误差：Sp6）最终输出

●神经网络的模糊建模有三种模型：⑴后件为恒值：⑵后件为一阶线性方程

⑶后件为模糊变量

应用假定要辨识的系统为数据40对，见表6.1评判指标:

常数模型

常数模型隶属函数的变化

非线性模型

非线性模型隶属函数的变化

语言输出模型

语言输出模型隶属函数的变化

神经网络模糊化●①模糊感知器精确划分的问题：每个分量都有同样的“重要性”，用在分类时，当分类有重叠时（如图），得不到很好的结果。模糊感知器的基本思想：给隶属函数以一定的修正量，对隶属度接近0.5的样本,在确定权值向量时,给予较小的影响:

模糊感知器算法的问题:1)如何选择m?2)如何给向量赋与模糊隶属函数?3)算法的终止判据.回答：1）m1;如隶属函数接近0.5.m》1；如隶属函数大于0.5.2)给向量赋与模糊隶属函数的规则:

其中:

3)算法停止的判据:（当分类错误，不确定向量不再产生另一迭代）产生良好的结果.②模糊联想存储器（FAM）双向联想存贮器的模糊化。把双向联想存贮器的权矩阵变换成模糊集合的关系（关联）矩阵。

模糊关联矩阵M确定有二种方法：1）相关最小编码mMin（ab）ij=i,j假定A=(0.20.50.91.0),B=(0.90.50.6),则：现在看，如果有A能否“回忆”起B？AM=B；B?M2）相关乘积编码T=[0.20.50.90.9]=A’≠A.

现在看，如果有A能否“回忆”起B？如果A=(0001),则A?M=B；如果A?M=（0.180.10.12)只回忆起B的20%。由m个FAM组成的FAM系统。TTT=（1000）则AT把m个关联（AB）分别存到存贮库中，把m个记忆向量k，k叠加起来。即：所记忆的隶属向量，等于各记忆向量的加权和：如在输出论域Y=（y,y,…,y)需要一个单独的输出，12p则要去模糊：

A并行地加于各联想存贮器上。

神经模糊网络——神经模糊控制器

模糊自适应学习控制网络(FALCON)●对任一节点i输入与输出的关系：输入：输出：

29

第5层：

学习（训练）目的：1）决定第2层和第4层中的隶属函数中心m和宽度σijij2）决定第3层和第4层中的规则自组织学习a)输入变量x空间的划分1?T(x)???T(x)??…??T(x)?=?T(x)?12n?T(y)?ib)第4层处在自上至下的模式

d)确定连接和模糊规则e)规则合并,减少规则1)