模糊神经网络

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,模糊神经网络,ANN（Artificial Neural Network）,和,FLS（Fuzzy Logical Network）,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,：, 工作机制方面：,ANN,大量、高度连接，按样板进行学习,FLS,按语言变量、通过隐含、推理和去,模糊获得结果。, 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。,信息处理基本单元方面,：,ANN,数值点样本，,x,i,y,i,FLN,模糊集合（,A,i,，B,i,）,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,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,用,神经网络实现隶属函数,神经网络驱动模糊推理,神经网络的模糊建模,用神经网络实现隶属函数,w,c,和,w,g,分别确定,Sigmoid,函数的中心和宽度,S,(x),M,(x),L,(x),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：缺乏确定的方法选择隶属函数；,缺乏学习功能校正推理规则。,用神经网络实现,TS,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,s,是前提的模糊集合.,NN,s,是模型的函数结构,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,t,个.,3) 训练规则的前提部分网络,NN,m,.,。,4）训练对应于规则,R,s,的后件部分（,Then,部分）,NN,s,6,6,5）简化后件部分,在,NN,S,的,输入端，任意消去,x,p,，,比较误差：,6）最终输出,6,神经网络的模糊建模,有三种,模型：, 后件为恒值：, 后,件为,一阶线性方程,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,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:,如何选择,m?,如何给向量赋与模糊隶属函数?,3) 算法的终止判据.,回答：1）,m,1;,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:,产生良好的结果., 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。,（当分类错误，不确定向量不再产生另一迭代）,模糊关联矩阵,M,确定有二种方法：,1）相关最小编码,m,i j=,Min（,a,i ,b,j,）,假定,A= (0.2 0.5 0.9 1.0), B= (0.9 0.5 0.6),则：,2）相关乘积编码,现在看，如果有,A,能否“回忆”起,B？,A,M = B； B,M,T,= 0.2 0.5 0.9 0.9= A A.,现在看，如果有,A,能否“回忆”起,B？,如果,A,T,= (0 0 0 1),则,A,T,M = B,；,如果,A,T,= （1 0 0 0）,则,A,T,M,=,（0.18 0.1 0.12),只,回忆起,B,的20%。,由,m,个,FAM,组成的,FAM,系统,。,把,m,个关联（,A,k，,B,k,）,分别存到存贮库中，把,m,个记忆向量,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,1,y,2,y,p,),需要一个单独的输出，,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,对任一节点,i,输入与输出的关系：,输入：,输出：,模糊自适应学习控制网络(,FALCON),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,ij,和宽度,ij,2）,决定第3层和第4层中的规则,自组织学习,a ),输入变量,x,1,空间的划分,T(x,1,)T(x,2,) T(x,n,)=T(x),T(y,i,),b),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) 有完全相同的结果,2) 前提一样的规则,3) 其它前提的并,组成了某些输入变量的整个术语的集合,监督学习阶段,神经-模糊网络（控制器）的参数学习（,ANFIS）,相应的,ANFIS,网络如图示。隶属函数为钟形：,要,调节的参数：,对,后件参数，可以用,Kalman,滤波方法进行计算，此时，把后件,参数排列成向量：,一组线性方程求解。,