模糊神經(jīng)和模糊聚類的MATLAB實現(xiàn)（精編版）

1、. . . . i / 45 郵電學(xué)院畢 業(yè) 設(shè) 計（論 文）題目：模糊神經(jīng)和模糊聚類的matlab 實現(xiàn)院 （系）：自動化學(xué)院專業(yè)：智能科學(xué)與技術(shù)班級：智能 0701班學(xué)生：蔡#導(dǎo)師：王 x職稱：副教授起止時間：2011年 01 月 10 日 至 2011 年 06 月 17 日. . . . ii / 45 . . . . i / 45 附件畢業(yè)設(shè)計（論文）誠信聲明書本人聲明：本人所提交的畢業(yè)論文 模糊神經(jīng)和模糊聚類的matlab實現(xiàn) 是本人在指導(dǎo)教師指導(dǎo)下獨立研究、寫作的成果，論文中所引用他人的文獻(xiàn)、數(shù)據(jù)、圖件、資料均已明確標(biāo)注；對本文的研究做出重要貢獻(xiàn)的個人和集體，均已在文中以明確方式

2、注明并表示感。本人完全清楚本聲明的法律后果，申請學(xué)位論文和資料若有不實之處，本人愿承當(dāng)相應(yīng)的法律責(zé)任。論文作者簽名：時間：年月日指導(dǎo)教師簽名：時間：年月日西 安 郵 電 學(xué) 院畢業(yè)設(shè)計 (論文) 任務(wù)書學(xué)生蔡超超指導(dǎo)教師王輝職稱副教授. . . . ii / 45 院 （系）自動化學(xué)院專業(yè)智能科學(xué)與技術(shù)題目模糊神經(jīng)和模糊聚類的matlab 實現(xiàn)任務(wù)與要求神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的特性差異較大，但都屬于無模型的估計器和非線性動力學(xué)系統(tǒng)。若能將兩者適當(dāng)?shù)亟Y(jié)合起來，吸取各自的長處，則可組成性能更優(yōu)的綜合系統(tǒng)。 本課題旨在代借助matlab 模糊邏輯工具箱所提供的有關(guān)模糊邏輯推理的高級應(yīng)用，完成模糊神經(jīng)和模

3、糊聚類的matlab 實現(xiàn)。此題目應(yīng)完成以下工作：了解神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的基本概念、相關(guān)理論和主要應(yīng)用。熟悉matlab 軟件的使用方法與功用。借助 matlab 模糊邏輯工具箱的幫助，用神經(jīng)網(wǎng)絡(luò)實現(xiàn)模糊系統(tǒng)結(jié)構(gòu)。最后完成畢業(yè)論文的撰寫。開始日期2011 年 01 月 10完成日期2011 年 06 月 27院（系）主任( 簽字) 2006 年月日西 安 郵 電 學(xué) 院畢 業(yè) 設(shè) 計 ( 論文) 工 作 計 劃 2011 年 3 月 14 日. . . . iii / 45 學(xué)生_蔡超超 _ 指導(dǎo)教師 _ 王輝_職稱_副教授_ 系別_ 自動化學(xué)院 _專業(yè)_ 智能科學(xué) _ 題目_模糊神經(jīng)和模糊聚

4、類的matlab實現(xiàn)_ 工作進(jìn)程 _ 第 1 周-第 2 周查閱模糊神經(jīng)和模糊聚類的相關(guān)資料，了解 matlab 軟件與其功能。完成開題報告。第 3 周-第 6 周熟悉模糊神經(jīng)網(wǎng)絡(luò)理論，掌握并能熟練使用 matlab 模糊工具箱函數(shù)， 以與模糊聚類函數(shù)。給出初步方案。第 7 周-第 10 周設(shè)計并調(diào)試編程，分析其優(yōu)點與不足。準(zhǔn)備后期檢查。第 11 周- 第 13 周后期總結(jié)，完成論文撰寫。第 14 周準(zhǔn)備答辯。主要參考書目 (資料) 1國勇 . 智能控制與其 matlab 實現(xiàn). : 電子工業(yè) , 2000主要參考書目 (資料 ) 起止時間工作內(nèi)容. . . . iv / 45 用于計算、編程

5、、打印論文的計算機一臺，并安裝有相關(guān)軟件。每周檢查一次，并經(jīng)常聯(lián)系，進(jìn)行答疑輔導(dǎo)。無郵電學(xué)院主要儀器設(shè)備與材料論文 (設(shè)計 )過程中教師的指導(dǎo)安排對計劃的說明. . . . v / 45 畢業(yè)設(shè)計(論文)開題報告自動化學(xué)院（系）智能科學(xué)與技術(shù)專業(yè) 2007級01班課題名稱：模糊神經(jīng)和模糊聚類的matlab 實現(xiàn)學(xué)生：蔡超超學(xué)號：06074020指導(dǎo)教師：王輝報告日期：2006 年 03 月 28 日. . . . vi / 45 1. 本課題所涉與的問題與應(yīng)用現(xiàn)狀綜述模糊邏輯能模擬人的智能， 即能模擬人腦思維的模糊性的特點，可以模仿人的推理來處理常規(guī)數(shù)學(xué)方法難以解決的模糊信息處理問題，使得計算

6、機的應(yīng)用擴展到更多領(lǐng)域。 當(dāng)將人類求解問題的思維邏輯加以形式化，并將不能表達(dá)思維過程中模糊概念的二值邏輯拓展到模糊邏輯時，基于模糊推理的智能模擬就成為智能信息處理技術(shù)中主要的方法，即模糊識別與模糊控制。神經(jīng)網(wǎng)絡(luò)技術(shù)將人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功能作為模擬對象，把人的智能歸結(jié)為腦的高層神經(jīng)網(wǎng)絡(luò)活動的結(jié)果，認(rèn)為智能活動是大量簡單的神經(jīng)細(xì)胞通過復(fù)雜的相互連接形成網(wǎng)絡(luò)后并行運行的結(jié)果，使其更接近人腦的自組織、自學(xué)習(xí)和感知功能。模糊的長處在于邏輯推理，而神經(jīng)網(wǎng)絡(luò)的長處在于其自學(xué)習(xí)功能， 二者結(jié)合既能彌補各自不足， 又能發(fā)揮各自的長處，使其應(yīng)用更加廣泛。. . . . vii / 45 2本課題需要重點研究的關(guān)鍵

7、問題、解決的思路與實現(xiàn)預(yù)期目標(biāo)的可行性分析本課題需要重點研究的關(guān)鍵問題是理解鎖相環(huán)檢測的原理, 鎖相環(huán)對輸入信號和反饋信號是如何比較而得出鎖相環(huán)鎖定的, 最終完成 2.5g hz pll 鎖定檢測電路的正向設(shè)計方案 , 在此基礎(chǔ)上對反向提取的全定制電路進(jìn)行分析整理，通過重新設(shè)計使其在 smic 0.18cmos 模型下通過晶體管級仿真。在研究該問題之前要通過閱讀有關(guān)pll 的書籍和 cmos 集成電路的設(shè)計方法。對鎖相環(huán)的工作原理有一個清晰的認(rèn)識。對鎖相環(huán)的結(jié)構(gòu)要深入到部的每一個晶體管。必須具備模擬電路設(shè)計的基本知識，認(rèn)真復(fù)習(xí)模擬電路的基本知識，掌握模擬cmos集成電路設(shè)計方法與其基本原理。對

8、pll鎖相環(huán)結(jié)構(gòu)的認(rèn)識，要從pll應(yīng)該分為幾大模塊，每個模塊的功能是什么，每一個模塊的部結(jié)構(gòu)是怎樣構(gòu)成的，由幾個晶體管構(gòu)成，都要弄清楚，并提交鎖相環(huán)工作原理分析報告。最后再進(jìn)行正向設(shè)計方案得制定,以與進(jìn)行后續(xù)的工作 . 雖然本課題是要設(shè)計一個高速的鎖相環(huán)檢測電路, 有一定的困難 , 但從理論分析上看, 達(dá)到本課題的要完全可能的, 隨著 vlsi 技術(shù)的發(fā)展 , 模擬 ic 的設(shè)計技術(shù)有了巨大的提高 , 模擬 ic 的速度可以比數(shù)字ic 的速度提高很多倍 , 尤其是集成電路朝著深亞微米工藝的發(fā)展 , 集成電路的速度完全可以達(dá)到本課題所要完成的2.5g hz 。從使用的工具上看 , 完成本課題也是

9、可以的 , 再完成本課題的過程中使用了hspice仿真工具和candnce等 eda仿真工具 , sun 工作站 , unix 操作系統(tǒng) . 這些工具和軟件的使用 , 完全可以滿足高速 pll設(shè)計的要求。. . . . viii / 45 3. 完成本課題的工作方案完成本課題要認(rèn)真復(fù)習(xí)模擬電路的基本知識，掌握模擬cmos 集成電路設(shè)計方法與其基本原理。并對pll 鎖相環(huán)的結(jié)構(gòu)有一個清晰的認(rèn)識. 要學(xué)習(xí)晶體管級電路的設(shè)計方法，學(xué)習(xí) hspice仿真工具的使用和candnce等 eda仿真工具的使用， sun工作站的使用方法，學(xué)習(xí)unix操作系統(tǒng)的基本操作。熟練掌握matlab 的使用 , 為此制

10、定完成本課題的工作方案如下：第一周 : 完成知識儲備，認(rèn)真復(fù)習(xí)模擬cmos 集成電路設(shè)計方法與其基本理；第二周 : 掌握 pll 的工作原理，學(xué)習(xí)unix操作系統(tǒng)的基本操作，提交畢業(yè)設(shè)計開題報告 , 提交鎖定檢測工作原理分析報告；第三周 : 學(xué)習(xí) hspice 仿真工具的使用和candnce等 eda 仿真工具的使用；第四周 : 完成 2.5g hz pll 鎖定檢測電路的正向設(shè)計方案，提供2.5g hz pll鎖定檢測電路的正向設(shè)計方案報告；第五周 : 對反向提取的全定制電路進(jìn)行分析整理；第六周 : 繼續(xù)對反向提取的全定制電路進(jìn)行分析整理；第七周 : 提供分析整理報告，并進(jìn)行中期檢查；第八周

11、 : 通過重新設(shè)計使其在smic 0.18cmos 模型下通過晶體管級仿真；第九周 : 提供 smic 0.18cmos 模型下通過晶體管級仿真報告；第十周 : 提供 2.5ghz pll鎖定檢測電路晶體管級仿真報告，并提供報告；第十一周 : 用 verilog硬件描述語言編寫檢測電路原代碼，并進(jìn)行后期檢查；第十二周 : 畢業(yè)設(shè)計論文；第十三周 : 完成畢業(yè)設(shè)計論文；第十四周 : 完成畢業(yè)設(shè)計答辯；4指導(dǎo)教師審閱意見廖建軍同學(xué)通過收集和閱讀文獻(xiàn)資料， 了解了 2.5gpll鎖定檢測線路分析實現(xiàn)課題的任務(wù)要求研究現(xiàn)狀，認(rèn)識到了課題中的關(guān)鍵技術(shù)問題, 提出了解決思路，方案可行 ,計劃合理。指導(dǎo)教師

12、 (簽字)：林 2006 年 03 月 15 日說明：本報告必須由承當(dāng)畢業(yè)論文( 設(shè)計)課題任務(wù)的學(xué)生在畢業(yè)論文( 設(shè)計) 正式開始的第 1 周周五之前獨立撰寫完成，并交指導(dǎo)教師審閱。. . . . ix / 45 郵電學(xué)院畢業(yè)設(shè)計 ( 論文)成績評定表學(xué)生蔡超超性別男學(xué)號06074020 專業(yè)班級智能 0701班課題名稱模糊神經(jīng)和模糊聚類的matlab實現(xiàn)課 題類 型理論研究難度一般畢 業(yè) 設(shè) 計 （ 論文 ） 時 間2011 年 1 月 10 日6 月 17 日指 導(dǎo) 教 師王輝 (職稱：副教授 )課 題 任 務(wù)完 成 情 況論 文( 千字 ) ；設(shè)計、計算說 明書( 千字 ) ；圖紙()

13、 ；其它( 含 附 件)：指導(dǎo)教師意見分項得分：開題調(diào)研論證分；課題質(zhì)量（論文容）分；創(chuàng)新分；論文撰寫（規(guī)）分；學(xué)習(xí)態(tài)度分； 外文翻譯分指導(dǎo)教師審閱成績：指導(dǎo)教師(簽字 )：年月日評閱教師意見分項得分：選題分；開題調(diào)研論證分； 課題質(zhì)量（論文容）分；創(chuàng)新分；論文撰寫（規(guī)）分；外文翻譯分評閱成績：評閱教師(簽字 )：年月日驗收小組意見分項得分：準(zhǔn)備情況分；畢業(yè)設(shè)計（論文）質(zhì)量分；（操作）回答以下問題分驗收成績：驗收教師(組長 )(簽字 )：年月日. . . . x / 45 答辯小組意見分項得分：準(zhǔn)備情況分；述情況分； 回答以下問題分； 儀表分答辯成績：答辯小組組長(簽字 )：年月日成績計算方法

14、(填寫本院系實用比例)指導(dǎo)教師成績 20() 評閱成績 30 () 驗收成績 30 () 答辯成績 20 ( )學(xué)生實得成績(百分制)指導(dǎo)教師成績 92 評閱成績 90 驗收成績 92 答辯成績 90 總評 91 答辯委員會意見畢業(yè)論文 (設(shè)計 )總評成績 (等級 )：院（系） 答辯委員會主任(簽字 )：院（系） 簽章 ) 年月日. . . . xi / 45 備注郵電學(xué)院畢業(yè)論文( 設(shè)計 ) 成績評定表 ( 續(xù)表 ). . . . 84 / 45 目 錄1 引言. . 89 2 神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)理論基礎(chǔ). 90 2.1 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ) . 90 2.1.1 人工神經(jīng)網(wǎng)絡(luò)簡介 . 90 2

15、.1.2 人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史 . 90 2.1.2 人工神經(jīng)元模型 . 91 22 誤差逆?zhèn)鞑ニ惴?. . 錯誤! 未定義書簽。2.1 模糊系統(tǒng)理論基礎(chǔ) . . 97 3.2.3 接口時序. . 錯誤! 未定義書簽。3.3 頂層設(shè)計方案 . . 錯誤! 未定義書簽。3.3.1 模塊劃分. . 錯誤! 未定義書簽。3.3.2 clka計數(shù)器模塊 . 錯誤! 未定義書簽。3.3.3 clkb計數(shù)器模塊 . 錯誤! 未定義書簽。a 功能. 錯誤! 未定義書簽。b 接口說明. . 錯誤! 未定義書簽。c 時序說明. . 錯誤! 未定義書簽。3.3.4 同或比較模塊 . 錯誤! 未定義書簽。a 功能.

16、 錯誤! 未定義書簽。b 接口說明. . 錯誤! 未定義書簽。c 時序說明. . 錯誤! 未定義書簽。3.4 驗證與測試 . 錯誤! 未定義書簽。4 2.5g hz pll 鎖定檢測電路反向提取分析 . 錯誤! 未定義書簽。4.1 鎖定檢測電路外部引腳 . . 錯誤! 未定義書簽。4.1.1 鎖定檢測電路圖 . 錯誤! 未定義書簽。4.1.2 輸入引腳. . 錯誤! 未定義書簽。4.1.3 輸出引腳. . 錯誤! 未定義書簽。4.2 鎖定檢測電路部結(jié)構(gòu) . . 錯誤! 未定義書簽。4.2.1 觸發(fā)器. . 錯誤! 未定義書簽。4.2.2 異或門. . 錯誤! 未定義書簽。4.2.3 反向器.

17、. 錯誤! 未定義書簽。4.2.4 與非門. . 錯誤! 未定義書簽。4.2.5 或非門. . 錯誤! 未定義書簽。. . . . 85 / 45 4.3 鎖定檢測電路的實現(xiàn) . . 錯誤! 未定義書簽。4.3.1 計數(shù)器. . 錯誤! 未定義書簽。4.3.2 比較模塊. . 錯誤! 未定義書簽。4.3.3 控制模塊. . 錯誤! 未定義書簽。4.4 反向提取的鎖定檢測電路圖. . 錯誤! 未定義書簽。5 2.5ghz pll 鎖定檢測電路 smic0.18工藝下重新設(shè)計 錯誤! 未定義書簽。5.1 反相器設(shè)計 . 錯誤! 未定義書簽。5.2 d觸發(fā)器設(shè)計 . 錯誤! 未定義書簽。5.2.1

18、傳輸門設(shè)計. . 錯誤! 未定義書簽。5.2.2 與非門的設(shè)計 . 錯誤! 未定義書簽。5.3 計數(shù)器設(shè)計 . 錯誤! 未定義書簽。5.4 十八輸入或非門設(shè)計 . . 錯誤! 未定義書簽。5.4.1 十八輸入或非門的特點 . 錯誤! 未定義書簽。5.4.2 十八輸入或非門設(shè)計的困難 . 錯誤! 未定義書簽。5.4.3 十八輸入或非門的重新設(shè)計 . 錯誤! 未定義書簽。5.5 與非門設(shè)計 . 錯誤! 未定義書簽。5.6 時鐘設(shè)計 . 錯誤! 未定義書簽。5.7 鎖定檢測電路設(shè)計小結(jié) . . 錯誤! 未定義書簽。6 2.5g hz pll 鎖定檢測電路 hspice 下晶體管級仿真 錯誤! 未定義

19、書簽。6.1 觸發(fā)器模塊仿真測試 . . 錯誤! 未定義書簽。6.2 異或門仿真測試 . . 錯誤! 未定義書簽。6.3 十八輸入或非門仿真測試. . 錯誤! 未定義書簽。6.4 與非門仿真測試 . . 錯誤! 未定義書簽。6.5 鎖定檢測電路整體仿真測試. . 錯誤! 未定義書簽。7 2.5g hz pll 鎖定檢測電路 veriloghdl 語言描述 錯誤! 未定義書簽。7.1 基本模塊的描述 . . 錯誤! 未定義書簽。7.1.1 d 觸發(fā)器描述 . 錯誤! 未定義書簽。7.1.2 計數(shù)器描述. . 錯誤! 未定義書簽。7.1.3 十八輸入或非門描述 . 錯誤! 未定義書簽。7.1.4

20、兩輸入與非門描述 . 錯誤! 未定義書簽。7.1.5 三輸入與非門描述 . 錯誤! 未定義書簽。7.1.6 四輸入與非門描述 . 錯誤! 未定義書簽。7.2 鎖定檢測電路的整體描述. . 錯誤! 未定義書簽。7.2.1 整體電路描述 . 錯誤! 未定義書簽。. . . . 86 / 45 7.2.2 鎖定檢測電路 veriloghdl 下仿真時序 . 錯誤! 未定義書簽。8 結(jié)論. . 114 致 . . 114 4 貴燦. 模擬 cmos 集成電路設(shè)計 . 交通大學(xué) .2001,432-470 . . 115 1d觸發(fā)器描述 . 錯誤! 未定義書簽。2 計數(shù)器描述 . 錯誤! 未定義書簽。3

21、 十八輸入或非門描述. 錯誤! 未定義書簽。5 三輸入與非門描述. 錯誤! 未定義書簽。6 四輸入與非門描述. 錯誤! 未定義書簽。7 17 輸入 17 輸出對應(yīng)位異或門描述 . 錯誤! 未定義書簽。8 鎖定檢測電路的整體描述. 錯誤! 未定義書簽。. . . . 87 / 45 摘要神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)均屬于無模型的估計器和非線性動力學(xué)系統(tǒng)，也是一種處理不確定性、 非線性的有力工具。 但兩者之間的特性卻存在很大的差異。模糊系統(tǒng)中知識的抽取和表達(dá)比較方便， 它比較適合于表達(dá)那些模糊或定性的知識，但是缺乏自學(xué)習(xí)和自適應(yīng)能力。而神經(jīng)網(wǎng)絡(luò)則可直接從樣本中進(jìn)行有效的學(xué)習(xí)，它具有并行計算、并行式信息存儲、

22、容錯能力強以與具備自適應(yīng)學(xué)習(xí)功能等一系列優(yōu)點。但一般來說，神經(jīng)網(wǎng)絡(luò)不適于表達(dá)基于規(guī)則的知識。 總的來說，神經(jīng)網(wǎng)絡(luò)適合于處理非結(jié)構(gòu)化信息，而模糊系統(tǒng)對處理結(jié)構(gòu)化的知識更為有效。所以，若能將模糊邏輯與神經(jīng)網(wǎng)絡(luò)適當(dāng)?shù)亟Y(jié)合起來，吸取兩者的長處，則可組成比單獨的神經(jīng)網(wǎng)絡(luò)系統(tǒng)或單獨的模糊系統(tǒng)性能更好的系統(tǒng)。本課題首要介紹了神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)的基本理論、算法模型、網(wǎng)絡(luò)結(jié)構(gòu)和程序?qū)崿F(xiàn)方法， 然后闡述了利用 matlab 實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)的基本思想。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng) 模糊神經(jīng)網(wǎng)絡(luò) matlab模糊邏輯工具箱. . . . 88 / 45 abstractneural network and fuzz

23、y system all belong to without-model estimator and nonlinear dynamic system, who is also a kind of deal with uncertainty, nonlinear of emollient tool. but the characteristics between them have great difference. fuzzy system knowledge abstraction and expression is more convenient and it is suitable f

24、or express those fuzzy or qualitative knowledge, but lack of self-learning and adaptive ability. and neural network can be directly from the samples for effective learning, it has a parallel computing, parallel type information storage, fault tolerant ability and have adaptive learning function and

25、so on a series of advantages. but generally speaking, the neural network based on rule not suitable for the expression of knowledge. overall, neural network suited to handle unstructured information, and fuzzy system to process structured knowledge more effectively. so, if combined fuzzy logic and n

26、eural network appropriately, absorb both advantages, it can form the neural network system than single fuzzy system performance or separate better system. this topic first introduced the nerve network and fuzzy neural network model of the basic theory, algorithm, network structure and program implem

27、entation method using matlab, this paper expounds the basic idea of fuzzy neural network. key words:neural network ，fuzzy system ，fuzzy neural network，matlab fuzzy logic toolbox . . . . 89 / 45 1 引言模糊神經(jīng)網(wǎng)絡(luò)技術(shù)是近年來智能控制和智能自動化的熱點，它是近十年來伴隨著神經(jīng)網(wǎng)絡(luò)研究熱潮的興起而發(fā)展起來的嶄新技術(shù)和理論，目前已獲得頗為廣泛的應(yīng)用。所謂模糊神經(jīng)網(wǎng)絡(luò)就是可進(jìn)行模糊信息處理的神經(jīng)網(wǎng)絡(luò)，他們通常

28、是一類有大量模糊的或非模糊的神經(jīng)元相互關(guān)聯(lián)構(gòu)成的網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)是人腦工作過程中部分功能的某些抽象、簡化和模擬，使之具有學(xué)習(xí)、記憶、計算和智能處理工程。通過樣本學(xué)習(xí)獲取知識，能夠自身適應(yīng)環(huán)境變化更新知識，發(fā)展知識，實時處理動態(tài)多變，無明確數(shù)學(xué)模型的非結(jié)構(gòu)性復(fù)雜問題。在語音識別、 模式識別、 圖像處理和工業(yè)控制等領(lǐng)域的應(yīng)用頗有成效。 將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)進(jìn)行有機的結(jié)合，可以有效的發(fā)揮自己的長處并彌補其不足。 模糊神經(jīng)網(wǎng)絡(luò)還具有一些特殊性質(zhì)：由于采用了模糊數(shù)學(xué)中的計算方法， 使一些處理單元的計算變得較為簡便；使信息處理的速度加快； 容錯能力得到加強。 最主要的是模糊神經(jīng)網(wǎng)絡(luò)擴大了系統(tǒng)處理信息的圍

29、，使系統(tǒng)可同時處理確定性信息和非確定性信息。當(dāng)前模糊神經(jīng)網(wǎng)絡(luò)的研究主要集中在：模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，fnn 結(jié)構(gòu)與確定，模糊規(guī)則的提取與細(xì)化，模糊神經(jīng)網(wǎng)絡(luò)在自適應(yīng)控制、預(yù)測控制中的應(yīng)用等。雖然模糊神經(jīng)網(wǎng)絡(luò)得到了突飛猛進(jìn)的發(fā)展，但目前還存在很多問題： 一是多變量，復(fù)雜控制系統(tǒng)中，很難確定網(wǎng)絡(luò)的結(jié)構(gòu)和規(guī)則點的組合“爆炸”問題；二是傳統(tǒng)的bp學(xué)習(xí)方法易陷入局部極小值，并且學(xué)習(xí)速度較慢。發(fā)展方向主要集中于： 一是模糊邏輯和神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系，將模糊控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)，利用等價的模糊邏輯來初始化神經(jīng)元網(wǎng)絡(luò)；二是尋找一般模糊集的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。本課題基于模糊神經(jīng)和模糊聚類的結(jié)合，

30、利用matlab 工具來實現(xiàn)，并以水質(zhì)預(yù)測的例子來詳細(xì)說明。. . . . 90 / 45 2 神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)理論基礎(chǔ)2.1 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)2.1.1 人工神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦結(jié)構(gòu)與其功能的非線性動力系統(tǒng)，具有自組織、自適應(yīng)、自學(xué)習(xí)和較強的魯棒性與容錯性等顯著特點，對模糊信息或復(fù)雜的非線性關(guān)系能很好地進(jìn)行識別與處理。bp 神經(jīng)網(wǎng)絡(luò)（ back-propagation neutral network）是目前應(yīng)用最廣泛的網(wǎng)絡(luò)模型之一，在水文預(yù)測預(yù)報等方面都有應(yīng)用。bp 神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，一般由輸入層、 輸出層和隱含層構(gòu)成。利用神經(jīng)網(wǎng)絡(luò)預(yù)測時

31、， 首先用訓(xùn)練樣本建立映射關(guān)系，然后用檢測樣本檢驗網(wǎng)絡(luò)能否給出正確的輸入 -輸出的關(guān)系。如果網(wǎng)絡(luò)模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，在預(yù)測數(shù)據(jù)上表現(xiàn)不佳，則稱為過擬合；反之，則稱網(wǎng)絡(luò)具有很好的泛化能力。良好的泛化能力使神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有較高的實用價值。神經(jīng)網(wǎng)絡(luò)的應(yīng)用，已滲透到各個領(lǐng)域，并取得了令人矚目的成果。 神經(jīng)網(wǎng)絡(luò)理論也已成為涉與多學(xué)科的新興的、綜合的、前沿的學(xué)科。2.1.2 人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史1943 年，心理學(xué)家w mcculloch 和數(shù)理邏輯學(xué)家w pitts在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出神經(jīng)元的數(shù)學(xué)模型。此模型沿用至今， 并且直接影響著這一領(lǐng)域研究的進(jìn)展。. . . . 9

32、1 / 45 1945 年諾依曼領(lǐng)導(dǎo)的設(shè)計小組試制成功存儲程序式電子計算機，標(biāo)志著電子計算機時代的開始。 1948 年，他在研究工作中比較了人腦結(jié)構(gòu)與存儲程序式計算機的根本區(qū)別，提出了以簡單神經(jīng)元構(gòu)成的再生自動機網(wǎng)絡(luò)結(jié)構(gòu)。 50 年代末， frosenblatt設(shè)計制作了“感知機”，它是一種多層的神經(jīng)網(wǎng)絡(luò)。這項工作首次把人工神經(jīng)網(wǎng)絡(luò)的研究從理論探討付諸工程實踐。另外，在 60 年代初期， widrow提出了自適應(yīng)線性元件網(wǎng)絡(luò)。后來，在此基礎(chǔ)上發(fā)展了非線性多層自適應(yīng)網(wǎng)絡(luò)，而它實際上就是一種人工神經(jīng)網(wǎng)絡(luò)模型。80 年代初期，模擬與數(shù)字混合的超大規(guī)模集成電路制作技術(shù)提高到新的水平，完全付諸實用化。

33、一大批學(xué)者和研究人員圍繞著 hopfield提出的方法展開了進(jìn)一步的工作，形成了 80 年代中期以來人工神經(jīng)網(wǎng)絡(luò)的研究熱潮。2.1.3 生物神經(jīng)元模型人腦是由大量的神經(jīng)細(xì)胞組合而成的，它們之間相互連接。 每個神經(jīng)細(xì)胞 （也稱神經(jīng)元）具體如圖1.1 所示的結(jié)構(gòu)。圖 1.1 生物神經(jīng)元模型由圖看出，腦神經(jīng)元由細(xì)胞體、樹突和軸突構(gòu)成。細(xì)胞體是神經(jīng)元的中心，它一般又由細(xì)胞核、細(xì)胞膜等構(gòu)成。樹突是神經(jīng)元的主要承受器， 它主要用來承受信息。 軸突的作用主要是傳導(dǎo)信息，它將信息從軸突的起點傳到軸突末梢，軸突末梢與另一個神經(jīng)元的樹突或細(xì)胞體構(gòu)成一種突觸的機構(gòu)。通過突觸實現(xiàn)神經(jīng)元之間的信息傳遞。2.1.4 人工

34、神經(jīng)元模型. . . . 92 / 45 人工神經(jīng)網(wǎng)絡(luò)是利用物理器件來模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能。圖1.2是最典型的人工神經(jīng)元模型。圖 1.2 人工神經(jīng)元模型這個模型是 1943 年心理學(xué)家 mcculloch 和科學(xué)家 w.pitts在分析總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出的m-p模型，它是大多數(shù)神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)。jiw- 代表神經(jīng)元 i 與神經(jīng)元 j 之間的連接強度 ( 模擬生物神經(jīng)元之間突觸連接強度) ，稱之為連接權(quán) ; iu- 代表神經(jīng)元 i 的活躍值，即神經(jīng)元狀態(tài)；iv- 代表神經(jīng)元 j 的輸出，即是神經(jīng)元i 的一個輸入；i- 代表神經(jīng)元的闡值。函數(shù) f 表達(dá)了神經(jīng)元的輸入輸

35、出特性。在m-p模型中， f 定義為階跳函數(shù) : 01,()00,iiiiuv f uu人工神經(jīng)網(wǎng)絡(luò)是一個并行與分布式的信息處理網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)一般由許多個神經(jīng)元組成， 每個神經(jīng)元由一個單一的輸出，它可以連接到許多其他的神經(jīng)元，其輸出有多個連接通路，每個連接通路對應(yīng)一個連接權(quán)系數(shù)。嚴(yán)格來說，神經(jīng)網(wǎng)絡(luò)是一個具有如下性質(zhì)的有向圖。（1） 對于每個結(jié)點有一個狀態(tài)變量jx；（2） 結(jié)點 i 到結(jié)點 j 有一個連接權(quán)系數(shù)jiw；. . . . 93 / 45 （3） 對于每個結(jié)點有一個閾值j；（4） 對于每個結(jié)點定義一個變換函數(shù),()iijijfx wij，最常見的情形為()jiijifw x。圖

36、1.3 表示了兩個典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，做為前饋網(wǎng)絡(luò)，右為反饋網(wǎng)絡(luò)。圖 1.3 典型的神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)2.1.5 bp神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是一種信息處理系統(tǒng)，它有很多種模型。 其中有一種用誤差傳播學(xué)習(xí)算法（ error back propagation即 bp算法）進(jìn)行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，簡稱為 bp網(wǎng)絡(luò)。bp神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)的重要模型之一。它有廣泛的應(yīng)用，主要包括模式識別與分類、故障智能診斷、圖像處理、函數(shù)擬合、最優(yōu)預(yù)測等方面的應(yīng)用。a. bp 神經(jīng)網(wǎng)絡(luò)特點：l) 分布式的信息存儲方式神經(jīng)網(wǎng)絡(luò)是以各個處理器本身的狀態(tài)和它們之間的連接形式存儲信息的，一個信息不是存儲在一個地方， 而是

37、按容分布在整個網(wǎng)絡(luò)上。 網(wǎng)絡(luò)上某一處不是只存儲一個外部信息，而是存儲了多個信息的部分容。 整個網(wǎng)絡(luò)對多個信息加工后才存儲到網(wǎng)絡(luò)各處，因此，它是一種分布式存儲方式。2) 大規(guī)模并行處理bp 神經(jīng)網(wǎng)絡(luò)信息的存儲與處理( 計算) 是合二為一的，即信息的存儲表達(dá)在神經(jīng)元互連的分布上， 并以大規(guī)模并行分布方式處理為主，比串行離散符號處理的現(xiàn)代數(shù)字計算機優(yōu)越。3) 自學(xué)習(xí)和自適應(yīng)性. . . . 94 / 45 bp 神經(jīng)網(wǎng)絡(luò)各層直接的連接權(quán)值具有一定的可調(diào)性，網(wǎng)絡(luò)可以通過訓(xùn)練和學(xué)習(xí)來確定網(wǎng)絡(luò)的權(quán)值，呈現(xiàn)出很強的對環(huán)境的自適應(yīng)和對外界事物的自學(xué)習(xí)能力。4) 較強的魯棒性和容錯性bp 神經(jīng)網(wǎng)絡(luò)分布式的信息存

38、儲方式，使其具有較強的容錯性和聯(lián)想記憶功能，這樣如果某一部分的信息丟失或損壞，網(wǎng)絡(luò)仍能恢復(fù)出原來完整的信息，系統(tǒng)仍能運行。b. bp 神經(jīng)網(wǎng)絡(luò)介紹bp 網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，它包含輸人層、隱含層和輸出層，如圖 2.1 所示，是目前應(yīng)用較多的一種模型。 該算法在層次型網(wǎng)絡(luò)結(jié)構(gòu)上采用誤差逆?zhèn)鞑W(xué)習(xí)方式，學(xué)習(xí)過程由正向傳播和誤差逆?zhèn)鞑ソM成。圖 2.1 bp 網(wǎng)絡(luò)示意圖bp網(wǎng)絡(luò)的結(jié)構(gòu)如圖 1 所示，算法的主要思想是把學(xué)習(xí)過程分為兩個階段: 第一階段是正向傳播過程， 輸入信息從輸入層經(jīng)隱層逐層計算各單元的實際輸出值，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響; 第二階段是反向傳播過程，

39、若在輸出層未能得到期望的輸出值， 則逐層遞歸計算實際輸出與期望輸出之間的差值，根據(jù)此誤差修正前一層權(quán)值使誤差信號趨向最小。它通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值和偏差變化而逐漸逼近目標(biāo)。每一次權(quán)值和誤差的變化都與網(wǎng)絡(luò)誤差的影響成正比。. . . . 95 / 45 假設(shè)神經(jīng)網(wǎng)絡(luò)每層有n個節(jié)點，若某一層節(jié)點j 與上層節(jié)點 i 之間權(quán)值為 wij ，節(jié)點的輸入總和計為netj 、輸出計為oj ，轉(zhuǎn)移函數(shù)取非線性的sigmoid 型函數(shù)1( )()xf xh e，對于節(jié)點 j ，其輸入值為其前一層各單元加權(quán)和jijjinetw ob，輸出值為()jjof met. 定義誤差函數(shù)

40、21()2iieyy式中iy為輸出期望值，jy為輸出實際值。 bp算法采用梯度法調(diào)整權(quán)值，每次調(diào)整的量ijijeww、式中 0input,加入新的輸入 input, 如以下圖所示。選擇 input( 選中為紅框 ), 在界面右邊文字輸入處鍵入相應(yīng)的輸入名稱，例如, 溫. . . . 103 / 45 度輸入用 tmp-input, 磁能輸入用 mag-input ，等。（2）. 隸屬度函數(shù)編輯器 (mfedit) 該編輯器提供一個友好的人機圖形交互環(huán)境，用來設(shè)計和修改模糊推理系中各語言變量對應(yīng)的隸屬度函數(shù)的相關(guān)參數(shù)，如隸屬度函數(shù)的形狀、圍、論域大小等，系統(tǒng)提供的隸屬度函數(shù)有三角、梯形、高斯形、

41、鐘形等，也可用戶自行定義。雙擊所選 input ，彈出一新界面，在左下range處和 display range處, 填入取只圍，例如 0 至 9 （代表 0 至 90） 。在右邊文字文字輸入name 處，填寫隸屬函數(shù)的名稱，例如lt或 lt(代表低溫 ) 。在 type 處選擇 trimf(意為：三角形隸屬函數(shù)曲線， triangle member function),當(dāng)然也可選其它形狀。在 params(參數(shù)) 處，選擇三角形涵蓋的區(qū)間， 填寫三個值， 分別為三角形底邊的左端點、中點和右端點在橫坐標(biāo)上的值。這些值由設(shè)計者確定。見以下圖。. . . . 104 / 45 用類似的方法設(shè)置輸出

42、output 的參數(shù)。注意：我們共有9 個規(guī)則，所以相應(yīng)地有 9 個輸出隸屬函數(shù)。 默認(rèn) 3 個隸屬函數(shù)， 剩下 6 個由設(shè)計者加入。 點擊 edit 菜單，選 add custom ms-繼續(xù)填入相應(yīng)參數(shù)即可，見以下圖。2.2.5 matlab模糊邏輯工具箱函數(shù)1） gui 工具anfisedit 打開 anfis編輯器 gui fuzzy 調(diào)用基本 fis 編輯器mfedit 隸屬度函數(shù)編輯器ruleedit 規(guī)則編輯器和語法解析器ruleview 規(guī)則觀察器和模糊推理方框圖surfview 輸出曲面觀察器2） 隸屬度函數(shù)dsigmf 兩個 sigmoid 型隸屬度函數(shù)之差組成的隸屬度函數(shù)

43、. . . . 105 / 45 gauss2mf 建立兩邊型高斯隸屬度函數(shù)gaussmf 建立高斯曲線隸屬度函數(shù)gbellmf 建立一般鐘型隸屬度函數(shù)pimf 建立型隸屬度函數(shù)psigmf 通過兩個 sigmoid 型隸屬度函數(shù)的乘積構(gòu)造隸屬度函數(shù)smf 建立 s-型隸屬度函數(shù)sigmf 建立 sigmoid 型隸屬度函數(shù)trapmf 建立梯形隸屬度函數(shù)trimf 建立三角形隸屬度函數(shù)zmf 建立 z-型隸屬度函數(shù)3） fis 數(shù)據(jù)結(jié)構(gòu)管理addmf 向模糊推理系統(tǒng)（ fis）的語言變量添加隸屬度函數(shù)addrule 向模糊推理系統(tǒng)（ fis）的語言變量添加規(guī)則addvar 向模糊推理系統(tǒng)（

44、fis）添加語言變量defuzz 對隸屬度函數(shù)進(jìn)行反模糊化evalfis 完成模糊推理計算evalmf 通過隸屬度函數(shù)計算gensurf 生成一個 fis 輸出曲面getfis 得到模糊系統(tǒng)的屬性mf2mf 在兩個隸屬度函數(shù)之間轉(zhuǎn)換參數(shù)newfis 創(chuàng)建新的 fis parsrule 解析模糊規(guī)則plotfis 繪制一個 fis plotmf 繪制給定語言變量的所有隸屬度函數(shù)的曲線readfis 從磁盤裝入一個 fis rmmf 從 fis 中刪除某一語言變量的某一隸屬度函數(shù)rmvar 從 fis 中刪除某一語言變量setfis 設(shè)置模糊系統(tǒng)的屬性showfis 以分行的形式顯示fis 結(jié)構(gòu)的

45、所有屬性showrule 顯示 fis 的規(guī)則. . . . 106 / 45 3 模糊神經(jīng)網(wǎng)絡(luò)自適應(yīng)與模糊信模糊神經(jīng)網(wǎng)絡(luò)(fuzzy network-fnn) 就是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點，集學(xué)習(xí)、聯(lián)想、識別、息處理于一體。3.1 模糊神經(jīng)網(wǎng)絡(luò)概述模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合的可能性kosko證明了一個加性模糊系統(tǒng)能以任意的精度逼近一個緊致域上的任意連續(xù)函數(shù)。l i - xinwang利用stone-weirstrass定理證明了模糊系統(tǒng)實際上是一個萬能逼近器, 它說明存在一個高斯型模糊系統(tǒng), 能在任意精度上逼近任意給定的函數(shù), 多層前饋神經(jīng)網(wǎng)絡(luò)能夠很好的任

46、意逼近一連續(xù)函數(shù)。因此, 從數(shù)學(xué)角度看神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)有著某種天然的相似性。模糊控制技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)同屬于人工智能技術(shù)各自具有對方恰恰不具備的優(yōu)缺點, 具有互補性。模糊技術(shù)的特長在于邏輯推理能力, 可以模擬人類判斷和決策的能力, 但模糊技術(shù)不具備學(xué)習(xí)功能。人工神經(jīng)網(wǎng)絡(luò)恰恰相反, 它具備非線性映射能力、學(xué)習(xí)能力、并行處理能力和容錯能力 , 而對處理和描述模糊信息無能為力。因此, 將模糊技術(shù)引入神經(jīng)網(wǎng)絡(luò),可以大大拓寬神經(jīng)網(wǎng)絡(luò)處理信息的圍和能力。3.1.1 基本概念、模型和種類模糊神經(jīng)元是指一類可實施模糊信息或模糊邏輯運算的人工神經(jīng)元, 模糊神經(jīng)網(wǎng)絡(luò)是指全部或部分采用各類模糊神經(jīng)元所構(gòu)成的一類可

47、處理模糊信息的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。下面介紹幾種常見的基本模糊神經(jīng)元。第一類由模糊規(guī)則描述的模糊神經(jīng)元: 用if ? then ? 語句描述。前提和結(jié)論都是模糊集。第二類模糊神經(jīng)經(jīng)元, 它的輸入由隸屬函數(shù)的運算確定, 模糊神經(jīng)元的描述可以不用if ? then 語句來描述。第三類具有模糊輸入的模糊神經(jīng)元, 其輸入和輸出都是模糊集, 但輸入模糊集被修正成另一種模糊集。通常所說的模糊神經(jīng)網(wǎng)絡(luò)有兩種: 一種是將模糊化概念和模糊推理引入神經(jīng)元的. . . . 107 / 45 模糊神經(jīng)網(wǎng)絡(luò) , 而另一種是基于神經(jīng)網(wǎng)絡(luò)的模糊系統(tǒng)。3.1.2 模糊神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀當(dāng)前模糊神經(jīng)網(wǎng)絡(luò)的研究主要集中在: 模糊神經(jīng)網(wǎng)絡(luò)

48、的學(xué)習(xí)算法, fnn 結(jié)構(gòu)與確定, 模糊規(guī)則的提取與細(xì)化 , 模糊神經(jīng)網(wǎng)絡(luò)在自適應(yīng)控制、預(yù)測控制中的應(yīng)用等。模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)均可視為智能信息處理領(lǐng)域的一個分支，有各自的基本特性和應(yīng)用圍。 如前所述，它們在對信息的加工處理過程中均表現(xiàn)出很強的容錯能力。模糊系統(tǒng)是仿效人的模糊邏輯思維方法設(shè)計的一類系統(tǒng)，這一方法本身就明確地說明了系統(tǒng)在工作過程中所表現(xiàn)出的容錯性來自于其網(wǎng)絡(luò)自身的結(jié)構(gòu)特點。而神經(jīng)網(wǎng)絡(luò)模擬人腦形象思維方法， 人靠形象思維能很快發(fā)現(xiàn)火災(zāi)，表現(xiàn)出很強的容錯能力。 正是源于這兩個方面的綜合思維方法上的模糊性以與大腦本身的結(jié)構(gòu)特點，模糊神經(jīng)網(wǎng)絡(luò)是一種集模糊邏輯推理的強大結(jié)構(gòu)性知識表達(dá)能力與神

49、經(jīng)網(wǎng)絡(luò)的強大自學(xué)習(xí)能力于一體的新技術(shù)， 它是模糊邏輯推理與神經(jīng)網(wǎng)絡(luò)有機結(jié)合的產(chǎn)物。一般來講，模糊神經(jīng)網(wǎng)絡(luò)主要是指利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實現(xiàn)模糊邏輯推理，從而使傳統(tǒng)神經(jīng)網(wǎng)絡(luò)沒有明確物理含義的權(quán)值被賦予了模糊邏輯中推理參數(shù)的物理含義。神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)都屬于一種數(shù)值化的和非數(shù)學(xué)模型的函數(shù)估計器和動力學(xué)系統(tǒng)。它們都能以一種不精確的方式處理不精確的信息。與傳統(tǒng)的統(tǒng)計學(xué)方法不同，它們不需要給出表征輸入與輸出關(guān)系的數(shù)學(xué)模型表達(dá)式；它們也不像人工智能（ai）那樣僅能進(jìn)行基于命題和謂詞運算的符號處理，而難以進(jìn)行數(shù)值計算與分析， 且不易于硬件的實現(xiàn)。 神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)由樣本數(shù)據(jù)（數(shù)值的，有時也可以是用語言表述的）

50、 ，即過去的經(jīng)驗來估計函數(shù)關(guān)系，即激勵與響應(yīng)的關(guān)系或輸入與輸出的關(guān)系。它們能夠用定理和有效的數(shù)值算法進(jìn)行分析與計算，并且很容易用數(shù)字的或模擬的vlsi 實現(xiàn)。雖然模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)都用于處理模糊信息，并且存在著許多方面的共性，但其各自特點、 適用圍以與具體做法還是有不小的差別。而神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的結(jié)合則能構(gòu)成一個帶有人類感覺和認(rèn)知成分的自適應(yīng)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)直接鑲嵌在一個全部模糊的結(jié)構(gòu)之中，因而它能夠向訓(xùn)練數(shù)據(jù)學(xué)習(xí)，從而產(chǎn)生、修正并高度概括輸入/ 輸出之間的模糊規(guī)則。 而當(dāng)難以獲得足夠的結(jié)構(gòu)化知識時，系統(tǒng)還可以利用神經(jīng)網(wǎng)絡(luò)自適應(yīng)產(chǎn)生和精練這些規(guī)則， 而后根據(jù)輸入模糊集合的幾何分布與由過去經(jīng)驗產(chǎn)

51、生的那些模糊規(guī)則，便可以得到由此進(jìn)行推理得出的結(jié)論。目前神經(jīng)元網(wǎng)絡(luò)與模糊技術(shù)的融合方式大致有以下四種(如圖 811 所示) ：a) 神經(jīng)元模型和模糊模型的連結(jié)：該模型是模糊控制和神經(jīng)元網(wǎng)絡(luò)二個系統(tǒng)相. . . . 108 / 45 分離的形式結(jié)合，實現(xiàn)信息處理。b) 神經(jīng)元模型為主、模糊模型為輔：該模型以神經(jīng)網(wǎng)絡(luò)為主體，將輸入空間分割成若干不同形式的模糊推論組合，對系統(tǒng)先進(jìn)行模糊邏輯判斷， 以模糊控制器輸出作為神經(jīng)元網(wǎng)絡(luò)的輸入。后者具有自學(xué)習(xí)的智能控制特性。 c) 模糊模型為主、神經(jīng)元模型為輔：該模型以模糊控制為主體，應(yīng)用神經(jīng)元網(wǎng)絡(luò)，實現(xiàn)模糊控制的決策過程，以模糊控制方法為“樣本”，對神經(jīng)網(wǎng)絡(luò)

52、進(jìn)行離線訓(xùn)練學(xué)習(xí)。 “樣本”就是學(xué)習(xí)的“教師” 。當(dāng)所有樣本學(xué)習(xí)完以后，這個神經(jīng)元網(wǎng)絡(luò)就是一個聰明、靈活的模糊規(guī)則表，具有自學(xué)習(xí)、自適應(yīng)功能。 d) 神經(jīng)元模型與模糊模型完全融合：該模型二個系統(tǒng)密切結(jié)合， 不能分離。 根據(jù)輸入量的不同性質(zhì)分別由神經(jīng)網(wǎng)絡(luò)與模糊控制并行直接處理輸入信息，直接作用于控制對象，從而更能發(fā)揮各自的控制特點。模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)是近年來人工智能研究較為活躍的兩個領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)的思維功能，具有較強的自學(xué)習(xí)和聯(lián)想功能，人工干預(yù)少， 精度較高，對專家知識的利用也較少。 但缺點是它不能處理和描述模糊信息，不能很好利用已有的經(jīng)驗知識，特別是學(xué)習(xí)與問題的求解具有黑

53、箱特性，其工作不具有可解釋性，同時它對樣本的要求較高; 模糊系統(tǒng)相對于神經(jīng)網(wǎng)絡(luò)而言，具有推理過程容易理解、專家知識利用較好、 對樣本的要求較低等優(yōu)點， 但它同時又存在人工干預(yù)多、推理速度慢、精度較低等缺點， 很難實現(xiàn)自適應(yīng)學(xué)習(xí)的功能，而且如何自動生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則， 也是一個棘手的問題。 如果將二者有機地結(jié)合起來，可以起到互補的效果。模糊神經(jīng)網(wǎng)絡(luò)就是具有模糊權(quán)系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡(luò)。上面三種形式的模糊神經(jīng)網(wǎng)絡(luò)中所執(zhí)行的運算方法不同。模糊神經(jīng)網(wǎng)絡(luò)無論作為逼近器， 還是模式存儲器，都是需要學(xué)習(xí)和優(yōu)化權(quán)系數(shù)的。學(xué)習(xí)算法是模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化權(quán)系數(shù)的關(guān)鍵。對于邏輯模糊神經(jīng)網(wǎng)絡(luò)， 可

54、采用基于誤差的學(xué)習(xí)算法，也即是監(jiān)視學(xué)習(xí)算法。對于算術(shù)模糊神經(jīng)網(wǎng)絡(luò)，則有模糊bp算法，遺傳算法等。對于混合模糊神經(jīng)網(wǎng)絡(luò)，目前尚未有合理的算法；不過，混合模糊神經(jīng)網(wǎng)絡(luò)一般是用于計算而不是用于學(xué)習(xí)的，它不必一定學(xué)習(xí)。模糊神經(jīng)網(wǎng)絡(luò)可用于模糊回歸、模糊控制器、模糊專家系統(tǒng)、模糊譜系分析、模糊矩陣方程、通用逼近器。. . . . 109 / 45 3.2 模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)3.2.1 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下圖，第一層是輸入層，起著將輸入值傳送到下一層的作用，該層的節(jié)點數(shù)為 n；第二層是隸屬函數(shù)層， 在此層過隸屬函數(shù)計算各輸入分量屬于各語言變量值模糊集合的隸屬度，每個節(jié)點代表一個語言變量值；

55、第三層為匹配模糊規(guī)則，計算每條規(guī)則的適用度。這里的節(jié)點數(shù)為m ，第三層與第四層全連接；第四層把第三層的數(shù)據(jù)進(jìn)行歸一化處理! 節(jié)點數(shù)也為 m 。第五層是輸出層，把上一層的數(shù)據(jù)通過系數(shù)加權(quán)得到輸出的數(shù)據(jù)，然后通過隸屬函數(shù)來判斷輸出量屬于哪一個模糊語言變量。對于輸入數(shù)據(jù)，我們?nèi)‰`屬函數(shù)為鐘形函數(shù)，即為正態(tài)分布的函數(shù)：其中 i=1,2 ， 、 、 、 ，n，n 是輸入量的維數(shù)， j=1,2 ，m ，m是模糊類得分割數(shù)， xij和ij分別表示隸屬函數(shù)的中心和寬度。即在第二層中將輸入分量轉(zhuǎn)化為各個語言變量值（大、中、小等） 。1 層為輸入層，將 x=x1,x2,.xnt傳送下一層。2 層為計算各輸入分量屬于各模糊集合的隸屬函數(shù)ij 。3 層得每個節(jié)點代表一條模糊規(guī)則，計算出每條規(guī)則的適用度，這里選擇的是. . . . 110 / 45 取小運算：4 層實現(xiàn)的是歸一化計算，