模糊控制第五章

1、模糊控制第五章第1頁，共72頁，2022年，5月20日，6點54分，星期四神經(jīng)元是以生物神經(jīng)系統(tǒng)的神經(jīng)細胞為基礎(chǔ)的生物模型，在人們對生物神經(jīng)系統(tǒng)進行研究和探討人工智能的機制時，把神經(jīng)原數(shù)學(xué)化，從而產(chǎn)生了神經(jīng)元數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)模型是一個高度非線性動力學(xué)系統(tǒng)，具有并行分布處理、存儲及學(xué)習(xí)能力、高度魯棒性和容錯能力，能充分逼近復(fù)雜的非線性關(guān)系。因此，用神經(jīng)網(wǎng)絡(luò)可以表達物理世界的各種復(fù)雜現(xiàn)象。第2頁，共72頁，2022年，5月20日，6點54分，星期四5.1 神經(jīng)網(wǎng)絡(luò)5.1.1 人工神經(jīng)網(wǎng)絡(luò)的起源和發(fā)展不同學(xué)科的科學(xué)家不斷地對人腦的研究和互相影響，漸漸形成了神經(jīng)網(wǎng)絡(luò)學(xué)科。1943年心理學(xué)家McCul

2、loch和數(shù)學(xué)家Pitts合作，提出了第一個神經(jīng)網(wǎng)絡(luò)MP模型。第3頁，共72頁，2022年，5月20日，6點54分，星期四1949年，心理學(xué)家Hebb通過對大腦神經(jīng)細胞學(xué)習(xí)和條件反射的觀察研究，提出了改變神經(jīng)元連接強度的Hebb規(guī)則。1957年，Rosenblatt提出了感知器Perceptron模型，試圖模擬人腦的感知學(xué)習(xí)能力，并提出了引入隱層處理單元的三層感知器的概念。1960年，Widrow和Hoff提出了自適應(yīng)線性元件Adaline模型及一種有效的學(xué)習(xí)方法Widrow-Hoff規(guī)則。第4頁，共72頁，2022年，5月20日，6點54分，星期四神經(jīng)網(wǎng)絡(luò)從仿生學(xué)角度模擬人腦神經(jīng)系統(tǒng)的運作方

3、式，使機器具有人腦那樣的感知、學(xué)習(xí)和推理能力。1982年，美國加州工學(xué)院的物理學(xué)家Hopfield教授提出了HNN模型，使神經(jīng)網(wǎng)絡(luò)的研究有了突破性的進展。它通過引入“能量函數(shù)”的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)。此外，HNN的電子電路實現(xiàn)為神經(jīng)計算機研究點定了基礎(chǔ)，同時，開拓了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計算的新途徑。第5頁，共72頁，2022年，5月20日，6點54分，星期四Feldman和Boltzmann提出了連接網(wǎng)絡(luò)模型，指出了傳統(tǒng)的人工智能“計算”和生物“計算”的不同點，給出了并行分布計算的處理原則；Hinton和Sejnowskii借助統(tǒng)計物理學(xué)的概念和方法，提出了Boltzmann機神

4、經(jīng)網(wǎng)絡(luò)模型，并采用模擬退火技術(shù)進行網(wǎng)絡(luò)的訓(xùn)練，保證了整個網(wǎng)絡(luò)系統(tǒng)處于全局穩(wěn)定點。第6頁，共72頁，2022年，5月20日，6點54分，星期四模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內(nèi)部粒子隨溫升變?yōu)闊o序狀，內(nèi)能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態(tài)，最后在常溫時達到基態(tài)，內(nèi)能減為最小。 第7頁，共72頁，2022年，5月20日，6點54分，星期四用固體退火模擬組合優(yōu)化問題，將內(nèi)能E模擬為目標函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當前解重復(fù)“產(chǎn)生新解計算目標函數(shù)差接受或舍棄”

5、的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)式隨機搜索過程。 第8頁，共72頁，2022年，5月20日，6點54分，星期四模擬退火算法是解決TSP問題的有效方法之一。旅行商問題，即TSP問題（Travelling Salesman Problem）是數(shù)學(xué)領(lǐng)域中著名問題之一。假設(shè)有一個旅行商人要拜訪n個城市，他必須選擇所要走的路徑，路經(jīng)的限制是每個城市只能拜訪一次，而且最后要回到原來出發(fā)的城市。路徑的選擇目標是要求得的路徑路程為所有路徑之中的最小值。 第9頁，共72頁，2022年，5月20日，6點54分，星期四TSP問題的示意圖第10頁，共7

6、2頁，2022年，5月20日，6點54分，星期四一個最容易想到的方法排列組合把所有的路徑，并逐一比較，選出最小的路徑。該方法理論上可行，但路徑的個數(shù)與城市的個數(shù)成指數(shù)增長，當城市個數(shù)較大時，該方法的求解時間甚至是不可能完成的。以每秒1億次的計算速度來估算，如果TSP問題包含20個城市時，求解時間長達350年；如果要處理30個城市，則求解時間更長達1+10e16年。第11頁，共72頁，2022年，5月20日，6點54分，星期四求解TSP的模擬退火算法模型可描述如下:解空間：遍訪每個城市恰好一次的所有路徑; 目標函數(shù)：訪問所有城市的路徑總長度; 最優(yōu)路徑為目標函數(shù)為最小值時對應(yīng)的路徑。 新路徑的產(chǎn)

7、生：隨機產(chǎn)生1和n之間的兩相異數(shù)k和m，不妨假設(shè)km，則將原路徑(w1,w2,wk,wk+1,wm,wm+1,wn)變?yōu)樾侣窂剑?w1,w2,wm,wk+1,wk,wm+1,wn) 第12頁，共72頁，2022年，5月20日，6點54分，星期四Rumelhart和McClelland以及它們領(lǐng)導(dǎo)的PDP小組致力于認知微觀結(jié)構(gòu)的探索，提出了PDP（Parallel Distribated Processing）理論，同時發(fā)展了多層網(wǎng)絡(luò)的BP學(xué)習(xí)算法，將神經(jīng)網(wǎng)絡(luò)的研究推向了高潮。PDP模式是一種認知心理的平行分布式模式，接近人類思維推論模式。人腦中知識的表達采用分布式表達結(jié)構(gòu)，人腦的控制實行分布式

8、的控制方式。相互作用、相互限制是PDP模式的基本思想，平行分布是PDP模式的基本構(gòu)架。 第13頁，共72頁，2022年，5月20日，6點54分，星期四這一時期，隨著大量開拓性研究工作的深入，研究者們提出了數(shù)十種網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法，硬件實現(xiàn)的研究工作也在積極開展。20世紀90年代以來，神經(jīng)網(wǎng)絡(luò)的研究進入了一個空前高漲時期，多數(shù)研究集中在網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)算法和實際應(yīng)用三個方面，已經(jīng)廣泛地應(yīng)用于控制領(lǐng)域，尤其是非線性系統(tǒng)領(lǐng)域。神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中的應(yīng)用主要是用作神經(jīng)網(wǎng)絡(luò)建模和神經(jīng)網(wǎng)絡(luò)控制。第14頁，共72頁，2022年，5月20日，6點54分，星期四5.1.2 神經(jīng)元和神經(jīng)網(wǎng)絡(luò)(1)神經(jīng)元模型1)生物神經(jīng)

9、元模型神經(jīng)元是以生物神經(jīng)系統(tǒng)的神經(jīng)細胞為基礎(chǔ)的生物模型，是生物神經(jīng)系統(tǒng)的最基本單元，其生物學(xué)解剖結(jié)構(gòu)如圖5.1所示。第15頁，共72頁，2022年，5月20日，6點54分，星期四圖5.1 生物神經(jīng)元模型神經(jīng)元中心神經(jīng)元信息入口信息出口第16頁，共72頁，2022年，5月20日，6點54分，星期四2)人工神經(jīng)元模型神經(jīng)元模型是模擬生物神經(jīng)元的結(jié)構(gòu)和功能的數(shù)學(xué)化模型，一般是一個多輸入單輸出的信息處理單元。典型人工神經(jīng)元模型如圖5.2所示。第17頁，共72頁，2022年，5月20日，6點54分，星期四圖5.2 人工神經(jīng)元模型輸入權(quán)系數(shù)激發(fā)函數(shù)輸出閥值第18頁，共72頁，2022年，5月20日，6點5

10、4分，星期四該神經(jīng)元的數(shù)學(xué)模型表達式為：對于激發(fā)函數(shù)f()有多種形式，其中常用的有如下3種：第19頁，共72頁，2022年，5月20日，6點54分，星期四第20頁，共72頁，2022年，5月20日，6點54分，星期四圖5.3 常用激發(fā)函數(shù)第21頁，共72頁，2022年，5月20日，6點54分，星期四(2)人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)的一種模擬近似。以下介紹幾種典型的人工神經(jīng)網(wǎng)絡(luò)及其在模糊控制方面的應(yīng)用。1)神經(jīng)網(wǎng)絡(luò)模型通?？梢园匆韵?個原則進行神經(jīng)網(wǎng)絡(luò)歸類：按網(wǎng)絡(luò)結(jié)構(gòu)區(qū)分，有前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)；第22頁，共72頁，2022年，5月20日，6點54分，星期四按照學(xué)習(xí)方式區(qū)分，有教師學(xué)習(xí)

11、和無教師學(xué)習(xí)網(wǎng)絡(luò)。按照網(wǎng)絡(luò)性能區(qū)分，有連續(xù)型和離散型網(wǎng)絡(luò)，隨機型和確定型網(wǎng)絡(luò)。按照突觸性質(zhì)區(qū)分，有一階線性關(guān)聯(lián)網(wǎng)絡(luò)和高階非線性關(guān)聯(lián)網(wǎng)絡(luò)。按對生物神經(jīng)系統(tǒng)的層次模擬區(qū)分，有神經(jīng)元層次模型、組合式模型、網(wǎng)絡(luò)層次模型、神經(jīng)系統(tǒng)層次模型和智能型模型。第23頁，共72頁，2022年，5月20日，6點54分，星期四圖5.4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖前向網(wǎng)絡(luò)反饋網(wǎng)絡(luò)相互結(jié)合型網(wǎng)絡(luò)混合型網(wǎng)絡(luò)第24頁，共72頁，2022年，5月20日，6點54分，星期四前向網(wǎng)絡(luò)神經(jīng)元分層排列，組成輸入層、隱含層和輸出層。每一層的神經(jīng)元只接收前一層神經(jīng)元的輸入。輸入模式經(jīng)過各層的順序變換后，在輸出層輸出。各神經(jīng)元之間不存在反饋。感知器

12、和誤差反向傳播算法中使用的網(wǎng)絡(luò)都屬于這種類型。第25頁，共72頁，2022年，5月20日，6點54分，星期四反饋網(wǎng)絡(luò)在前向網(wǎng)絡(luò)的基礎(chǔ)上，存在輸出層到輸入層神經(jīng)元之間的反饋。這種模式可用來存儲某種模式序列，如神經(jīng)認知機或Hopfield網(wǎng)絡(luò)，也可以用于動態(tài)時間序列過程的網(wǎng)絡(luò)建模。第26頁，共72頁，2022年，5月20日，6點54分，星期四相互結(jié)合型網(wǎng)絡(luò)屬于網(wǎng)狀結(jié)構(gòu)。這種神經(jīng)網(wǎng)絡(luò)在任意兩個神經(jīng)元之間都可能有連接。HNN或Boltzman機都屬于這一類型，信號將在神經(jīng)元之間反復(fù)往返傳遞，網(wǎng)絡(luò)出于一種不斷改變的動態(tài)中。從某初態(tài)開始，經(jīng)過若干此變化達到某種平衡，也有可能進入周期振蕩或其他平衡狀態(tài)。第2

13、7頁，共72頁，2022年，5月20日，6點54分，星期四混合型網(wǎng)絡(luò)層次型網(wǎng)絡(luò)和網(wǎng)狀型網(wǎng)絡(luò)的一種結(jié)合。通過層內(nèi)神經(jīng)元相互結(jié)合，可實現(xiàn)同一層內(nèi)神經(jīng)元之間的橫向抑制或興奮作用。這樣可以限制每層內(nèi)能同時動作的神經(jīng)元數(shù)，或者把層內(nèi)的神經(jīng)元分為若干組，讓每組作為一個整體來動作。第28頁，共72頁，2022年，5月20日，6點54分，星期四2)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法學(xué)習(xí)的過程實質(zhì)上是針對一組給定輸入，使網(wǎng)絡(luò)產(chǎn)生相應(yīng)的輸出的過程。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法分為兩大類：有教師學(xué)習(xí)和無教師學(xué)習(xí)。有教師學(xué)習(xí)是指在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，始終存在一個期望的網(wǎng)絡(luò)輸出，期望輸出與實際輸出之間的距離作為誤差度量并用于調(diào)節(jié)網(wǎng)絡(luò)連接權(quán)系數(shù)。第2

14、9頁，共72頁，2022年，5月20日，6點54分，星期四無教師學(xué)習(xí)指的是網(wǎng)絡(luò)不存在一個期望的輸出值，因而沒有直接的誤差信息，因此為實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，要建立一個間接評價函數(shù)，以對網(wǎng)絡(luò)的某種行為趨向作出評價。第30頁，共72頁，2022年，5月20日，6點54分，星期四5.1.3 人工神經(jīng)網(wǎng)絡(luò)的特點及類型(1) 人工神經(jīng)網(wǎng)絡(luò)的特點1)非線性2)非局域性這是人類神經(jīng)系統(tǒng)的一個特性，人的整體行為是非局域性的最明顯體現(xiàn)。神經(jīng)網(wǎng)絡(luò)以大量神經(jīng)元連接模擬人腦的非局域性，它的分布存儲是非局域性的一種體現(xiàn)。第31頁，共72頁，2022年，5月20日，6點54分，星期四3)非定常性神經(jīng)網(wǎng)絡(luò)是模擬人腦思維運動的

15、動力學(xué)系統(tǒng)，它應(yīng)按不同時刻的外界刺激對自己的功能進行修改，因此是一個時變系統(tǒng)。4)非凸性神經(jīng)網(wǎng)絡(luò)的非凸性是指它有多個極值，也即系統(tǒng)具有不只一個平衡狀態(tài)。這會使系統(tǒng)的變化多樣化，神經(jīng)網(wǎng)絡(luò)的全局優(yōu)化算法就反映了這一點。第32頁，共72頁，2022年，5月20日，6點54分，星期四5)具有泛化功能能夠處理未經(jīng)訓(xùn)練的數(shù)據(jù)，并獲得相應(yīng)于這些數(shù)據(jù)的合適解答。同樣，能夠處理有噪聲或不完全的數(shù)據(jù)。具有很好的容錯能力。6)具有自適應(yīng)功能根據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出和輸出之間的內(nèi)在聯(lián)系，從而得到問題的解答。第33頁，共72頁，2022年，5月20日，6點54分，星期四7) 高度并行處理神經(jīng)網(wǎng)絡(luò)的處理是高

16、度并行的，因此，用硬件實現(xiàn)的神經(jīng)網(wǎng)絡(luò)的處理速度，可遠遠高于通常計算機的處理速度。第34頁，共72頁，2022年，5月20日，6點54分，星期四(2)人工神經(jīng)網(wǎng)絡(luò)的類型Hopfield網(wǎng)絡(luò)，最典型的反饋網(wǎng)絡(luò)模型，是目前人們研究最多的模型之一。它由相同的神經(jīng)元構(gòu)成，并且是不具學(xué)習(xí)功能的自聯(lián)想網(wǎng)絡(luò)，需要對稱連接。這個網(wǎng)絡(luò)可完成制約優(yōu)化和聯(lián)想記憶等功能。BP網(wǎng)絡(luò)，反向傳播網(wǎng)絡(luò)。是多層前向網(wǎng)絡(luò)，采用最小均方差學(xué)習(xí)方式，需要教師訓(xùn)練。用途廣泛，如語言綜合、識別和自適應(yīng)控制等。第35頁，共72頁，2022年，5月20日，6點54分，星期四Blotzman機是典型的隨機網(wǎng)絡(luò)模型。它的單元具有二值狀態(tài)，神經(jīng)元的

17、連接是雙向的，且具有概率狀態(tài)轉(zhuǎn)移機制。它允許含隱單元來獲取學(xué)習(xí)中的高階規(guī)則。主要用于模式識別。 Blotzman機訓(xùn)練時間長，并有噪聲。ART網(wǎng)絡(luò)是一種自組織網(wǎng)絡(luò)模型，是無教師學(xué)習(xí)網(wǎng)絡(luò)。它能較好地協(xié)調(diào)適應(yīng)性、穩(wěn)定性和復(fù)雜性的要求。在ART網(wǎng)絡(luò)中，通常需要兩個功能互補的子系統(tǒng)相互作用。該網(wǎng)絡(luò)主要用于模式識別，其不足之處在于對轉(zhuǎn)換失真和規(guī)模變化敏感。第36頁，共72頁，2022年，5月20日，6點54分，星期四(1) Hopfield網(wǎng)絡(luò)1)離散型Hopfield網(wǎng)絡(luò)2)連續(xù)型Hopfield網(wǎng)絡(luò)(2) BP多層神經(jīng)網(wǎng)絡(luò)函數(shù)逼近模式識別分類數(shù)據(jù)壓縮5.1.4 典型的人工神經(jīng)網(wǎng)絡(luò)第37頁，共72頁，

18、2022年，5月20日，6點54分，星期四圖5.5 多層網(wǎng)絡(luò)及BP算法第38頁，共72頁，2022年，5月20日，6點54分，星期四1)BP算法的原理設(shè)有一個m層的神經(jīng)網(wǎng)絡(luò)，并在輸入層加有樣本X，設(shè)第k層的i神經(jīng)元的輸入總和表示為 、輸出 ；從第k -1層的第 j 個神經(jīng)元到第k層的第i個神經(jīng)元的權(quán)系數(shù)為ij，各個神經(jīng)元的激發(fā)函數(shù)為 f ，則各個變量的關(guān)系可用下面有關(guān)的數(shù)學(xué)式表示：(5.1)(5.2)第39頁，共72頁，2022年，5月20日，6點54分，星期四正向傳播反向傳播2)BP算法的數(shù)學(xué)表達多層網(wǎng)絡(luò)的訓(xùn)練方法是把一個樣本加到輸入層，并根據(jù)向前傳播的規(guī)則：(5.3)(5.4)第40頁，共

19、72頁，2022年，5月20日，6點54分，星期四把 和期望輸出yj進行比較，如果兩者不等，則產(chǎn)生誤差信號e，接著則按下面的公式反向傳播修改權(quán)系數(shù)：3)BP算法的執(zhí)行步驟對權(quán)系數(shù)ij置初值(5.5)(5.6)第41頁，共72頁，2022年，5月20日，6點54分，星期四輸入一個樣本X=(x1，x2，xn，1)以及對應(yīng)期望輸出Y=(y1， y2， ，yn)。計算各層的輸出(5.7)(5.8)第42頁，共72頁，2022年，5月20日，6點54分，星期四(5.9)(5.10)(5.11)(5.12)第43頁，共72頁，2022年，5月20日，6點54分，星期四當求出了各層各個權(quán)系數(shù)之后，可按給定品

20、質(zhì)指標判別是否滿足要求。如果滿足要求，則算法結(jié)束；如果未滿足要求，則返回執(zhí)行。4)BP網(wǎng)絡(luò)的設(shè)計設(shè)計BP網(wǎng)絡(luò)時，一般應(yīng)從以下幾方面考慮：網(wǎng)絡(luò)的層數(shù)隱層的神經(jīng)元數(shù)初始權(quán)值的選取學(xué)習(xí)速率第44頁，共72頁，2022年，5月20日，6點54分，星期四期望誤差的選取5.2 模糊神經(jīng)網(wǎng)絡(luò)5.2.1 神經(jīng)網(wǎng)絡(luò)與模糊邏輯5.2.2 模糊神經(jīng)網(wǎng)絡(luò)(1)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)神經(jīng)元的激發(fā)函數(shù)是神經(jīng)元輸入函數(shù)響應(yīng) f的函數(shù)，即(5.13)第45頁，共72頁，2022年，5月20日，6點54分，星期四圖5.6 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖第46頁，共72頁，2022年，5月20日，6點54分，星期四為了滿足模糊控制的要求，對每

21、一層的神經(jīng)元函數(shù)應(yīng)有不同的定義：第一層，這一層的節(jié)點只是將輸入變量值直接傳送到下一層。所以 第47頁，共72頁，2022年，5月20日，6點54分，星期四第二層，如果采用一個神經(jīng)元節(jié)點來實現(xiàn)語言值的隸屬度函數(shù)變換，則這個節(jié)點的輸出就可以定義為隸屬度函數(shù)的輸出，如鐘型函數(shù)就是一個很好的隸屬度函數(shù)。第三層，這一層的功能是完成模糊邏輯推理條件部的匹配工作。因此，由最大、最小推理規(guī)則可知，規(guī)則節(jié)點實現(xiàn)的功能是模糊“與”運算，即第48頁，共72頁，2022年，5月20日，6點54分，星期四第四層，在這一層上的節(jié)點有兩種操作模式：一種是實現(xiàn)信號從上到下的傳輸模式；另一種是實現(xiàn)信號從下到上的傳輸模式。第49

22、頁，共72頁，2022年，5月20日，6點54分，星期四第五層，在這一層中有兩類節(jié)點：一類節(jié)點執(zhí)行從上到下的信號傳輸方式，實現(xiàn)了把訓(xùn)練數(shù)據(jù)反饋到神經(jīng)網(wǎng)絡(luò)中去的目的，對于這類節(jié)點，其神經(jīng)元節(jié)點函數(shù)定義為：下列函數(shù)可以用來模擬重心法的解模糊運算：第50頁，共72頁，2022年，5月20日，6點54分，星期四(2)模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法為此必須首先確定和提供：初始模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；輸入、輸出樣本訓(xùn)練數(shù)據(jù)；輸入、輸出語言變量的模糊分區(qū)(如每一輸入輸出變量語言值的多少等)。1)自組織學(xué)習(xí)階段Kohonen自組織學(xué)習(xí)算法計算隸屬度函數(shù)中心值mi的公式為：第51頁，共72頁，2022年，5月20日，6點54

23、分，星期四此語言變量語言值所對應(yīng)的寬度i的計算通過下列目標函數(shù)的極小值來獲取的，即(5.14)(5.15)(5.16)第52頁，共72頁，2022年，5月20日，6點54分，星期四自組織學(xué)習(xí)法只是找到語言變量的初始分類估計值，一般采用一階最近鄰域法求?。?5.18)(5.18)(5.17)(5.19)第53頁，共72頁，2022年，5月20日，6點54分，星期四為了簡化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可以再通過規(guī)則結(jié)合的辦法來減少系統(tǒng)總的規(guī)則數(shù)， 如果：該組節(jié)點具有完全相同的結(jié)論部；在該組規(guī)則節(jié)點中某些條件部是相同的；該組規(guī)則節(jié)點的其他條件輸入項包含了所有其他輸入語言變量的某一語言值節(jié)點的輸出。2)有教師指導(dǎo)

24、下的學(xué)習(xí)階段第54頁，共72頁，2022年，5月20日，6點54分，星期四圖5.7 規(guī)則節(jié)點合并示例第55頁，共72頁，2022年，5月20日，6點54分，星期四(5.20)(5.21)(5.22)第56頁，共72頁，2022年，5月20日，6點54分，星期四(5.23)(5.24)第57頁，共72頁，2022年，5月20日，6點54分，星期四系統(tǒng)輸出誤差反向傳播到上一層的廣義誤差(5)為： (5.25)第58頁，共72頁，2022年，5月20日，6點54分，星期四 如果輸出語言變量有m個，則(5.28)(5.26)(5.27)第59頁，共72頁，2022年，5月20日，6點54分，星期四第二

25、層輸入語言變量各語言值隸屬度函數(shù)中心值 的學(xué)習(xí)公式為：輸入語言變量各語言值隸屬度函數(shù)寬度值 的學(xué)習(xí)公式為： (5.29)第60頁，共72頁，2022年，5月20日，6點54分，星期四圖5.8 模糊神經(jīng)網(wǎng)絡(luò)混合學(xué)習(xí)的流程圖第61頁，共72頁，2022年，5月20日，6點54分，星期四5.3 基于神經(jīng)網(wǎng)絡(luò)的模糊控制器5.3.1 復(fù)合型神經(jīng)模糊控制器(1)神經(jīng)網(wǎng)絡(luò)11)預(yù)處理(5.30)第62頁，共72頁，2022年，5月20日，6點54分，星期四圖5.9 系統(tǒng)結(jié)構(gòu)第63頁，共72頁，2022年，5月20日，6點54分，星期四2)完成的功能神經(jīng)網(wǎng)絡(luò)1根據(jù)對波形的分類，向判斷機構(gòu)1發(fā)送以下不同命令：對A類波形：再次構(gòu)造控制規(guī)則；對B類波形：大幅度減小控制量；對C類波形：減小一點控制量；對D類波形：增加一點控制量；對