模糊神經(jīng)網(wǎng)絡(luò)

概述從知識表示方式來看含糊系統(tǒng)能夠表示人經(jīng)驗(yàn)性知識，便于了解，而神經(jīng)網(wǎng)絡(luò)只能描述大量數(shù)據(jù)之間復(fù)雜函數(shù)關(guān)系，難于了解從知識存放方式來看含糊系統(tǒng)將知識存在規(guī)則集中，神經(jīng)網(wǎng)絡(luò)將知識存在權(quán)系數(shù)中，都含有分布存放特點(diǎn)從知識利用方式來看含糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)都含有并行處理特點(diǎn)，含糊系統(tǒng)同時(shí)激活規(guī)則不多，計(jì)算量小，而神經(jīng)網(wǎng)絡(luò)包括神經(jīng)元很多，計(jì)算量大從知識獲取方式來看含糊系統(tǒng)規(guī)則靠教授提供或設(shè)計(jì)，難于自動獲?。窠?jīng)網(wǎng)絡(luò)權(quán)系數(shù)可由輸入輸出樣本中學(xué)習(xí)，無需人來設(shè)置。所以將二者結(jié)合起來，在處理大規(guī)模含糊應(yīng)用問題方面將表現(xiàn)出優(yōu)良效果。模糊神經(jīng)網(wǎng)絡(luò)第1頁2.11.1含糊神經(jīng)網(wǎng)絡(luò)主要形式1.渙散型結(jié)合在一個(gè)系統(tǒng)中，對于可用＂If-then＂規(guī)則來表示部分，用含糊系統(tǒng)描述，而對極難用＂If-then＂規(guī)則表示部分，則用神經(jīng)網(wǎng)絡(luò)，二者之間沒有直接聯(lián)絡(luò)。2.并聯(lián)型結(jié)合同等型補(bǔ)助型模糊神經(jīng)網(wǎng)絡(luò)第2頁2.11.1含糊神經(jīng)網(wǎng)絡(luò)主要形式3．串聯(lián)型結(jié)合含糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中按串聯(lián)方式連接，即一方輸出成為另一方輸入，這種情況可看成是兩段推理或者串聯(lián)中前者為后者輸入信號預(yù)處理部分。比如用神經(jīng)網(wǎng)絡(luò)從原輸入信號提取有效特征量，作為含糊系統(tǒng)輸入，這么可使獲取含糊規(guī)則過程變得輕易。模糊神經(jīng)網(wǎng)絡(luò)第3頁2.11.2含糊神經(jīng)網(wǎng)絡(luò)模型基于含糊邏輯系統(tǒng)標(biāo)準(zhǔn)前饋含糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)第4頁2.11.2含糊神經(jīng)網(wǎng)絡(luò)模型(1)輸入層該層有個(gè)結(jié)點(diǎn)直接與輸入向量連接，將輸入值 傳送到下一層。(2)含糊化層若每個(gè)輸入變量均定義有個(gè)含糊集合，則此層內(nèi)共有個(gè)結(jié)點(diǎn)，分為組，每組個(gè)結(jié)點(diǎn)。第組個(gè)結(jié)點(diǎn)輸入都是，其輸出分別是各輸入量屬于輸出值含糊集合隸屬度函數(shù),代表第個(gè)含糊集合。隸屬函數(shù)通常為高斯函數(shù)。(3)規(guī)則層

其每個(gè)結(jié)點(diǎn)代表一條含糊規(guī)則，作用是用來匹配含糊規(guī)則前件，計(jì)算出每條規(guī)則使用度，即：模糊神經(jīng)網(wǎng)絡(luò)第5頁2.11.2含糊神經(jīng)網(wǎng)絡(luò)模型(4)去含糊層該層作用實(shí)現(xiàn)歸一化計(jì)算，即(5)輸出層它實(shí)現(xiàn)是清楚化計(jì)算，并采取加權(quán)平均法，即模糊神經(jīng)網(wǎng)絡(luò)第6頁2.11.3含糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法含糊學(xué)習(xí)算法含糊規(guī)則提取學(xué)習(xí)算法。含糊規(guī)則提取指從給定輸入輸出含糊數(shù)據(jù)對中發(fā)覺其對應(yīng)映射關(guān)系或關(guān)聯(lián)關(guān)系，這也能夠認(rèn)為是數(shù)據(jù)挖掘一項(xiàng)任務(wù)。若給出僅有含糊輸入而無對應(yīng)含糊輸出，則對輸入向量普通需要進(jìn)行含糊聚類或?qū)斎肟臻g劃分。如含糊競爭學(xué)習(xí)算法即為這類學(xué)習(xí)算法，含糊規(guī)則學(xué)習(xí)還能夠是事先人為地給出一個(gè)較粗含糊規(guī)則，然后利用學(xué)習(xí)樣本重復(fù)修正這一含糊規(guī)則，進(jìn)行逐步優(yōu)化。另一類含糊學(xué)習(xí)算法是利用含糊控制方法不停改進(jìn)神經(jīng)元網(wǎng)絡(luò)性能。如含糊BP算法等模糊神經(jīng)網(wǎng)絡(luò)第7頁2.11.4含糊邏輯MATLAB函數(shù)函數(shù)名功能newfis()創(chuàng)建新含糊推理系統(tǒng)readfis()從磁盤讀出存放含糊推理系統(tǒng)getfis()取得含糊推理系統(tǒng)特征數(shù)據(jù)writefis()保留含糊推理系統(tǒng)showfis()顯示添加注釋了含糊推理系統(tǒng)setfis()設(shè)置含糊推理系統(tǒng)特征plotfis()圖形顯示含糊推理系統(tǒng)輸入—輸出特征addvar()添加含糊語言變量rmvar()刪除含糊語言變量addrule()向含糊推理系統(tǒng)添加含糊規(guī)則函數(shù)模糊神經(jīng)網(wǎng)絡(luò)第8頁2.11.4含糊邏輯MATLAB函數(shù)函數(shù)名功能parsrule()解析含糊規(guī)則函數(shù)showrule()顯示含糊規(guī)則函數(shù)evalfis()執(zhí)行含糊推理計(jì)算函數(shù)defuzz()執(zhí)行輸出去含糊化函數(shù)gensurf()生成含糊推理系統(tǒng)輸出曲面并顯示函數(shù)anfis()含糊神經(jīng)系統(tǒng)建模函數(shù)genfis1()采取網(wǎng)格分割