matlab模糊控制工具箱

第一章緒論1.1課題的提出和意義隨著我國電力事業(yè)的發(fā)展電網(wǎng)管理日趨現(xiàn)代化負荷預測問題的研究逐漸引起了人們的關注在電力系統(tǒng)學科中占據(jù)了重要的地位是一個重要的組成部分。在實際中，制定電力系統(tǒng)規(guī)劃以及實現(xiàn)電力系統(tǒng)自動化這兩項重要的工作，對它們進行應有的負荷預測都是基本要求。眾所周知電力系統(tǒng)的作用應當是為各類的用戶提供可靠而合乎質(zhì)量要求的電能使得各種客戶的要求得到滿足而所有用戶所使用的電能即為負荷負荷對。度。準，由要，無，借的機，對、電。根活既，、資源的需求量。電力系統(tǒng)負荷預測按照時間以及目的可以劃分為以下幾個層次①超短期負荷預測是未來1個小時以內(nèi)的負荷預測在安全監(jiān)視狀態(tài)下需要5～l0s或1到5min的預測值預防性控制以及緊急狀態(tài)處理需要l0min至1h的預測值②短期負荷預測則是指日負荷預測和周負荷預測分別用于安排日調(diào)度計劃和周調(diào)度計劃包括確定機組起停水火電協(xié)調(diào)聯(lián)絡線交換功率負荷經(jīng)濟分配水庫調(diào)度和設備檢修等對短期預測需充分研究電網(wǎng)負荷變化規(guī)律分析負荷變化相關因子特別是天氣因素日類型等和短期負荷變化的關系③中期負荷預測是指月至年的負荷預測主要是確定機組運行方式和設備大修計劃等④長期負荷預測國家對3年以上的時間所進行的預測由電網(wǎng)規(guī)劃部門來根據(jù)國民經(jīng)濟的發(fā)展和對電力負荷的需求對電網(wǎng)改造以及擴建來做一個相應的準備工作國民經(jīng)濟發(fā)展、國家政策會對中長期的電力負荷預測有著一個重要的指導作用。綜上所述電力系統(tǒng)的正確調(diào)度規(guī)劃和運行都離不開電力負荷預測準確的負荷預測不僅對電力系統(tǒng)的安全可靠經(jīng)濟運行起著重要作用同時也是潛在節(jié)約能源的方法隨著我國在市場經(jīng)濟體質(zhì)下的發(fā)展電力系統(tǒng)對市場需求也爭政府從2001年至2010年在廠網(wǎng)分開的基礎上建立起了規(guī)范，競爭，有序的發(fā)電市場2010年后再在營銷環(huán)節(jié)逐步引入競爭機制。各發(fā)電廠需要按各自的上網(wǎng)電價競價發(fā)電以達到節(jié)省能源，降低總發(fā)電成本的目的。負荷預測是實現(xiàn)電力市場的必備條件，具有重要的理論意義和實用價值。人們在生產(chǎn)生活實際中逐漸產(chǎn)生了兩種預測方法都是根據(jù)統(tǒng)計學理論來進行的分析即時間序列法以及回歸分析法時間序列法早期的時候被廣泛運用一般來說分為確定性時序法和隨機性時序法確定性時序法包括時間序列平滑法趨勢外推和季節(jié)變動法等后者則包括馬爾可夫法BoxJenkins法(稱A模型法)中s用實我列法則大都建立在假定負荷是穩(wěn)定發(fā)展變化基礎上的沒有考慮過溫度等因素對負荷的影響所以面對溫度變化劇烈或者其他因素對他產(chǎn)生了干擾的時候結果通常會有較大的偏差這些方法所共同具備的特點也是他們之所以能唄人們廣泛運用會是由于需要的歷史數(shù)據(jù)少工作量相對來說也會比較的少一點假如是沒有考慮負荷變化的因素，只能適用于負荷變化相對比較平穩(wěn)前提下所進行的預測。1.2負荷預測特點以及他的研究現(xiàn)狀負荷預測的一個突出特點就是要依靠負荷的歷史記錄對過去的負荷進行分析進而對未來做出預測電力系統(tǒng)的負荷在本質(zhì)上來說是不可控的雖然一些小的變化可用頻率控制加以影響或者在某些情況下可以在局部地區(qū)采用電量計劃分配，或者采用某種特殊的電價政策來對負荷施加影響，然而，總的說來，由于各種因素的影響負荷是不可控的因此了解未來短期內(nèi)負荷的可能變化的一個最為有效的方法就是觀察負荷的歷史記錄負荷的另一個特征就是它具有按天按周以及按年的周期性變化特點而短期負荷預測正是密切注意到負荷的這兩個重要特征，有針對地提出一套可行的辦法。電力系統(tǒng)的短期負荷預測分為離線預測和在線預測。離線預測就是進行按并，測能變。：(1)確定預以測間。(2)按樣間對測，的記時候需記料時隔測間。(3)分析荷資判么型于個荷變程。(4)對所建立的模型，根據(jù)模型本身的特性及己知負荷記錄資料對它進行辨識與參數(shù)的粗估計。(5)進行參數(shù)的精確估計。()進行模型適用合理性的檢驗。()建立模。()在預程對型必正。長實們了負測統(tǒng)統(tǒng)的預測大種序回析早預主時序列為時隨時包間滑勢外推和季節(jié)變動法等后者包括馬爾可夫法和BoxJenkins法(又稱AA法)等，其中Box-Jenkins法最成功，使用最廣泛。但這些方法被廣泛應用的同時，也表現(xiàn)出很多缺陷和局限性如預測精度不能滿足實際工程的要求在節(jié)假日的預測效果不令人滿意加上不具備自適應和自學習的能力預測系統(tǒng)的魯棒性沒有保障等。時間序列法一般都是建立在假定負荷是穩(wěn)定發(fā)展變化的基礎上沒有考慮天氣對負荷的影響故面對天氣驟變或突發(fā)事件時預測誤差較大這些方法的優(yōu)點是所需歷史數(shù)據(jù)少工作量小確定是沒有考慮負荷變化的因素只適用于負荷變化比較平穩(wěn)的前提下進行的預測?；貧w算法能夠考慮進天氣影響和特殊日負荷的特點但它需要大量數(shù)據(jù)的參與計算同時一般均假設各變量之間是簡單的線性關系而負荷與天氣等變量之假來系，也對負荷預測有了新的見解產(chǎn)生了許多更適用于莫方面的方法其中主要包括短期負荷預測的趨勢外推預測技術灰色預測技術以及人工智能技術電力負荷雖然有隨機不確定的一面但是在趨勢上有明顯的規(guī)律可循根據(jù)各行業(yè)負荷變化的規(guī)律運用趨勢外推技術進行負荷預測能夠得到較為理想的結果外推法有線性和累計預測等方法外推法的優(yōu)點是所需的數(shù)據(jù)量較少缺點是如果負荷出現(xiàn)變動，會引起較大的誤差?；疑A測技術是以灰色系統(tǒng)理論為基礎建立的灰色預測技術可在數(shù)據(jù)不多的情況下找出某個時期內(nèi)起作用的規(guī)律建立短期負荷預測的模型和其他預測方法相比該方法也存在一定的局限性當數(shù)據(jù)離散度越大即數(shù)據(jù)灰度越大時，其預測精度越差，目前有對灰色模型(G進行的改進，取得了一定的效果。作為人工智能的重要技術之一的專家系統(tǒng)在短期負荷預測中也得到了～定的應用專家系統(tǒng)是建立于人類專家知識上的邏輯推理模型在實際應用中一般與某種其他方法(如人工神經(jīng)網(wǎng)絡際預測驗使實際。90年絡(Aek簡稱AN方法被引入到電力負荷預測之中，并己取得了許多成功的實例N是由大量簡單的神經(jīng)元以一定的方式連接而成的單個神經(jīng)元的作用是實現(xiàn)輸入到輸出的一個非線性函數(shù)關系它們之間廣泛的連接組合就使得整個ANN具復線性AN將的隱連上根的算節(jié)使絡實現(xiàn)從M維間向N空的性。期受因天經(jīng)。糊。是箱)。成學來。相而模擬人的經(jīng)驗處理一些不確定信息另一方面模糊系統(tǒng)很難從樣本中直接學習規(guī)則且在模糊推理中會增加模糊性而神經(jīng)網(wǎng)絡則有較強的學習能力可以利用聯(lián)想記憶降低模糊性這樣就產(chǎn)生了模糊神經(jīng)網(wǎng)絡預測方法它是現(xiàn)代軟計算概念中的重要內(nèi)容綜合上述分析可以看出模糊神經(jīng)網(wǎng)絡在短期負荷預測方面的確具有極大的優(yōu)勢雖然現(xiàn)在已有許多關于這方面的理論研究報告但實際應用的并不很多本文中采用模糊神經(jīng)網(wǎng)絡技術來建立負荷預測模型經(jīng)驗證模型具有運算精度高，收斂速度快等優(yōu)點。1.3本文主要工作（1）了解電力系統(tǒng)負荷預測的相關內(nèi)容，他的概念，所包含的意義，所包括的類型。指出其特點。（2）對人工神經(jīng)網(wǎng)絡有大致的敘述，讓人們對她的概念和原理有一個基本的了解。（3）對模糊理論進行相應的闡述，對神經(jīng)網(wǎng)絡與模糊理論相結合的各種組合方式有一個清晰的認識和介紹。（4）以一定的數(shù)據(jù)為例，詳細介紹建立模糊網(wǎng)絡電力預測模型的全過程。并通過與數(shù)據(jù)的比較，顯示其優(yōu)越性。1.4設計路線：（1）針對原始數(shù)據(jù)提出相應的問題，并進行相應的分析和比較。（2）建立模糊網(wǎng)絡預測模型，并對輸入和輸出因素進行確定以及處理（3講數(shù)據(jù)進行模糊化處理作為網(wǎng)絡的輸入數(shù)據(jù)并將目標輸出數(shù)據(jù)進行歸一化處理。（4）用軟件中的經(jīng)網(wǎng)絡包網(wǎng)絡進行練直至達穩(wěn)定的輸出。（5）通過訓練的網(wǎng)絡進預測第二章人工神經(jīng)網(wǎng)絡2．1人工神經(jīng)網(wǎng)絡的概念1)Heht-Nelsn(198年)一人工神經(jīng)絡是個并的、分處理結構它是由理單元及稱為聯(lián)接的無向信通道互連成這些處單元(PE-PocesingElemnt)將具有局部的內(nèi)存并可以完成他的局部操作每一個處理單元有一個獨立的輸出聯(lián)接這個輸出則會根據(jù)需要被分成許多個并行聯(lián)接且這些并行聯(lián)接都會輸出相同的信號即相應的處理單元的信號信號的大小不會因分支的多少而變化處理單元輸出信號能夠是任何你需要的數(shù)學模型每個處理單元中所要進行的操作一定是完全局部的也就是說它需要僅僅依賴于經(jīng)過輸入聯(lián)接到達處理單元中所有輸入信號當前值和存儲于處理單元局部內(nèi)存中的值強調(diào)①并行分布處理結構；②一個處理單元的輸出可以被任意分枝且大小不變③輸出信號可以是任意的數(shù)學模型；④處理單元完全的局部操作。2)Rumellhar，McClelland和Hinton（1需要一組處理單元；（2處理單元它的激活狀態(tài)；（3每個處理單元中的輸出函數(shù)；（4處理單元之間的聯(lián)接模式；（5傳遞的規(guī)則；（6把處理單元它的輸入以及當前的狀態(tài)結合起來所產(chǎn)生激活值的激活規(guī)則；（7通過經(jīng)驗修改聯(lián)接強度的學習規(guī)則；（8系統(tǒng)運行環(huán)境(樣本集合)。3)Simpson(1987年)存。：)：)運算中的全局并行以及局部操作；(3處理中的非線性特征。對大腦的基本特征的模擬：(1形式上：神經(jīng)元及其聯(lián)接；(2表現(xiàn)特征：信息的存儲與處理。。2．2B網(wǎng)絡的基本原理對于適合電力負荷預測的神經(jīng)網(wǎng)絡而言，目前主要的是采用MLFN(MultilayerFeedforwardNeuralNetwork前神網(wǎng)絡為應用的最廣發(fā)展也是最迅速的人工神經(jīng)網(wǎng)絡之一一般來說用于負荷預測的前饋多層神經(jīng)網(wǎng)絡含有BP(Backropgaton)反向傳播經(jīng)網(wǎng)絡以RBF(RadialBasisFuncion徑向基函數(shù))神經(jīng)網(wǎng)。本文所介紹的模網(wǎng)絡是基于P法下P。．．1法的概述1．P現(xiàn)的t，n和W6獨出P2aer其實就完成了相似工作，1974年的時候，s。2。3。．．基本的B算法反向傳播神經(jīng)網(wǎng)絡是由于誤差信號反向的傳播而得名的。它選用的是前向為3層(圖2一l示)。。，前間。。層，傳就停止網(wǎng)絡的訓練。所謂P：（1目進。（2出。的BP(Backpopagtio)算法是S法tnSquare)均方誤。S退為SS網(wǎng)。非，需。2．3B網(wǎng)絡的改進基本的反向傳播算法收斂速度很慢，用基本的反向傳播算法去進行負荷預測訓練將會花去數(shù)天甚至數(shù)星期的時間因此提高算法的收斂速度是很關鍵的問題一般提高收斂速度有兩種途徑第一類包括使用啟發(fā)式信息的技術這是源于對標準反向傳播算法誤差曲面特定性能的研究這些啟發(fā)式技術包括可變的學習速度使用動量和改變比例變量等另一類是標準數(shù)值優(yōu)化技術其實訓練前向神經(jīng)網(wǎng)絡減少均方誤差只是一個數(shù)值優(yōu)化的問題由于數(shù)值優(yōu)化作為一個重要的研究課題己經(jīng)有網(wǎng)五十年了因而從大量己有的數(shù)值優(yōu)化技術中選擇快速訓練算法是比較合理的。主要包括共軛梯度算法和Levenberg-Marquardt算法(頓算的形)等。．．1法的啟發(fā)式改進(1動量P算法(MOBP-Momentum)受一。的學習速度動量的另一個特征是當軌跡進入某個一致的方向后它可以加速收斂。(2可變學習速度的P法ege學次差(上)數(shù)(為1一5％于l數(shù)(的話為O以于1的為0不。（3）P和MP的點于P而，MP易，法(DP．SteeesDscntacpoggaio)。數(shù)但取值圍限于[0，1]內(nèi)，并且法對它選擇并P比MP的P需要選擇5響。．．數(shù)值優(yōu)化技術，(工出：2．4幾個問題的討論．．步長問題P非，。[1988年，]．．局部極小點問題改w、b取W、b的多始權值，進行結果比較。．．網(wǎng)絡癱瘓問題在訓練中權值可能變得很大這會使神經(jīng)元的網(wǎng)絡輸入變的很大從而又使得其激活函數(shù)的導函數(shù)在此點上的取值很小根據(jù)相應式子此時的訓練步長會變的非常小，進而將導致訓練速度降得非常低，最終導致網(wǎng)絡停止收斂。．．穩(wěn)定性問題在輸入樣本對神經(jīng)網(wǎng)絡的權值進行修改時權值的變化十分的不穩(wěn)定因此用輸入樣本后得到的修改量的綜合量對權值進行修改而不是每輸入一個樣本都修改權值。2．5 一些注意事項．偽數(shù)據(jù)的處理因為神經(jīng)網(wǎng)絡所用的負荷數(shù)據(jù)來自電力部門的SCADA系統(tǒng)由于各種原因會造成一定數(shù)量的異常數(shù)據(jù)考慮到負荷前后小時的自然變化如果出現(xiàn)超常規(guī)值，必須將其剔除，代之以正常比例范圍內(nèi)的估計值。b．待選的相似日范圍因為隨著時間的推移系統(tǒng)負荷結構會發(fā)生緩慢的變化當已知日和預測日相隔較遠時即使它們的天氣情況等因素很相似預測精度也不會高因而取前3個星期的已知日作為待選范圍，同時還可以縮短程序選取樣本所花費的時間。結論準確進行短期負荷預測是電力行業(yè)所企盼的本文提出一種模糊神經(jīng)網(wǎng)方用術網(wǎng)的充了ANN理非明法第三章模糊控制基本原理3.1模糊控制的形成與發(fā)展模糊控制是以模糊集合論模糊語言變量及模糊邏輯為基礎的計算機智能控制。模糊控制出現(xiàn)也不過30年1974年馬達(ainani)教授在其的博士論文中首次闡述了怎樣將模糊邏輯應用于過程控制，從而創(chuàng)造了模糊控制。經(jīng)過30年的發(fā)展之中無數(shù)科學工作者為其嘔心瀝血模糊控制在理論和應用研究方面都已經(jīng)取得了重大的成功。傳統(tǒng)的控制方法在執(zhí)行控制,基于數(shù)學模型的對象。研究表,人類在這個過程中處理復雜對,不是首先建立控制對象的數(shù)學模,然后根據(jù)該模型準確地計算出系統(tǒng)需要控制數(shù),而是完全根據(jù)模糊概念的模糊量完成正確的系統(tǒng)控制。人們從中得到靈,并最終導致模糊控制的誕生。正如您可以看到,經(jīng)驗和知識在扮演著重要的角,通過經(jīng)驗和知識推,從而相應的控制策略。模糊控制從1974年到現(xiàn)在，模糊控制的發(fā)展經(jīng)歷了兩個階段，第一階段就是簡單模糊控制階段和第二階段智能化模糊控制階段簡單模糊控制階段指在計算機系統(tǒng)上把控制器上的推理過程處理成控制表這種模糊控制器結構簡單但繁低;模糊控制階段在其第二階段也就是智能化模糊控制階段性能得到顯著提升其已經(jīng)是具有參數(shù)自我調(diào)整自我組織和自我學習功能的模糊控制器。在1980年代后期,日本率先將模糊控制技術應用在家用電器領,推出了模糊洗衣機、冰箱、空調(diào)、電飯鍋等,顯示了模糊控制強大的生命力。起初模糊冰箱是在變頻冰箱系統(tǒng)中嘗,首先通過A/D采樣讀入冷藏室和冷凍室溫度和速度的溫度變化,然后模糊,最后計算根據(jù)原來的模糊規(guī)則調(diào)整壓縮機的速度。3.2模糊集合的基本知識3.概念與模糊集定義模糊概念:設論域Ee,e,e}，將E的任一子集A用隸屬度表示為1 2 nA:(e(e)),(e(e)),(e(e))}1 A1 2 A2 nAn當(e)1，eA當(e)0，eA如Ai i Ai iAAA~果(e)的取值范圍不局限于0和1，而拓寬為取0和1之間任何數(shù)，如：AAAA~A':(e,0.5,(e,0.8,(e1.0,(e,0.,(e,0.0}~ 1 2 3 4 5合A'素e而~ 是e于A'，e于A'，e于A'，e于A'而e少1 ~ 2 ~ 3 ~ 5 ~ 4于A'比e用583合A'的~ 1 ~，量確合A'中5，8，3別~。義:域E，E間[]射A~：E[]A~e(e)A~了E或F為A。糊~ ~集A，~

(e)素e于A。~ ~域E集A數(shù)~

(e)。e模A~集A由~

(e)間[]。A~

(e)接A~于1，示e從于A的程度越；反，(e)的值接于0，示e從~ ~于A的當(e)為}時，隸屬函數(shù)已一A A~ ~合A也這~拓特。3.集合的表示方法對于論域E上的模糊集合A，通常采用的表達方式有下述幾種。~AZhA當E有域Ee,e,e}時按Zah法有1 2 nA~

(e) (e) (e)~ 1 ~ 2 ~ neee1 2 n式，(e)/e并，素e對合A的度~ i i i ~(e)和元素e本身的對應關系，同樣“+”也不表示“加”在A i~論域E上，組成模糊集合A的全體元素e(i,,n)間排序與整體間的關系。~ i當E有，Zh給出為(e)~Ee同“”符運論域E上的元素e與隸屬度(e)一。A~另、示。3.集合中的基本定義和運算性質(zhì)基本定義模糊集合中的基本術語必須使用隸屬函數(shù)來定義這和清晰集合是有區(qū)別的。“并論域E集A與B”~ ~。，，、，模的人處有。 A模糊統(tǒng)計法：其基本思想是對論域E上的一個確定元素 A的一個可變動的清晰集合A合A糊合A，為。A的對個~了，必，e，A作n次0：e對A的隸屬頻率0 ~

f(n)"e0的次數(shù)n隨著n的增大，隸屬頻率也會趨向另外可以借助常見模糊分布來確定隸屬函數(shù)如正態(tài)分布三角形分布等。3.2.2關系模糊關系定義：兩個非空集合U與V之間的直積UVu,v|uU,vV}中的一個模糊子集R被稱為U到V的模糊關系又稱二元模糊關系其特性~可以由下面的隸屬函數(shù)來描述：UV[]R隸屬函數(shù)(u,v)表示序偶u,v的隸屬程度，也描述了(u,v)間具有關系R~R的量級。特別在論域U~

V時，稱R為U上的模糊關系。當論域為n個集合~Ui,,n)的直積UUU時，它們所對應的模糊關系R則被稱為ni 1 2 n ~元模糊關系。模糊關系通?？梢杂媚：仃?、模糊圖和模糊集表示法來表示。模糊矩陣表示法通常，模糊矩陣被用來表示二元模糊關系。當X{x|i,}Y{y|j,}，i j則XY系R列mn：~r[R[Rn1

r2r2rm2

r1r2nn素r(x,)由此表示模糊關系的矩陣被稱為模糊矩（fuzzyij Rij~matrix由于的取值區(qū)間為[]因此模糊矩陣元素r的值也都在]區(qū)間。R ij~模糊矩陣的運算由于模糊矩陣本身也是表示一個模糊子集，因此，根據(jù)~模糊集的交、并、補運算定義，模糊矩陣也可作相應的運算。模算“它用代兩模矩的乘，與線代中矩乘為似只將通陣運中應素相用取小運“”來代，運間加取“”代替具可如定。設兩模矩陣P(p) Q(q) 它們的合成運算PQ結果也是i,n j,knl一個模糊矩陣R，則R(r) 。模糊矩陣R的第i行第k列元素r等于P矩陣i,kml ik的第i行元素與Q矩陣的第k列對應元素兩兩取小，而后再在所得到j個元素中取大，即R(pq) (i,;k,,l)ikj1 ij jk3.3模糊神經(jīng)網(wǎng)絡簡介神經(jīng)網(wǎng)絡與圖3-3隸度數(shù)線邏相合生一新術領域這是糊經(jīng)絡糊經(jīng)絡正不探研的個領。在前模神網(wǎng)有三形：邏輯模糊神經(jīng)網(wǎng)絡:模糊邏輯神經(jīng)網(wǎng)絡由模糊邏輯神經(jīng)元構成。模糊邏輯神經(jīng)元具有模糊權系數(shù),并執(zhí)行邏輯操作的輸入模糊信號的神經(jīng)元。由模糊神經(jīng)元模糊算術邏輯運算,算術操作和其他操作。無論如何,是傳統(tǒng)基礎模糊神經(jīng)元神經(jīng)元。他們可以源于傳統(tǒng)神經(jīng)元。算術模糊神經(jīng)網(wǎng)絡:模糊算法的模糊神經(jīng)網(wǎng)絡是對輸入信號執(zhí)行模糊運算,并且包含模糊神經(jīng)網(wǎng)絡的權數(shù)。通常情況下,該算法的模糊神經(jīng)網(wǎng)絡也稱為常規(guī)模糊神經(jīng)網(wǎng)絡,或標準模糊神經(jīng)網(wǎng)絡。常規(guī)模糊神經(jīng)網(wǎng)絡簡稱為RFNN(RegularFuzzyNeuralNet或稱為FNN(FuzzyNeuralNet)。通常，都把常規(guī)模糊神經(jīng)網(wǎng)絡簡稱為FN。用Fl，F(xiàn)2，3。：稱 數(shù) 號l 數(shù) 絡2 數(shù) 絡3 數(shù) 絡：稱HFNN(HybrdFuzNeralet)在網(wǎng)絡的拓撲結構上混合模糊神經(jīng)網(wǎng)絡和常規(guī)模糊神經(jīng)網(wǎng)絡是一樣的它們之間的不同僅在于如下兩點功能：1．輸入到神經(jīng)元的數(shù)據(jù)聚合方法不同；2．神經(jīng)元的激發(fā)函數(shù)，即傳遞函數(shù)不同。在混合模糊神經(jīng)網(wǎng)絡中任何操作都可以用于聚合數(shù)據(jù)任何函數(shù)都可以用作傳遞函數(shù)去產(chǎn)生網(wǎng)絡的輸出對于專門的應用用途可選擇與之相關而有效的聚合運算和傳遞函數(shù)而在常規(guī)模糊神經(jīng)網(wǎng)絡也即標準模糊神經(jīng)網(wǎng)絡中數(shù)據(jù)的聚合方法采用模糊加或乘運算，傳遞函數(shù)采用S函數(shù)。本文中建立的網(wǎng)絡就屬于混合模糊神經(jīng)網(wǎng)絡因為我們的聚合函數(shù)仍采用算數(shù)加和算數(shù)乘，傳遞