模糊神经网络（5）.ppt

模糊神经网络
ANN(Artificial work)和 FLS(Fuzzy work)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:㈠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。
㈣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。
㈡信息处理基本单元方面:
ANN——数值点样本,xi yi
FLN——模糊集合(Ai,Bi)
㈢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
①用神经网络实现隶属函数
②神经网络驱动模糊推理
③神经网络的模糊建模
●用神经网络实现隶属函数
wc 和 wg 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:①缺乏确定的方法选择隶属函数;
②缺乏学习功能校正推理规则。
用神经网络实现T—S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, ,由BP网络实现.
学习的网络和训练的步骤
8
2) t 个.
3) 训练规则的前提部分网络NNm.。
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:
⑴后件为恒值:
⑵后件为一阶线性方程