模糊神经网络VIP免费

主讲：周润景教授单位：电子信息工程学院模糊神经网络目录引言模糊神经网络算法的原理分类器的设计与实现总结一.引言模糊技术与神经网络技术的有机融合，构造出一种可“自动”处理模糊信息的神经网络——模糊神经网络模糊信息处理技术的两大难题：模糊规则的自动处理模糊变量基本状态隶属度函数的自动生成过去的解决方法：靠开发者的智慧和经验建立一套实用的规则及隶属函数缺点：工作时间长，需反复试探调整参数一.引言神经网络技术的出现特点：强大的自学习能力解决问题：⑴模糊规则的自动处理⑵模糊变量基本状态隶属度函数的自动生成设计思想：采用模糊神经网络离线的从学习样本数据中自动提取参数优化后的模糊参考模型，实现模糊推理系统合理、正确的建模。二.模糊神经网络算法的原理1.Takagi-Sugeno模型Takagi-Sugeno型模糊推理将去模糊化也结合到模糊推理中，其输出为精确量，一阶Takagi-Sugeno型模糊规则表达及计算公式如下：其中为模糊变量为隶属函数'112233:jkliRIFxISAANDxISAANDxISATHENyISf112233()()()ijkkAxAxAx123,,jklAAA1iipkk112233(),(),()jklAxAxAx*iiyf二.模糊神经网络算法的原理2.模糊神经网络的结构与学习算法利用ANFIS构造的模糊神经网络结构如下图所示二.模糊神经网络算法的原理该网络由前件网络和后件网络两部分组成,前件网络由前四层构成,用来匹配模糊规则的前件,后件网络简化为最后一层,用来产生模糊规则的后件，网络共5层：第1层为网络的模式输入层，输入节点是线性的，由3个神经元组成，将网络的的输入信号传送到下一层中；第2层为网络的隐层，计算各输入分量属于语言变量值的模糊集合的隶属函数，其中n是输入量维数3，为输入量的模糊分割数5；隶属函数为：式中:和分别表示隶属函数的中心和宽度。123[,,]Txxxxji()(1,2,...,;1,2,...,)jijiiiAxinjmim22()expiijjiijxcijcij二.模糊神经网络算法的原理第3层的每一个节点代表一条模糊规则，用来匹配模糊规则的前件，计算出每条规则的适用度。即：该层的结点总数N3=m，对于给定的输入,只有在输入点附近的语言变量值才有较大的隶属度值,远离输入点的语言变量值的隶属度或者很小或者为0。当隶属度很小(例如小于0.05)时近似取为0。312min,,iiijjjja1j=1,2,,m;m=niim112233i{1,2,,m}i{1,2,,m}i{1,2,,m}二.模糊神经网络算法的原理第4层的节点数与第3层相同，即N4=N3=m，它所实现的是归一化计算,即第5层是后件网络，用于计算每一条规则的后件，即：式中：1/(1,2,)miiijm0110njjjjnnjkkkvppxpxpxj=1,2,,m二.模糊神经网络算法的原理每条规则的后件在简化结构中变成了最后一层的连接权，系统的输出为：可见是各规则后件的加权和,加权系数为各模糊规则归一化的适用度,也即前件网络的输出用作后件网络的连接权值。1mjjvvv二.模糊神经网络算法的原理假设各输入分量的模糊分割数是预先确定的,那么需要学习的参数主要是后件网络的连接权以及前件网络第二层各结点隶属函数的中心值和宽度：二.模糊神经网络算法的原理设误差代价函数为：式中:和分别表示期望输出和实际输出。下面首先给出参数的学习算法：为学习效率。二.模糊神经网络算法的原理•这时可将参数固定,利用误差反传算法来计算和，再利用梯度寻优算法来调节和，可得所求一阶梯度为：二.模糊神经网络算法的原理•最后可给出参数调整的学习算法为：为学习效率。二.模糊神经网络算法的原理•在设计中使用BP神经网络训练系统，其学习的主要参数为第2层各节点隶属函数的转折点，并依据输出误差优化隶属度函数。三.分类系统的设计与实现1.样本数据的标准化：样本数据的标准化只对样本指标数据进行预处理，使其特征值映射到[0，1]区间上。设有f个样本，每个样本具有n个样本指标表示第i个样本的第j个指标，f个样本的n个指标可用下表表示。三.分类系统的设计与实现f个样本第j个指标的平均值及标准差分别为：均值：标准差：原始数据...