第十一讲混合智能控制模糊神经网络ANN(ArtificialNeuralNetwork)和FLS(FuzzyLogicalNetwork)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,按样本进行学习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,xiyiFLN——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)]}(exp[1{1)(1cgswxwxywc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:kbkakbkaeebeaebaba),min(soft)(b)Min(a,b)Softmin(a,时,当k函数。是非线性函数,生成sigmoida●神经网络驱动模糊推理(NDF)),z,:yxfThenBYAXIfRiiii(是是和是rsxxxNNyThenAxxxXIfRnsssns,...,2,1),...,,(,),...,,(:2121是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,As是前提的模糊集合.NNs是模型的函数结构,由BP网络实现.学习的网络和训练的步骤82)将数据聚类.分成r类.即有r条规则.TRD的数据有Nt个.3)训练规则的前提部分网络NNm.。4)训练对应于规则Rs的后件部分(Then部分)NNs66(加权)或)}()(){()}()({2121iAisNiiiAsmiAisNiismxxyxExxyEscssc5)简化后件部分在NNS的输入端,任意消去xp,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:iniiniiiniiiiiiffnifyThenAxAxIfR111*2211ˆ/y),...,2,1(,:21是和是3,2,1,21ii⑵后件为一阶线性方程0,1,2)(j),(),(ˆ),(,...,2,1),(,:22110212111211*21221121是常数是和是ijiiiiniiiniiniiiiiiiaxaxaaxxfxxfxxfynixxfyThenAxAxIfRniiiiiiixxx1)(/)()(ˆ⑶后件为模糊变量)(ˆ)(ˆ2,1.,...,2,1),(:'121'21'21'1'*1'221121kBkkkkkkBkRniikRkiiikkkikikykniByThenAxAxIfR是是是和是应用假定要辨识的系统为25.13125.01)1(xxxg数据40对,见表6.1评判指标:UCEECyyyyUCyyEyyEBAniBBiBAiniAAiABiniBBiBiAniAAiAiABABA2212121212)()()()(常数模型常数模型隶属函数的变化非线性模型非线性模型隶属函数的变化语言输出模型语言输出模型隶属函数的变化III●神经网络模糊化①模糊感知器精确划分的问题:每个分量都有同样的“重要性”,用在分类时,当分类有重叠时(如图),得不到很好的结果。模糊感知器的基本思想:给隶属函数以一定的修正量,对隶属度接近0.5的样本,在确定权值向量时,给予较小的影响:是分类的数目。的维数。是向量迭代次数)ixpxxixnjxyyxxWWkipkkiikijkkdkmkkjkjk]1,0[)(),(0.2,1,1)((11,][)()(121211模糊感知器算法的问题:1)如何选择m?2)如何给向量赋与模糊隶属函数?3)算法的终止判据.回答:1)m>1;如隶属函数接近0.5.m》1;如隶属函数大于0.5.2)给向量赋与模糊隶属函数的规则:)1)()(25.0))1)()(25.0)21/)(212/)(12112kkfffdddfkkkfffdddfkxxeeeexIIxxeeeexI((:对类别...