第六章模糊神經(jīng)網(wǎng)絡(luò)

第六章模糊神經(jīng)網(wǎng)絡(luò)1第一頁，共十七頁，編輯于2023年，星期五模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)控制是智能控制領(lǐng)域內(nèi)的兩個重要分支。模糊系統(tǒng)是仿效人的模糊邏輯思維方法設(shè)計的一類系統(tǒng)，這一方法本身就明確地說明了系統(tǒng)在工作過程中允許定性知識的存在。另一方面，神經(jīng)網(wǎng)絡(luò)在計算處理信息的過程中所表現(xiàn)出的學習能力和容錯性來自于其網(wǎng)絡(luò)自身的結(jié)構(gòu)特點。模糊神經(jīng)網(wǎng)絡(luò)是一種集模糊邏輯推理的強大結(jié)構(gòu)性知識表達能力與神經(jīng)網(wǎng)絡(luò)的強大自學習能力于一體的新技術(shù)，它是模糊邏輯推理與神經(jīng)網(wǎng)絡(luò)有機結(jié)合的產(chǎn)物。2第二頁，共十七頁，編輯于2023年，星期五神經(jīng)網(wǎng)絡(luò)和模糊控制比較ANN（ArtificialNeuralNetwork）和FLS（FuzzyLogicalNetwork）的比較：相同之處

1）都是非數(shù)值型的非線性函數(shù)的逼近器、估計器、和動態(tài)系統(tǒng)；2）不需要數(shù)學模型進行描述，但都可用數(shù)學工具進行處理；3）都適合于VLSI、光電器件等硬件實現(xiàn)。3第三頁，共十七頁，編輯于2023年，星期五不同之處：㈠樣本的表示方面：

ANN——數(shù)值型的點集合。FLS——模糊集樣本。神經(jīng)網(wǎng)絡(luò)和模糊控制比較㈡規(guī)則的表示和結(jié)構(gòu)方面：

ANN——用網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值矩陣來描述規(guī)則，且規(guī)則之間是相互連接的。

FLN——用“if…，then…”語句來描述規(guī)則，且規(guī)則之間是相互獨立的。4第四頁，共十七頁，編輯于2023年，星期五㈣模型的表示方面：

ANN——要求規(guī)定非線性動態(tài)系統(tǒng)的類型，要求獲取足夠多的訓練本集，并通過反復學習將訓練樣本體現(xiàn)在動態(tài)系統(tǒng)上。

FLN——只需要部分的填充語義規(guī)則矩陣。㈢映射算法方面：

ANN——主要依靠學習算法，如梯度法、Hebb法和BP算法等。

FLN——采用合成算法完成模糊推理映射。神經(jīng)網(wǎng)絡(luò)和模糊控制比較5第五頁，共十七頁，編輯于2023年，星期五神經(jīng)網(wǎng)絡(luò)和模糊控制的結(jié)合把ANN的學習機制和FLN的人類思維和推理結(jié)合起來，匯聚了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點，集學習、聯(lián)想、識別、自適應及模糊信息處理于一體。神經(jīng)網(wǎng)絡(luò)和模糊控制比較6第六頁，共十七頁，編輯于2023年，星期五神經(jīng)網(wǎng)絡(luò)和模糊控制的結(jié)合方式有3種：

1）神經(jīng)模糊系統(tǒng)——用神經(jīng)元網(wǎng)絡(luò)來實現(xiàn)模糊隸屬函數(shù)、模糊推理，基本上（本質(zhì)上）還是FLN。

6.1模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合模糊控制系統(tǒng)是依據(jù)一些由人們總結(jié)出來的描述各種因素之間相互關(guān)系的模糊性語言經(jīng)驗規(guī)則，并將這些經(jīng)驗規(guī)則上升為簡單的數(shù)值運算，以便讓機器代替人在相應問題面前具體的實現(xiàn)這些規(guī)則。在一般的模糊系統(tǒng)設(shè)計中，規(guī)則是由對所解決的問題持有豐富經(jīng)驗的專業(yè)人員以語言的方式表達出來的。7第七頁，共十七頁，編輯于2023年，星期五6.1模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合專業(yè)人員對于問題認識的深度和綜合能力，直接影響到模糊系統(tǒng)工作性能的好壞。有些問題，即使很有經(jīng)驗的專業(yè)人員也很難將他們的經(jīng)驗總結(jié)歸納為一些比較明確而簡化的規(guī)則，并以語言的形式表達出來。利用單層前向網(wǎng)絡(luò)輸入/輸出積空間的聚類方法，能夠直接從原始的工作數(shù)據(jù)中歸納出若干條規(guī)則，并最后以語言的方式表示出來。8第八頁，共十七頁，編輯于2023年，星期五該模型以模糊控制為主體，應用神經(jīng)元網(wǎng)絡(luò)，實現(xiàn)模糊控制的決策過程，以模糊控制方法為“樣本”，對神經(jīng)網(wǎng)絡(luò)進行離線訓練學習?！皹颖尽本褪菍W習的“教師”。所有樣本學習完以后，這個神經(jīng)元網(wǎng)絡(luò)，就是一個聰明、靈活的模糊規(guī)則表，具有自學習、自適應功能。6.1模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合神經(jīng)模糊系統(tǒng)9第九頁，共十七頁，編輯于2023年，星期五2）模糊神經(jīng)系統(tǒng)——神經(jīng)網(wǎng)絡(luò)模糊化，本質(zhì)上還是ANN。該模型以神經(jīng)網(wǎng)絡(luò)為主體，將輸入空間分割成若干不同型式的模糊推論組合，對系統(tǒng)先進行模糊邏輯判斷，以模糊控制器輸出作為神經(jīng)元網(wǎng)絡(luò)的輸入。后者具有自學習的智能控制特性。6.1模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合10第十頁，共十七頁，編輯于2023年，星期五3）模糊-神經(jīng)混合系統(tǒng)——二者有機結(jié)合。該模型根據(jù)輸入量的不同性質(zhì)分別由神經(jīng)網(wǎng)絡(luò)與模糊控制直接處理輸入信息，并作用于控制對象，更能發(fā)揮各自的控制特點。

6.1模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合11第十一頁，共十七頁，編輯于2023年，星期五1）使網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值具有了明確的物理意義，網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計和權(quán)值的初始化都有了理論的根據(jù)，避免了網(wǎng)絡(luò)陷入局部最優(yōu)。2）可以利用神經(jīng)網(wǎng)絡(luò)的學習能力來調(diào)整模糊控制的控制規(guī)則和模糊化的方式，使模糊控制具有了一定的自適應能力。3）模糊神經(jīng)網(wǎng)絡(luò)將定性的知識表達和定量的數(shù)值運算很好地結(jié)合了起來，具有很好的控制效果

神經(jīng)網(wǎng)絡(luò)和模糊控制結(jié)合的優(yōu)點6.1模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合12第十二頁，共十七頁，編輯于2023年，星期五6.2模糊神經(jīng)網(wǎng)絡(luò)模型6.2.1模糊聯(lián)想存儲器(FAM)在模糊控制規(guī)則中，模糊規(guī)則Ai→Bi代表了一條推理依據(jù)，它是蘊涵句“如果Ai，則Bi”的縮寫形式。Ai→Bi可以描述為模糊控制輸入輸出空間的一種映射關(guān)系Ri=(Ai→Bi)=Ai×Bi=ATB所有模糊控制規(guī)則的集合蘊涵的模糊映射關(guān)系可以描述為對于一個模糊輸入A，可以根據(jù)模糊規(guī)則庫進行模糊推理來得到其相應的模糊輸出為：13第十三頁，共十七頁，編輯于2023年，星期五6.2模糊神經(jīng)網(wǎng)絡(luò)模型模糊聯(lián)想存儲器的結(jié)構(gòu)14第十四頁，共十七頁，編輯于2023年，星期五6.2模糊神經(jīng)網(wǎng)絡(luò)模型模糊聯(lián)想存儲器(FAM)的工作原理一個前提A作用于m條推理依據(jù)后，同時產(chǎn)生m個子結(jié)論、、…、。將這m個子結(jié)論進行綜合處理，便得到FAM最后輸出的結(jié)論B。在這里，所謂綜合處理即是進行歸一化加權(quán)求和：在控制過程中，可以根據(jù)情況的變化通過改變權(quán)因子Wi來改變