智能控制技术(第5章-神经网络理论基础).ppt

* * * * * * * * * * * * * * * * * * 1974年，S.C.Lee以和E.T.Lee在Cybernetics杂志上发表了“”Fuzzy sets and neural networks”一文，首次把模糊集和神经网络联系在一起； 若取wjj=0，上式应写为 (5.17) 式中I为单位矩阵。上式写成分量元素形式，有 (5.18) 下面检验所给样本能否称为吸引子。 因为P个样本Xp，p=1,2,…,P，x?{-1,1}n 是两两正交的，有 因为n P，所以有 可见给定样本 Xp，p=1,2,…,P 是吸引子。 5.4 模糊神经网络  从知识的表达方式、存储方式、运用方式、获取方式来比较 模糊系统—可以表达人的经验性知识，便于理解 将知识存在规则集中 同时激活的规则不多，计算量小 规则靠专家提供或设计，难于自动获取 神经网络—只能描述大量数据之间的复杂函数关系 将知识存在权系数中，具有分布存储的特点 涉及的神经元很多，计算量大 权系数可由输入输出样本中学习，无需人来设置 1、 模糊系统与神经网络比较 将两者结合起来，在处理大规模的模糊应用问题方面将表现出优良的效果。 模糊神经网络（FNN） 模糊神经网络（Fuzzy Neural Network，简称FNN）将模糊系统和神经网络相结合，充分考虑了二者的互补性，集逻辑推理、语言计算、非线性动力学于一体，具有学习、联想、识别、自适应和模糊信息处理能力等功能。 其本质就是将模糊输入信号和模糊权值输入常规的神经网络。 在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含（中间）节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。 模糊神经网络的分类 基于标准模型的模糊神经网络 基于T—S的模糊神经网络 模糊系统的标准模型 模糊系统的规则集和隶属度函数等设计参数只能靠设计经验来选择，利用神经网络的学习方法，根据输入输出的学习样本自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。 结构上像神经网络，功能上是模糊系统，这是目前研究和应用最多的一类模糊神经网络。 基于标准模型的模糊系统原理结构 输出量的表达式为 其中 对于给定输入x对于规则适用度的归一化 2 模糊神经网络的结构 第一层为输入层，为精确值。节点个数为输入变量的个数。 由模糊模型可设计出如下模糊神经网络的结构 第二层每个节点代表一个语言变量值。用于计算各输入分量属于各语言变量值模糊集合的隶属度函数 n是输入变量的维数，mi是xi的模糊分割数（规则数） 第三层的每个结点代表一条模糊规则，用于匹配模糊规则的前件，计算出每条规则的适用度 对于给定的输入，只有在输入点附近的那些语言变量 才有较大的隶属度值，远离输入点的语言变量值的隶 属度很小（可近似为0）或为0，因此只有少量结点输 出非0，这点类似于局部逼近网络 结点数与第三层相同，实现适用度的归一化计算 第五层是输出层，实现清晰化计算 3 学习算法 4、1 模糊系统的T-S模型 输出量为每条规则输出量的加权平均 适用度的归一化 4.2 模糊神经网络的结构 前件网络用来匹配模糊规则的前件 后件网络用来产生模糊规则的后件 各层功能与前面相同 后件网络由r个结构相同的并列子网络组成，每个子网络产生一个输出量 输入层，第0个结点的输入值是1，用于提供模糊规则后件中的常数项 每个结点代表一条规则，用于计算每条规则的后件 计算系统的输出 输出为 5.4.2 基于TS模型的模糊神经网络 基于T-S模型的模糊神经网络简化结构与前述结构完全相同，故可借用前面的结论 当给定一个输入时，前件网络的第三层的适用度中只有少量元素非0，其余大部分元素均为0，因而从x到a的映射与CMAC、RBF神经网络的输入层的非线性映射非常类似。所以该模糊神经网络也是局部逼近网络 模糊神经网络虽然也是局部逼近网络，但是它是按照模糊系统模型建议的，网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的定性的知识来加以确定，然后利用上述的学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比前面单纯的神经网络的优点所在。同时由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。 * * * * * * * 模拟输出情况，主要实现调节误差手段（如滤波）。由于模拟量输出时的转移函数为线性，故称为自适应线性单元ADALINE。