模糊神经网络控制与自适应神经网络.pptxVIP

模糊神经网络控制与自适应神经网络第1页/共47页 2/477.1.1 神经网络与模糊控制系统7.1.2 模糊神经网络的学习算法7.1 模糊神经网络控制第2页/共47页 3/47模糊神经网络理论的出发点模糊控制系统的隶属度函数或控制规则的设计方法存在很大的主观性。利用神经网络的学习功能来优化模糊控制规则和相应的隶属度函数、将一些专家知识预先分布到神经网络中去是提出模糊神经网络理论的两个基本出发点。 第3页/共47页 4/47模糊神经网络结构图 第4页/共47页 5/47结构说明第一层节点为输入节点，用来表示语言变量；输出层的每个输出变量有两个语言节点，一个用于训练时期望输出信号的馈入，另一个表示模糊神经网络推理控制的输出信号节点; 第二层和第四层的节点称为项节点，用来表示相应语言变量语言值的隶属度函数。 第三层节点称为规则节点，用来实现模糊逻辑推理。其中第三、四层节点间的连接系数定义规则节点的结论部、第二、三层节点间的连接系数定义规则节点的条件部。第5页/共47页 6/47第一层这一层的节点只是将输入变量值直接传送到下一层。所以，且输入变量与第一层节点之间的连接系数wji(1)=1。 第6页/共47页 7/47第二层 实现语言值的隶属度函数变换 ，可选取钟型函数 其中： mji和σji分别表示第i个输入语言变量Xi的第j个语言值隶属度函数的中心值和宽度。可抽象看作第一、二层神经元节点之间的连接系数wji(2) 。第7页/共47页 8/47第三层 完成模糊逻辑推理条件部的匹配工作 。由最大、最小推理规则可知，规则节点实现的功能是模糊“与”运算。 fj(3)=min(u1(3),u2(3),...,up(3)), aj(3)=fj(3) 且第二层节点与第三层节点之间的连接系数wji(3)=1 第8页/共47页 9/47第四层 有两种模式从上到下的传输模式 时，与第二层相同，实现模糊化的功能。从下到上的传输模式中，实现的是模糊逻辑推理运算。根据最大、最小推理规则，是模糊“或”运算： fj(4)=max(u1(4),u2(4),...,up(4)), aj(4)=fj(4) 且第三、四层节点之间的连接系数wji(4)=1第9页/共47页 10/47第五层 有两种模式从上到下的信号传输方式 ，同第一层。从下到上是精确化计算，如果采用重心法，有 则第四层节点与第五层节点之间的连接系数wji(5)可以看作是mji(5)·σji(5)。 第10页/共47页 11/477.1.1 神经网络与模糊控制系统7.1.2 模糊神经网络的学习算法7.1 模糊神经网络控制第11页/共47页 12/47混合学习算法第一阶段，使用自组织学习方法进行各语言变量语言值隶属度函数的初步定位以及尽量发掘模糊控制规则的存在性（即可以通过自组织学习删除部分不可能出现的规则）在第二阶段，利用有导学习方法来改进和优化期望输出的各语言值隶属度函数。 第12页/共47页 13/471. 自组织学习阶段问题描述：给定一组输入样本数据xi(t),i=1,2,...,n、期望的输出值yi(t),i=1,2,...,m、模糊分区｜T(x)｜和 ｜T(y)｜以及期望的隶属度函数类型（即三角型、钟型等）。学习的目的是找到隶属度函数的参数和系统实际存在的模糊逻辑控制规则。 第13页/共47页 14/47隶属度函数参数的获取中心值mi的估计 ：Kohonen自组织映射法宽度值σi是与重叠参数r以及中心点mi邻域内分布函数值相关。 第14页/共47页 15/47Kohonen自组织映射法一种自组织学习。经过一段时间的学习后，其权值的分布可以近似地看作输入随机样本的概率密度分布。学习过程是一个Winner-take-all的过程，具体如下： mcloest(t+1)= mcloest(t) +α(t)[x(t)-mcloest(t)] mi(t+1)=mi(t) 当 mi(t)≠mcloest(t) k=｜T(x)｜ 表示语言变量x语言值的数目 第15页/共47页 16/47宽度σi的计算 通过求下列目标函数的极小值来获取，即：其中 r为重叠参数 。也可以采用一阶最近邻域法近似： 第16页/共47页 17/47推理规则的确定即确定第三层规则节点和第四层输出语言值节点之间的连接关系。 采用竞争学习获得记o(3)i(t)为规则节点的激励强度、 o(4)i(t)为第四层输出语言值节点输出 ，则 第17页/共47页 18/47规则删除仅保留规则节点与同一输出语言变量的所有语言值节点的连接系数最大的那个连接关系，将其余的连接关系删除。当某一规则节点与某一输出语言变量所有语言值节点之间的连接系数都非常小时，则所有的连接关系都可以删除。如果某一规则