模糊神经和模糊聚类的MATLAB实现（精编版）

1、. . . . i / 45 邮电学院毕 业 设 计（论 文）题目：模糊神经和模糊聚类的matlab 实现院 （系）：自动化学院专业：智能科学与技术班级：智能 0701班学生：蔡#导师：王 x职称：副教授起止时间：2011年 01 月 10 日 至 2011 年 06 月 17 日. . . . ii / 45 . . . . i / 45 附件毕业设计（论文）诚信声明书本人声明：本人所提交的毕业论文 模糊神经和模糊聚类的matlab实现 是本人在指导教师指导下独立研究、写作的成果，论文中所引用他人的文献、数据、图件、资料均已明确标注；对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式

2、注明并表示感。本人完全清楚本声明的法律后果，申请学位论文和资料若有不实之处，本人愿承当相应的法律责任。论文作者签名：时间：年月日指导教师签名：时间：年月日西 安 邮 电 学 院毕业设计 (论文) 任务书学生蔡超超指导教师王辉职称副教授. . . . ii / 45 院 （系）自动化学院专业智能科学与技术题目模糊神经和模糊聚类的matlab 实现任务与要求神经网络和模糊系统的特性差异较大，但都属于无模型的估计器和非线性动力学系统。若能将两者适当地结合起来，吸取各自的长处，则可组成性能更优的综合系统。 本课题旨在代借助matlab 模糊逻辑工具箱所提供的有关模糊逻辑推理的高级应用，完成模糊神经和模

3、糊聚类的matlab 实现。此题目应完成以下工作：了解神经网络和模糊系统的基本概念、相关理论和主要应用。熟悉matlab 软件的使用方法与功用。借助 matlab 模糊逻辑工具箱的帮助，用神经网络实现模糊系统结构。最后完成毕业论文的撰写。开始日期2011 年 01 月 10完成日期2011 年 06 月 27院（系）主任( 签字) 2006 年月日西 安 邮 电 学 院毕 业 设 计 ( 论文) 工 作 计 划 2011 年 3 月 14 日. . . . iii / 45 学生_蔡超超 _ 指导教师 _ 王辉_职称_副教授_ 系别_ 自动化学院 _专业_ 智能科学 _ 题目_模糊神经和模糊聚

4、类的matlab实现_ 工作进程 _ 第 1 周-第 2 周查阅模糊神经和模糊聚类的相关资料，了解 matlab 软件与其功能。完成开题报告。第 3 周-第 6 周熟悉模糊神经网络理论，掌握并能熟练使用 matlab 模糊工具箱函数， 以与模糊聚类函数。给出初步方案。第 7 周-第 10 周设计并调试编程，分析其优点与不足。准备后期检查。第 11 周- 第 13 周后期总结，完成论文撰写。第 14 周准备答辩。主要参考书目 (资料) 1国勇 . 智能控制与其 matlab 实现. : 电子工业 , 2000主要参考书目 (资料 ) 起止时间工作内容. . . . iv / 45 用于计算、编程

5、、打印论文的计算机一台，并安装有相关软件。每周检查一次，并经常联系，进行答疑辅导。无邮电学院主要仪器设备与材料论文 (设计 )过程中教师的指导安排对计划的说明. . . . v / 45 毕业设计(论文)开题报告自动化学院（系）智能科学与技术专业 2007级01班课题名称：模糊神经和模糊聚类的matlab 实现学生：蔡超超学号：06074020指导教师：王辉报告日期：2006 年 03 月 28 日. . . . vi / 45 1. 本课题所涉与的问题与应用现状综述模糊逻辑能模拟人的智能， 即能模拟人脑思维的模糊性的特点，可以模仿人的推理来处理常规数学方法难以解决的模糊信息处理问题，使得计算

6、机的应用扩展到更多领域。 当将人类求解问题的思维逻辑加以形式化，并将不能表达思维过程中模糊概念的二值逻辑拓展到模糊逻辑时，基于模糊推理的智能模拟就成为智能信息处理技术中主要的方法，即模糊识别与模糊控制。神经网络技术将人脑神经系统结构和功能作为模拟对象，把人的智能归结为脑的高层神经网络活动的结果，认为智能活动是大量简单的神经细胞通过复杂的相互连接形成网络后并行运行的结果，使其更接近人脑的自组织、自学习和感知功能。模糊的长处在于逻辑推理，而神经网络的长处在于其自学习功能， 二者结合既能弥补各自不足， 又能发挥各自的长处，使其应用更加广泛。. . . . vii / 45 2本课题需要重点研究的关键

7、问题、解决的思路与实现预期目标的可行性分析本课题需要重点研究的关键问题是理解锁相环检测的原理, 锁相环对输入信号和反馈信号是如何比较而得出锁相环锁定的, 最终完成 2.5g hz pll 锁定检测电路的正向设计方案 , 在此基础上对反向提取的全定制电路进行分析整理，通过重新设计使其在 smic 0.18cmos 模型下通过晶体管级仿真。在研究该问题之前要通过阅读有关pll 的书籍和 cmos 集成电路的设计方法。对锁相环的工作原理有一个清晰的认识。对锁相环的结构要深入到部的每一个晶体管。必须具备模拟电路设计的基本知识，认真复习模拟电路的基本知识，掌握模拟cmos集成电路设计方法与其基本原理。对

8、pll锁相环结构的认识，要从pll应该分为几大模块，每个模块的功能是什么，每一个模块的部结构是怎样构成的，由几个晶体管构成，都要弄清楚，并提交锁相环工作原理分析报告。最后再进行正向设计方案得制定,以与进行后续的工作 . 虽然本课题是要设计一个高速的锁相环检测电路, 有一定的困难 , 但从理论分析上看, 达到本课题的要完全可能的, 随着 vlsi 技术的发展 , 模拟 ic 的设计技术有了巨大的提高 , 模拟 ic 的速度可以比数字ic 的速度提高很多倍 , 尤其是集成电路朝着深亚微米工艺的发展 , 集成电路的速度完全可以达到本课题所要完成的2.5g hz 。从使用的工具上看 , 完成本课题也是

9、可以的 , 再完成本课题的过程中使用了hspice仿真工具和candnce等 eda仿真工具 , sun 工作站 , unix 操作系统 . 这些工具和软件的使用 , 完全可以满足高速 pll设计的要求。. . . . viii / 45 3. 完成本课题的工作方案完成本课题要认真复习模拟电路的基本知识，掌握模拟cmos 集成电路设计方法与其基本原理。并对pll 锁相环的结构有一个清晰的认识. 要学习晶体管级电路的设计方法，学习 hspice仿真工具的使用和candnce等 eda仿真工具的使用， sun工作站的使用方法，学习unix操作系统的基本操作。熟练掌握matlab 的使用 , 为此制

10、定完成本课题的工作方案如下：第一周 : 完成知识储备，认真复习模拟cmos 集成电路设计方法与其基本理；第二周 : 掌握 pll 的工作原理，学习unix操作系统的基本操作，提交毕业设计开题报告 , 提交锁定检测工作原理分析报告；第三周 : 学习 hspice 仿真工具的使用和candnce等 eda 仿真工具的使用；第四周 : 完成 2.5g hz pll 锁定检测电路的正向设计方案，提供2.5g hz pll锁定检测电路的正向设计方案报告；第五周 : 对反向提取的全定制电路进行分析整理；第六周 : 继续对反向提取的全定制电路进行分析整理；第七周 : 提供分析整理报告，并进行中期检查；第八周

11、 : 通过重新设计使其在smic 0.18cmos 模型下通过晶体管级仿真；第九周 : 提供 smic 0.18cmos 模型下通过晶体管级仿真报告；第十周 : 提供 2.5ghz pll锁定检测电路晶体管级仿真报告，并提供报告；第十一周 : 用 verilog硬件描述语言编写检测电路原代码，并进行后期检查；第十二周 : 毕业设计论文；第十三周 : 完成毕业设计论文；第十四周 : 完成毕业设计答辩；4指导教师审阅意见廖建军同学通过收集和阅读文献资料， 了解了 2.5gpll锁定检测线路分析实现课题的任务要求研究现状，认识到了课题中的关键技术问题, 提出了解决思路，方案可行 ,计划合理。指导教师

12、 (签字)：林 2006 年 03 月 15 日说明：本报告必须由承当毕业论文( 设计)课题任务的学生在毕业论文( 设计) 正式开始的第 1 周周五之前独立撰写完成，并交指导教师审阅。. . . . ix / 45 邮电学院毕业设计 ( 论文)成绩评定表学生蔡超超性别男学号06074020 专业班级智能 0701班课题名称模糊神经和模糊聚类的matlab实现课 题类 型理论研究难度一般毕 业 设 计 （ 论文 ） 时 间2011 年 1 月 10 日6 月 17 日指 导 教 师王辉 (职称：副教授 )课 题 任 务完 成 情 况论 文( 千字 ) ；设计、计算说 明书( 千字 ) ；图纸()

13、 ；其它( 含 附 件)：指导教师意见分项得分：开题调研论证分；课题质量（论文容）分；创新分；论文撰写（规）分；学习态度分； 外文翻译分指导教师审阅成绩：指导教师(签字 )：年月日评阅教师意见分项得分：选题分；开题调研论证分； 课题质量（论文容）分；创新分；论文撰写（规）分；外文翻译分评阅成绩：评阅教师(签字 )：年月日验收小组意见分项得分：准备情况分；毕业设计（论文）质量分；（操作）回答以下问题分验收成绩：验收教师(组长 )(签字 )：年月日. . . . x / 45 答辩小组意见分项得分：准备情况分；述情况分； 回答以下问题分； 仪表分答辩成绩：答辩小组组长(签字 )：年月日成绩计算方法

14、(填写本院系实用比例)指导教师成绩 20() 评阅成绩 30 () 验收成绩 30 () 答辩成绩 20 ( )学生实得成绩(百分制)指导教师成绩 92 评阅成绩 90 验收成绩 92 答辩成绩 90 总评 91 答辩委员会意见毕业论文 (设计 )总评成绩 (等级 )：院（系） 答辩委员会主任(签字 )：院（系） 签章 ) 年月日. . . . xi / 45 备注邮电学院毕业论文( 设计 ) 成绩评定表 ( 续表 ). . . . 84 / 45 目 录1 引言. . 89 2 神经网络与模糊系统理论基础. 90 2.1 神经网络理论基础 . 90 2.1.1 人工神经网络简介 . 90 2

15、.1.2 人工神经网络发展历史 . 90 2.1.2 人工神经元模型 . 91 22 误差逆传播算法 . . 错误! 未定义书签。2.1 模糊系统理论基础 . . 97 3.2.3 接口时序. . 错误! 未定义书签。3.3 顶层设计方案 . . 错误! 未定义书签。3.3.1 模块划分. . 错误! 未定义书签。3.3.2 clka计数器模块 . 错误! 未定义书签。3.3.3 clkb计数器模块 . 错误! 未定义书签。a 功能. 错误! 未定义书签。b 接口说明. . 错误! 未定义书签。c 时序说明. . 错误! 未定义书签。3.3.4 同或比较模块 . 错误! 未定义书签。a 功能.

16、 错误! 未定义书签。b 接口说明. . 错误! 未定义书签。c 时序说明. . 错误! 未定义书签。3.4 验证与测试 . 错误! 未定义书签。4 2.5g hz pll 锁定检测电路反向提取分析 . 错误! 未定义书签。4.1 锁定检测电路外部引脚 . . 错误! 未定义书签。4.1.1 锁定检测电路图 . 错误! 未定义书签。4.1.2 输入引脚. . 错误! 未定义书签。4.1.3 输出引脚. . 错误! 未定义书签。4.2 锁定检测电路部结构 . . 错误! 未定义书签。4.2.1 触发器. . 错误! 未定义书签。4.2.2 异或门. . 错误! 未定义书签。4.2.3 反向器.

17、. 错误! 未定义书签。4.2.4 与非门. . 错误! 未定义书签。4.2.5 或非门. . 错误! 未定义书签。. . . . 85 / 45 4.3 锁定检测电路的实现 . . 错误! 未定义书签。4.3.1 计数器. . 错误! 未定义书签。4.3.2 比较模块. . 错误! 未定义书签。4.3.3 控制模块. . 错误! 未定义书签。4.4 反向提取的锁定检测电路图. . 错误! 未定义书签。5 2.5ghz pll 锁定检测电路 smic0.18工艺下重新设计 错误! 未定义书签。5.1 反相器设计 . 错误! 未定义书签。5.2 d触发器设计 . 错误! 未定义书签。5.2.1

18、传输门设计. . 错误! 未定义书签。5.2.2 与非门的设计 . 错误! 未定义书签。5.3 计数器设计 . 错误! 未定义书签。5.4 十八输入或非门设计 . . 错误! 未定义书签。5.4.1 十八输入或非门的特点 . 错误! 未定义书签。5.4.2 十八输入或非门设计的困难 . 错误! 未定义书签。5.4.3 十八输入或非门的重新设计 . 错误! 未定义书签。5.5 与非门设计 . 错误! 未定义书签。5.6 时钟设计 . 错误! 未定义书签。5.7 锁定检测电路设计小结 . . 错误! 未定义书签。6 2.5g hz pll 锁定检测电路 hspice 下晶体管级仿真 错误! 未定义

19、书签。6.1 触发器模块仿真测试 . . 错误! 未定义书签。6.2 异或门仿真测试 . . 错误! 未定义书签。6.3 十八输入或非门仿真测试. . 错误! 未定义书签。6.4 与非门仿真测试 . . 错误! 未定义书签。6.5 锁定检测电路整体仿真测试. . 错误! 未定义书签。7 2.5g hz pll 锁定检测电路 veriloghdl 语言描述 错误! 未定义书签。7.1 基本模块的描述 . . 错误! 未定义书签。7.1.1 d 触发器描述 . 错误! 未定义书签。7.1.2 计数器描述. . 错误! 未定义书签。7.1.3 十八输入或非门描述 . 错误! 未定义书签。7.1.4

20、两输入与非门描述 . 错误! 未定义书签。7.1.5 三输入与非门描述 . 错误! 未定义书签。7.1.6 四输入与非门描述 . 错误! 未定义书签。7.2 锁定检测电路的整体描述. . 错误! 未定义书签。7.2.1 整体电路描述 . 错误! 未定义书签。. . . . 86 / 45 7.2.2 锁定检测电路 veriloghdl 下仿真时序 . 错误! 未定义书签。8 结论. . 114 致 . . 114 4 贵灿. 模拟 cmos 集成电路设计 . 交通大学 .2001,432-470 . . 115 1d触发器描述 . 错误! 未定义书签。2 计数器描述 . 错误! 未定义书签。3

21、 十八输入或非门描述. 错误! 未定义书签。5 三输入与非门描述. 错误! 未定义书签。6 四输入与非门描述. 错误! 未定义书签。7 17 输入 17 输出对应位异或门描述 . 错误! 未定义书签。8 锁定检测电路的整体描述. 错误! 未定义书签。. . . . 87 / 45 摘要神经网络和模糊系统均属于无模型的估计器和非线性动力学系统，也是一种处理不确定性、 非线性的有力工具。 但两者之间的特性却存在很大的差异。模糊系统中知识的抽取和表达比较方便， 它比较适合于表达那些模糊或定性的知识，但是缺乏自学习和自适应能力。而神经网络则可直接从样本中进行有效的学习，它具有并行计算、并行式信息存储、

22、容错能力强以与具备自适应学习功能等一系列优点。但一般来说，神经网络不适于表达基于规则的知识。 总的来说，神经网络适合于处理非结构化信息，而模糊系统对处理结构化的知识更为有效。所以，若能将模糊逻辑与神经网络适当地结合起来，吸取两者的长处，则可组成比单独的神经网络系统或单独的模糊系统性能更好的系统。本课题首要介绍了神经网络和模糊神经网络的基本理论、算法模型、网络结构和程序实现方法， 然后阐述了利用 matlab 实现模糊神经网络的基本思想。关键词：神经网络模糊系统 模糊神经网络 matlab模糊逻辑工具箱. . . . 88 / 45 abstractneural network and fuzz

23、y system all belong to without-model estimator and nonlinear dynamic system, who is also a kind of deal with uncertainty, nonlinear of emollient tool. but the characteristics between them have great difference. fuzzy system knowledge abstraction and expression is more convenient and it is suitable f

24、or express those fuzzy or qualitative knowledge, but lack of self-learning and adaptive ability. and neural network can be directly from the samples for effective learning, it has a parallel computing, parallel type information storage, fault tolerant ability and have adaptive learning function and

25、so on a series of advantages. but generally speaking, the neural network based on rule not suitable for the expression of knowledge. overall, neural network suited to handle unstructured information, and fuzzy system to process structured knowledge more effectively. so, if combined fuzzy logic and n

26、eural network appropriately, absorb both advantages, it can form the neural network system than single fuzzy system performance or separate better system. this topic first introduced the nerve network and fuzzy neural network model of the basic theory, algorithm, network structure and program implem

27、entation method using matlab, this paper expounds the basic idea of fuzzy neural network. key words:neural network ，fuzzy system ，fuzzy neural network，matlab fuzzy logic toolbox . . . . 89 / 45 1 引言模糊神经网络技术是近年来智能控制和智能自动化的热点，它是近十年来伴随着神经网络研究热潮的兴起而发展起来的崭新技术和理论，目前已获得颇为广泛的应用。所谓模糊神经网络就是可进行模糊信息处理的神经网络，他们通常

28、是一类有大量模糊的或非模糊的神经元相互关联构成的网络系统。神经网络是人脑工作过程中部分功能的某些抽象、简化和模拟，使之具有学习、记忆、计算和智能处理工程。通过样本学习获取知识，能够自身适应环境变化更新知识，发展知识，实时处理动态多变，无明确数学模型的非结构性复杂问题。在语音识别、 模式识别、 图像处理和工业控制等领域的应用颇有成效。 将模糊系统和神经网络进行有机的结合，可以有效的发挥自己的长处并弥补其不足。 模糊神经网络还具有一些特殊性质：由于采用了模糊数学中的计算方法， 使一些处理单元的计算变得较为简便；使信息处理的速度加快； 容错能力得到加强。 最主要的是模糊神经网络扩大了系统处理信息的围

29、，使系统可同时处理确定性信息和非确定性信息。当前模糊神经网络的研究主要集中在：模糊神经网络的学习算法，fnn 结构与确定，模糊规则的提取与细化，模糊神经网络在自适应控制、预测控制中的应用等。虽然模糊神经网络得到了突飞猛进的发展，但目前还存在很多问题： 一是多变量，复杂控制系统中，很难确定网络的结构和规则点的组合“爆炸”问题；二是传统的bp学习方法易陷入局部极小值，并且学习速度较慢。发展方向主要集中于： 一是模糊逻辑和神经网络的对应关系，将模糊控制器的调整转化为等价的神经元网络学习，利用等价的模糊逻辑来初始化神经元网络；二是寻找一般模糊集的神经网络的学习算法。本课题基于模糊神经和模糊聚类的结合，

30、利用matlab 工具来实现，并以水质预测的例子来详细说明。. . . . 90 / 45 2 神经网络与模糊系统理论基础2.1 神经网络理论基础2.1.1 人工神经网络简介人工神经网络是一种模拟人脑结构与其功能的非线性动力系统，具有自组织、自适应、自学习和较强的鲁棒性与容错性等显著特点，对模糊信息或复杂的非线性关系能很好地进行识别与处理。bp 神经网络（ back-propagation neutral network）是目前应用最广泛的网络模型之一，在水文预测预报等方面都有应用。bp 神经网络是指基于误差反向传播算法的多层前向神经网络，一般由输入层、 输出层和隐含层构成。利用神经网络预测时

31、， 首先用训练样本建立映射关系，然后用检测样本检验网络能否给出正确的输入 -输出的关系。如果网络模型在训练数据上表现很好，在预测数据上表现不佳，则称为过拟合；反之，则称网络具有很好的泛化能力。良好的泛化能力使神经网络预测模型具有较高的实用价值。神经网络的应用，已渗透到各个领域，并取得了令人瞩目的成果。 神经网络理论也已成为涉与多学科的新兴的、综合的、前沿的学科。2.1.2 人工神经网络发展历史1943 年，心理学家w mcculloch 和数理逻辑学家w pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今， 并且直接影响着这一领域研究的进展。. . . . 9

32、1 / 45 1945 年诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。 1948 年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。 50 年代末， frosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。另外，在 60 年代初期， widrow提出了自适应线性元件网络。后来，在此基础上发展了非线性多层自适应网络，而它实际上就是一种人工神经网络模型。80 年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化。

33、一大批学者和研究人员围绕着 hopfield提出的方法展开了进一步的工作，形成了 80 年代中期以来人工神经网络的研究热潮。2.1.3 生物神经元模型人脑是由大量的神经细胞组合而成的，它们之间相互连接。 每个神经细胞 （也称神经元）具体如图1.1 所示的结构。图 1.1 生物神经元模型由图看出，脑神经元由细胞体、树突和轴突构成。细胞体是神经元的中心，它一般又由细胞核、细胞膜等构成。树突是神经元的主要承受器， 它主要用来承受信息。 轴突的作用主要是传导信息，它将信息从轴突的起点传到轴突末梢，轴突末梢与另一个神经元的树突或细胞体构成一种突触的机构。通过突触实现神经元之间的信息传递。2.1.4 人工

34、神经元模型. . . . 92 / 45 人工神经网络是利用物理器件来模拟生物神经网络的某些结构和功能。图1.2是最典型的人工神经元模型。图 1.2 人工神经元模型这个模型是 1943 年心理学家 mcculloch 和科学家 w.pitts在分析总结神经元基本特性的基础上首先提出的m-p模型，它是大多数神经网络模型的基础。jiw- 代表神经元 i 与神经元 j 之间的连接强度 ( 模拟生物神经元之间突触连接强度) ，称之为连接权 ; iu- 代表神经元 i 的活跃值，即神经元状态；iv- 代表神经元 j 的输出，即是神经元i 的一个输入；i- 代表神经元的阐值。函数 f 表达了神经元的输入输

35、出特性。在m-p模型中， f 定义为阶跳函数 : 01,()00,iiiiuv f uu人工神经网络是一个并行与分布式的信息处理网络结构，该网络结构一般由许多个神经元组成， 每个神经元由一个单一的输出，它可以连接到许多其他的神经元，其输出有多个连接通路，每个连接通路对应一个连接权系数。严格来说，神经网络是一个具有如下性质的有向图。（1） 对于每个结点有一个状态变量jx；（2） 结点 i 到结点 j 有一个连接权系数jiw；. . . . 93 / 45 （3） 对于每个结点有一个阈值j；（4） 对于每个结点定义一个变换函数,()iijijfx wij，最常见的情形为()jiijifw x。图

36、1.3 表示了两个典型的神经网络结构，做为前馈网络，右为反馈网络。图 1.3 典型的神经元网络结构2.1.5 bp神经网络人工神经网络是一种信息处理系统，它有很多种模型。 其中有一种用误差传播学习算法（ error back propagation即 bp算法）进行训练的多层前馈神经网络，简称为 bp网络。bp神经网络模型是人工神经网络的重要模型之一。它有广泛的应用，主要包括模式识别与分类、故障智能诊断、图像处理、函数拟合、最优预测等方面的应用。a. bp 神经网络特点：l) 分布式的信息存储方式神经网络是以各个处理器本身的状态和它们之间的连接形式存储信息的，一个信息不是存储在一个地方， 而是

37、按容分布在整个网络上。 网络上某一处不是只存储一个外部信息，而是存储了多个信息的部分容。 整个网络对多个信息加工后才存储到网络各处，因此，它是一种分布式存储方式。2) 大规模并行处理bp 神经网络信息的存储与处理( 计算) 是合二为一的，即信息的存储表达在神经元互连的分布上， 并以大规模并行分布方式处理为主，比串行离散符号处理的现代数字计算机优越。3) 自学习和自适应性. . . . 94 / 45 bp 神经网络各层直接的连接权值具有一定的可调性，网络可以通过训练和学习来确定网络的权值，呈现出很强的对环境的自适应和对外界事物的自学习能力。4) 较强的鲁棒性和容错性bp 神经网络分布式的信息存

38、储方式，使其具有较强的容错性和联想记忆功能，这样如果某一部分的信息丢失或损坏，网络仍能恢复出原来完整的信息，系统仍能运行。b. bp 神经网络介绍bp 网络是一种单向传播的多层前馈网络，它包含输人层、隐含层和输出层，如图 2.1 所示，是目前应用较多的一种模型。 该算法在层次型网络结构上采用误差逆传播学习方式，学习过程由正向传播和误差逆传播组成。图 2.1 bp 网络示意图bp网络的结构如图 1 所示，算法的主要思想是把学习过程分为两个阶段: 第一阶段是正向传播过程， 输入信息从输入层经隐层逐层计算各单元的实际输出值，每一层神经元的状态只对下一层神经元的状态产生影响; 第二阶段是反向传播过程，

39、若在输出层未能得到期望的输出值， 则逐层递归计算实际输出与期望输出之间的差值，根据此误差修正前一层权值使误差信号趋向最小。它通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差变化而逐渐逼近目标。每一次权值和误差的变化都与网络误差的影响成正比。. . . . 95 / 45 假设神经网络每层有n个节点，若某一层节点j 与上层节点 i 之间权值为 wij ，节点的输入总和计为netj 、输出计为oj ，转移函数取非线性的sigmoid 型函数1( )()xf xh e，对于节点 j ，其输入值为其前一层各单元加权和jijjinetw ob，输出值为()jjof met. 定义误差函数

40、21()2iieyy式中iy为输出期望值，jy为输出实际值。 bp算法采用梯度法调整权值，每次调整的量ijijeww、式中 0input,加入新的输入 input, 如以下图所示。选择 input( 选中为红框 ), 在界面右边文字输入处键入相应的输入名称，例如, 温. . . . 103 / 45 度输入用 tmp-input, 磁能输入用 mag-input ，等。（2）. 隶属度函数编辑器 (mfedit) 该编辑器提供一个友好的人机图形交互环境，用来设计和修改模糊推理系中各语言变量对应的隶属度函数的相关参数，如隶属度函数的形状、围、论域大小等，系统提供的隶属度函数有三角、梯形、高斯形、

41、钟形等，也可用户自行定义。双击所选 input ，弹出一新界面，在左下range处和 display range处, 填入取只围，例如 0 至 9 （代表 0 至 90） 。在右边文字文字输入name 处，填写隶属函数的名称，例如lt或 lt(代表低温 ) 。在 type 处选择 trimf(意为：三角形隶属函数曲线， triangle member function),当然也可选其它形状。在 params(参数) 处，选择三角形涵盖的区间， 填写三个值， 分别为三角形底边的左端点、中点和右端点在横坐标上的值。这些值由设计者确定。见以下图。. . . . 104 / 45 用类似的方法设置输出

42、output 的参数。注意：我们共有9 个规则，所以相应地有 9 个输出隶属函数。 默认 3 个隶属函数， 剩下 6 个由设计者加入。 点击 edit 菜单，选 add custom ms-继续填入相应参数即可，见以下图。2.2.5 matlab模糊逻辑工具箱函数1） gui 工具anfisedit 打开 anfis编辑器 gui fuzzy 调用基本 fis 编辑器mfedit 隶属度函数编辑器ruleedit 规则编辑器和语法解析器ruleview 规则观察器和模糊推理方框图surfview 输出曲面观察器2） 隶属度函数dsigmf 两个 sigmoid 型隶属度函数之差组成的隶属度函数

43、. . . . 105 / 45 gauss2mf 建立两边型高斯隶属度函数gaussmf 建立高斯曲线隶属度函数gbellmf 建立一般钟型隶属度函数pimf 建立型隶属度函数psigmf 通过两个 sigmoid 型隶属度函数的乘积构造隶属度函数smf 建立 s-型隶属度函数sigmf 建立 sigmoid 型隶属度函数trapmf 建立梯形隶属度函数trimf 建立三角形隶属度函数zmf 建立 z-型隶属度函数3） fis 数据结构管理addmf 向模糊推理系统（ fis）的语言变量添加隶属度函数addrule 向模糊推理系统（ fis）的语言变量添加规则addvar 向模糊推理系统（

44、fis）添加语言变量defuzz 对隶属度函数进行反模糊化evalfis 完成模糊推理计算evalmf 通过隶属度函数计算gensurf 生成一个 fis 输出曲面getfis 得到模糊系统的属性mf2mf 在两个隶属度函数之间转换参数newfis 创建新的 fis parsrule 解析模糊规则plotfis 绘制一个 fis plotmf 绘制给定语言变量的所有隶属度函数的曲线readfis 从磁盘装入一个 fis rmmf 从 fis 中删除某一语言变量的某一隶属度函数rmvar 从 fis 中删除某一语言变量setfis 设置模糊系统的属性showfis 以分行的形式显示fis 结构的

45、所有属性showrule 显示 fis 的规则. . . . 106 / 45 3 模糊神经网络自适应与模糊信模糊神经网络(fuzzy network-fnn) 就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、息处理于一体。3.1 模糊神经网络概述模糊系统与神经网络结合的可能性kosko证明了一个加性模糊系统能以任意的精度逼近一个紧致域上的任意连续函数。l i - xinwang利用stone-weirstrass定理证明了模糊系统实际上是一个万能逼近器, 它说明存在一个高斯型模糊系统, 能在任意精度上逼近任意给定的函数, 多层前馈神经网络能够很好的任

46、意逼近一连续函数。因此, 从数学角度看神经网络与模糊系统有着某种天然的相似性。模糊控制技术和神经网络技术同属于人工智能技术各自具有对方恰恰不具备的优缺点, 具有互补性。模糊技术的特长在于逻辑推理能力, 可以模拟人类判断和决策的能力, 但模糊技术不具备学习功能。人工神经网络恰恰相反, 它具备非线性映射能力、学习能力、并行处理能力和容错能力 , 而对处理和描述模糊信息无能为力。因此, 将模糊技术引入神经网络,可以大大拓宽神经网络处理信息的围和能力。3.1.1 基本概念、模型和种类模糊神经元是指一类可实施模糊信息或模糊逻辑运算的人工神经元, 模糊神经网络是指全部或部分采用各类模糊神经元所构成的一类可

47、处理模糊信息的神经网络系统。下面介绍几种常见的基本模糊神经元。第一类由模糊规则描述的模糊神经元: 用if ? then ? 语句描述。前提和结论都是模糊集。第二类模糊神经经元, 它的输入由隶属函数的运算确定, 模糊神经元的描述可以不用if ? then 语句来描述。第三类具有模糊输入的模糊神经元, 其输入和输出都是模糊集, 但输入模糊集被修正成另一种模糊集。通常所说的模糊神经网络有两种: 一种是将模糊化概念和模糊推理引入神经元的. . . . 107 / 45 模糊神经网络 , 而另一种是基于神经网络的模糊系统。3.1.2 模糊神经网络的研究现状当前模糊神经网络的研究主要集中在: 模糊神经网络

48、的学习算法, fnn 结构与确定, 模糊规则的提取与细化 , 模糊神经网络在自适应控制、预测控制中的应用等。模糊系统和神经网络均可视为智能信息处理领域的一个分支，有各自的基本特性和应用围。 如前所述，它们在对信息的加工处理过程中均表现出很强的容错能力。模糊系统是仿效人的模糊逻辑思维方法设计的一类系统，这一方法本身就明确地说明了系统在工作过程中所表现出的容错性来自于其网络自身的结构特点。而神经网络模拟人脑形象思维方法， 人靠形象思维能很快发现火灾，表现出很强的容错能力。 正是源于这两个方面的综合思维方法上的模糊性以与大脑本身的结构特点，模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神

49、经网络的强大自学习能力于一体的新技术， 它是模糊逻辑推理与神经网络有机结合的产物。一般来讲，模糊神经网络主要是指利用神经网络结构来实现模糊逻辑推理，从而使传统神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义。神经网络和模糊系统都属于一种数值化的和非数学模型的函数估计器和动力学系统。它们都能以一种不精确的方式处理不精确的信息。与传统的统计学方法不同，它们不需要给出表征输入与输出关系的数学模型表达式；它们也不像人工智能（ai）那样仅能进行基于命题和谓词运算的符号处理，而难以进行数值计算与分析， 且不易于硬件的实现。 神经网络和模糊系统由样本数据（数值的，有时也可以是用语言表述的）

50、 ，即过去的经验来估计函数关系，即激励与响应的关系或输入与输出的关系。它们能够用定理和有效的数值算法进行分析与计算，并且很容易用数字的或模拟的vlsi 实现。虽然模糊系统和神经网络都用于处理模糊信息，并且存在着许多方面的共性，但其各自特点、 适用围以与具体做法还是有不小的差别。而神经网络和模糊系统的结合则能构成一个带有人类感觉和认知成分的自适应系统。神经网络直接镶嵌在一个全部模糊的结构之中，因而它能够向训练数据学习，从而产生、修正并高度概括输入/ 输出之间的模糊规则。 而当难以获得足够的结构化知识时，系统还可以利用神经网络自适应产生和精练这些规则， 而后根据输入模糊集合的几何分布与由过去经验产

51、生的那些模糊规则，便可以得到由此进行推理得出的结论。目前神经元网络与模糊技术的融合方式大致有以下四种(如图 811 所示) ：a) 神经元模型和模糊模型的连结：该模型是模糊控制和神经元网络二个系统相. . . . 108 / 45 分离的形式结合，实现信息处理。b) 神经元模型为主、模糊模型为辅：该模型以神经网络为主体，将输入空间分割成若干不同形式的模糊推论组合，对系统先进行模糊逻辑判断， 以模糊控制器输出作为神经元网络的输入。后者具有自学习的智能控制特性。 c) 模糊模型为主、神经元模型为辅：该模型以模糊控制为主体，应用神经元网络，实现模糊控制的决策过程，以模糊控制方法为“样本”，对神经网络

52、进行离线训练学习。 “样本”就是学习的“教师” 。当所有样本学习完以后，这个神经元网络就是一个聪明、灵活的模糊规则表，具有自学习、自适应功能。 d) 神经元模型与模糊模型完全融合：该模型二个系统密切结合， 不能分离。 根据输入量的不同性质分别由神经网络与模糊控制并行直接处理输入信息，直接作用于控制对象，从而更能发挥各自的控制特点。模糊理论和神经网络技术是近年来人工智能研究较为活跃的两个领域。人工神经网络是模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少， 精度较高，对专家知识的利用也较少。 但缺点是它不能处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习与问题的求解具有黑

53、箱特性，其工作不具有可解释性，同时它对样本的要求较高; 模糊系统相对于神经网络而言，具有推理过程容易理解、专家知识利用较好、 对样本的要求较低等优点， 但它同时又存在人工干预多、推理速度慢、精度较低等缺点， 很难实现自适应学习的功能，而且如何自动生成和调整隶属度函数和模糊规则， 也是一个棘手的问题。 如果将二者有机地结合起来，可以起到互补的效果。模糊神经网络就是具有模糊权系数或者输入信号是模糊量的神经网络。上面三种形式的模糊神经网络中所执行的运算方法不同。模糊神经网络无论作为逼近器， 还是模式存储器，都是需要学习和优化权系数的。学习算法是模糊神经网络优化权系数的关键。对于逻辑模糊神经网络， 可

54、采用基于误差的学习算法，也即是监视学习算法。对于算术模糊神经网络，则有模糊bp算法，遗传算法等。对于混合模糊神经网络，目前尚未有合理的算法；不过，混合模糊神经网络一般是用于计算而不是用于学习的，它不必一定学习。模糊神经网络可用于模糊回归、模糊控制器、模糊专家系统、模糊谱系分析、模糊矩阵方程、通用逼近器。. . . . 109 / 45 3.2 模糊神经网络实现3.2.1 模糊神经网络的结构模糊神经网络的结构如下图，第一层是输入层，起着将输入值传送到下一层的作用，该层的节点数为 n；第二层是隶属函数层， 在此层过隶属函数计算各输入分量属于各语言变量值模糊集合的隶属度，每个节点代表一个语言变量值；

55、第三层为匹配模糊规则，计算每条规则的适用度。这里的节点数为m ，第三层与第四层全连接；第四层把第三层的数据进行归一化处理! 节点数也为 m 。第五层是输出层，把上一层的数据通过系数加权得到输出的数据，然后通过隶属函数来判断输出量属于哪一个模糊语言变量。对于输入数据，我们取隶属函数为钟形函数，即为正态分布的函数：其中 i=1,2 ， 、 、 、 ，n，n 是输入量的维数， j=1,2 ，m ，m是模糊类得分割数， xij和ij分别表示隶属函数的中心和宽度。即在第二层中将输入分量转化为各个语言变量值（大、中、小等） 。1 层为输入层，将 x=x1,x2,.xnt传送下一层。2 层为计算各输入分量属于各模糊集合的隶属函数ij 。3 层得每个节点代表一条模糊规则，计算出每条规则的适用度，这里选择的是. . . . 110 / 45 取小运算：4 层实现的是归一化计算，