模糊神经网络

概述从知识表示方式来看含糊系统能够表示人经验性知识，便于了解，而神经网络只能描述大量数据之间复杂函数关系，难于了解从知识存放方式来看含糊系统将知识存在规则集中，神经网络将知识存在权系数中，都含有分布存放特点从知识利用方式来看含糊系统和神经网络都含有并行处理特点，含糊系统同时激活规则不多，计算量小，而神经网络包括神经元很多，计算量大从知识获取方式来看含糊系统规则靠教授提供或设计，难于自动获取．而神经网络权系数可由输入输出样本中学习，无需人来设置。所以将二者结合起来，在处理大规模含糊应用问题方面将表现出优良效果。模糊神经网络第1页2.11.1含糊神经网络主要形式1.涣散型结合在一个系统中，对于可用＂If-then＂规则来表示部分，用含糊系统描述，而对极难用＂If-then＂规则表示部分，则用神经网络，二者之间没有直接联络。2.并联型结合同等型补助型模糊神经网络第2页2.11.1含糊神经网络主要形式3．串联型结合含糊系统和神经网络在系统中按串联方式连接，即一方输出成为另一方输入，这种情况可看成是两段推理或者串联中前者为后者输入信号预处理部分。比如用神经网络从原输入信号提取有效特征量，作为含糊系统输入，这么可使获取含糊规则过程变得轻易。模糊神经网络第3页2.11.2含糊神经网络模型基于含糊逻辑系统标准前馈含糊神经网络结构模糊神经网络第4页2.11.2含糊神经网络模型(1)输入层该层有个结点直接与输入向量连接，将输入值 传送到下一层。(2)含糊化层若每个输入变量均定义有个含糊集合，则此层内共有个结点，分为组，每组个结点。第组个结点输入都是，其输出分别是各输入量属于输出值含糊集合隶属度函数,代表第个含糊集合。隶属函数通常为高斯函数。(3)规则层

其每个结点代表一条含糊规则，作用是用来匹配含糊规则前件，计算出每条规则使用度，即：模糊神经网络第5页2.11.2含糊神经网络模型(4)去含糊层该层作用实现归一化计算，即(5)输出层它实现是清楚化计算，并采取加权平均法，即模糊神经网络第6页2.11.3含糊神经网络学习方法含糊学习算法含糊规则提取学习算法。含糊规则提取指从给定输入输出含糊数据对中发觉其对应映射关系或关联关系，这也能够认为是数据挖掘一项任务。若给出仅有含糊输入而无对应含糊输出，则对输入向量普通需要进行含糊聚类或对含糊输入空间划分。如含糊竞争学习算法即为这类学习算法，含糊规则学习还能够是事先人为地给出一个较粗含糊规则，然后利用学习样本重复修正这一含糊规则，进行逐步优化。另一类含糊学习算法是利用含糊控制方法不停改进神经元网络性能。如含糊BP算法等模糊神经网络第7页2.11.4含糊逻辑MATLAB函数函数名功能newfis()创建新含糊推理系统readfis()从磁盘读出存放含糊推理系统getfis()取得含糊推理系统特征数据writefis()保留含糊推理系统showfis()显示添加注释了含糊推理系统setfis()设置含糊推理系统特征plotfis()图形显示含糊推理系统输入—输出特征addvar()添加含糊语言变量rmvar()删除含糊语言变量addrule()向含糊推理系统添加含糊规则函数模糊神经网络第8页2.11.4含糊逻辑MATLAB函数函数名功能parsrule()解析含糊规则函数showrule()显示含糊规则函数evalfis()执行含糊推理计算函数defuzz()执行输出去含糊化函数gensurf()生成含糊推理系统输出曲面并显示函数anfis()含糊神经系统建模函数genfis1()采取网格分割