第六章_模糊神经网络课件.ppt

第六章 模糊神经网络 6.2 模糊神经网络模型 6.2 模糊神经网络模型 6.2 模糊神经网络模型 模糊系统和神经网络控制是智能控制领域内的两个重要分支。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允许定性知识的存在。另一方面，神经网络在计算处理信息的过程中所表现出的学习能力和容错性来自于其网络自身的结构特点。 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。 神经网络和模糊控制比较 ANN（Artificial Neural Network）和 FLS（Fuzzy Logical Network）的比较： 相同之处 1） 都是非数值型的非线性函数的逼近器、估计器、 和动态系统； 2） 不需要数学模型进行描述，但都可用数学工具进 行处理； 3） 都适合于VLSI、光电器件等硬件实现。 不同之处： ㈠ 样本的表示方面： ANN——数值型的点集合。 FLS——模糊集样本。 神经网络和模糊控制比较 ㈡ 规则的表示和结构方面： ANN——用网络结构和权值矩阵来描述规则，且规 则之间是相互连接的。 FLN——用“if…，then…”语句来描述规则，且规 则之间是相互独立的。 ㈣ 模型的表示方面： ANN——要求规定非线性动态系统的类型，要求获 取足够多的训练本集，并通过反复学习将 训练样本体现在动态系统上。 FLN——只需要部分的填充语义规则矩阵。 ㈢ 映射算法方面： ANN——主要依靠学习算法，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。 神经网络和模糊控制比较 神经网络和模糊控制的结合把ANN的学习机制和FLN的人类思维和推理结合起来，汇聚了神经网络与模糊理论的优点，集学习、联想、识别、自适应及模糊信息处理于一体。 神经网络和模糊控制比较 神经网络和模糊控制的结合方式有3种： 1）神经模糊系统——用神经元网络来实现模糊隶属函数、模糊推理，基本上（本质上）还是FLN。 6.1 模糊控制与神经网络的结合 模糊控制系统是依据一些由人们总结出来的描述各种因素之间相互关系的模糊性语言经验规则，并将这些经验规则上升为简单的数值运算，以便让机器代替人在相应问题面前具体的实现这些规则。 在一般的模糊系统设计中，规则是由对所解决的问题持有丰富经验的专业人员以语言的方式表达出来的。 6.1 模糊控制与神经网络的结合 专业人员对于问题认识的深度和综合能力，直接影响到模糊系统工作性能的好坏。 有些问题，即使很有经验的专业人员也很难将他们的经验总结归纳为一些比较明确而简化的规则，并以语言的形式表达出来。 利用单层前向网络输入/输出积空间的聚类方法，能够直接从原始的工作数据中归纳出若干条规则，并最后以语言的方式表示出来。 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”，对神经网络进行离线训练学习。“样本”就是学习的“教师”。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。 6.1 模糊控制与神经网络的结合 神经模糊系统 2）模糊神经系统——神经网络模糊化，本质上还是ANN。 该模型以神经网络为主体，将输入空间分割成若干不同型式的模糊推论组合，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。 6.1 模糊控制与神经网络的结合 3）模糊-神经混合系统——二者有机结合。 该模型根据输入量的不同性质分别由神经网络与模糊控制直接处理输入信息，并作用于控制对象，更能发挥各自的控制特点。 6.1 模糊控制与神经网络的结合 1）使网络的结构和权值具有了明确的物理意义，网络的结构设计和权值的初始化都有了理论的根据，避免了网络陷入局部最优。 2）可以利用神经网络的学习能力来调整模糊控制的控制规则和模糊化的方式，使模糊控制具有了一定的自适应能力。 3）模糊神经网络将定性的知识表达和定量的数值运算很好地结合了起来，具有很好的控制效果 神经网络和模糊控制结合的优点 6.1 模糊控制与神经网络的结合 6.2.1 模糊联想存储器(FAM) 在模糊控制规则中，模糊规则Ai→Bi代表了一条推理依据，