第六章神经网络在模糊控制中应用.ppt

第四章 神经网络基本理论  4.1 人工神经元模型 6.1.3 神经元的数学模型 4.1 人工神经元模型 4.1 人工神经元模型 4.1 人工神经元模型 6.1.4 人工神经网络模型 1 感知器模型 4.3 感知器模型 4.4 神经网络的构成和分类 6.1.6 BP型神经网络 原理简介 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 4.5 大脑自组织神经网络 6.2 模糊神经网络 6.3 用自适应神经模糊系统建立FIS 6.3.1 ANFIS图形用户界面简介 1.ANFIS编辑器的调出 2.相减聚类法 3.四个编辑器的功能和用法 6.3.2 用ANFIS建立FIS的步骤 设计Sugeno模糊系统 1.打开Anfis编辑器界面 2.将训练、测试或校核数据装入Anfis编辑器 3.生成初始FIS 4.训练初始FIS 6.3.3 用ANFIS建立FIS举例 1.将实测数据送入MATLAB工作空间 2.调出ANFIS编辑器 3.将实测数据装入anfis。 4.生成初始FIS 5.对初始FIS进行训练 6.训练后的FIS 前向网络进一步需研究的问题 局部最优问题，（网络初值选取不恰当）。 学习算法收敛速度慢，Sigmaid函数本身存在无穷多闪导数，而BP算法只用了一次导数，致使收敛速度慢。 网络的运行是单向传播，没有反馈，是一个非浅性映射，而不是非浅性动力系统。 网络隐层节点个数和初始权值的选取，尚无理论指导。 是一种无导师学习的网络 脑神经科学研究表明：传递感觉的神经元排列是按某种规律有序进行的，这种排列往往反映所感受的外部刺激的某些物理特征。 大脑自组织神经网络在接受外界输入时，将会分成不同的区域，不同的区域对不同的模式具有不同的响应特征，即不同的神经元以最佳方式响应不同性质的信号激励，从而形成一种拓扑意义上的有序排列 在这种网络中，输出节点与其邻域其他节点广泛相连，并互相激励。输入节点和输出节点之间通过强度wij(t)相连接。通过某种规则，不断地调整wij(t)，使得在稳定时，每一邻域的所有节点对某种输入具有类似的输出，并且这种聚类的概率分布与输入模式的概率分布相接近。 自组织学习算法： 权值初始化并选定领域的大小； (2) 输入模式； (3) 计算空间距离 式中xi(t)是t时刻i节点的输入，wij(t)是输入节点i与输出节点j 的连接强度，N为输入节点的数目； (4) 选择节点j*，它满足 (5) 按下式改变j*和其领域节点的连接强度 wij(t+1)= wij(t)+η(t)[xi(t)- wij(t)], j∈j*的领域，0≤i≤N-1 式中η(t)称之为衰减因子。 (6) 返回到第(2)步，直至满足[xi(t)- wij(t)]2＜ε(ε为给定的误差)。 例4.2 大脑自组织网络的训练 输入模式：X＝[x1,x2,x3] 网络节点数量：9 邻域：1 网络初始权值： W=[ 0.1122 0.0147 0.2816 0.7839 0.9028 0.8289 0.5208 0.4608 0.4435 0.4433 0.6641 0.2618 0.9862 0.4511 0.1663 0.7181 0.4453 0.3663 0.4668 0.7241 0.7085 0.4733 0.8045 0.3939 0.5692 0.0877 0.3025]; 1. 单模式训练情况 输入为：X=[0 0 1] 结果： W=[ 0.1122 0.0000 0.0000 0.0000 0.9028 0.8289 0.5208 0.4608 0.4435 0.4433 0.0000 0.0000 0.0000 0.4511 0.1663 0.7181 0.4453 0.3663 0.4668 1.0000 1.0000 1.0000 0.8045 0.3939 0.5692 0.0877 0.3025] 输入为：X=[0 1 0] 结果： W=[0.1122 0.0147 0.2816 0.7839 0.9028 0.8289 0.0000 0.0000 0.0000 0.4433