多输入模糊神经网络结构优化的快速算法.pdf

( ) 第 44 卷 　第 1 期 复 旦 学 报 自然科学版 　 Vo1. 44 , 　No. 1 2005 年 2 月 Journal of Fudan University (Natural Science) 　 Feb. , 　2005 　 ( ) 　　文章编号 2005 　 　 　 多输入模糊神经网络结构优化的快速算法 吴艳辉 , 陈　雄 ( 复旦大学 　电子工程系 , 上海 　200433) ( ) 摘 　要 : 采用规则前件提取 , 以获得较少的高效规则,对模糊神经网络 Fuzzy Neural Network 进行结构优化 ,解决 了在多输入模糊系统中因规则数多导致的结构庞大问题 ,使之适用于多输入模糊系统. 结构学习中采用竞争算 法优化隶属函数 ,保证规则前件提取的高效 ;参数学习中采用梯度下降法调整网络参数. 关键词 : 模糊系统 ; 神经网络 ; 模糊神经网络 ; 竞争算法 ; 结构学习 ; 参数学习 中图分类号: TP 229 　　　　文献标识码 : A 将模糊逻辑引入神经网络 ,吸收神经网络的自学习的优点 , 同时使用模糊系统的模糊化、去模糊化、推 ( 理机和模糊逻辑的工作模式 ,避免神经网络的“黑箱”工作模式 ,这就是备受关注的模糊神经网络 fuzzy neural network , FNN) . 模糊神经网络已被广泛应用到各类问题中. 通常采用的 FNN 模型中 ,有 n 个输入, 对每个输入取 m 个隶属函数, 则规则层的数目为所有规则的集合 mn 个 ,这造成了 FNN 结构的庞大. 结构庞大带来的一个 直接问题是学习速度缓慢 , 以及在多输入模糊系统中的应用限制. 在 FNN 完成结构学习后 ,虽然可以进行 规则修剪来减小网络结构 ,但只能有限地减小 FNN 在后期应用中的运算量 ;在先期的训练学习中仍需使 用庞大的结构 ,要花费大量的时间及硬件资源 , 同时增加了对硬件的要求. 本文给出一种简单快速的 FNN 结构优化的方法 ,将这种方法应用于多属性的分类与识别 ,显示了结 构优化方法的有效性及其在提高学习速度上的优势. 1 　模糊神经网络模型 1 采用零阶 TS 模糊推理 计算模型 ,规则形式如下 : R i : IF x is A i , and x is A i , and … ,and x is A i ; 1 1 2 2 n