第九章模糊神经网络.pptx

模糊神经网络;模糊神经网络;模糊控制与神经网络;模糊控制与神经网络;模糊控制与神经网络;模糊控制与神经网络;模糊控制与神经网络;模糊神经网络概述;模糊神经网络概述;模糊神经网络概述;（2）模糊、神经模型 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（串）。 后者具有自学习的智能控制特性。 ;模糊神经网络概述;模糊神经网络概述;模糊神经网络概述;模糊神经网络概述;模糊神经网络概述;模糊神经网络;第一层为输入层，为精确值。 节点个数为输入变量的个数。;第二层为输入变量的隶属函数层，实现输入变量 的模糊化。 ; 第三层也称“与”层，该层节点个数为模糊规则数。 该层每个节点只与第二层中前m个节点中的一个 和后n个节点中的一个相连，共有m ×n个节点， 也就是有m ×n条规则。 ;第四层为“或”层，节点数为输出变量模糊度划分的个数q。 该层与第三层的连接为全互连，连接权值为Wkj，其中k= 1,2,…,q; j=1,2,…,m×n.（权值代表了每条规则的置信度， 训练中可调。）;第五层为清晰化层，节点数为输出变量的个数。该层与 第四层的连接为全互连，该层将第四层各个节点的输出， 转换为输出变量的精确值。; 在此模糊神经网络中，可调参数为规则的权系数以及输入隶属函数的参数。 学习算法是模糊神经网络优化权系数的关键。模糊神经网络的学习算法，大多来自神经网络，如BP算法、RBF算法等。 ; ; ; ; ; ; ; ; ; ; ;模糊神经网络建模方法;模糊神经网络建模方法;模糊神经网络在工程中的应用;模糊神经网络在工程中的应用;模糊神经网络在工程中的应用