模糊神經網路

模糊理論和神經網路技術是近幾年來人工智慧研究較為活躍的兩個領域。人工神經網路是模擬人腦結構的思維功能，具有較強的自學習和聯想功能，人工干預少，精度較高，對專家知識的利用也較好。但缺點是它不能處理和描述模糊信息，不能很好利用已有的經驗知識，特別是學習及問題的求解具有黑箱的特性，其工作不具有可解釋性，同時它對樣本的要求較高；模糊系統相對於神經網路而言，具有推理過程容易理解、專家知識利用較好、對樣本的要求較低等優點，但它同時又存在人工干預多、推理速度慢、精度較低等缺點，很難實現自適應學習的功能，而且如何自動生成和調整隸屬度函數和模糊規則，是一個棘手的問題。如果將二者有機地結合起來，可起到互補的效果。

模糊神經網路有如下三種形式：

1．邏輯模糊神經網路

2．算術模糊神經網路

3．混合模糊神經網路

模糊神經網路就是具有模糊權係數或者輸入信號是模糊量的神經網路。上面三種形式的模糊神經網路中所執行的運算方法不同。

模糊神經網路無論作為逼近器，還是模式存儲器，都是需要學習和優化權係數的。學習演演算法是模糊神經網路優化權係數的關鍵。對於邏輯模糊神經網路，可採用基於誤差的學習演演算法，也即是監視學習演演算法。對於算術模糊神經網路，則有模糊BP演演算法，遺傳演演算法等。對於混合模糊神經網路，目前尚未有合理的演演算法；不過，混合模糊神經網路一般是用於計算而不是用於學習的，它不必一定學習。

模糊神經網路可用於模糊回歸、模糊控制器、模糊專家系統、模糊譜系分析、模糊矩陣方程、通用逼近器。

在控制領域中，所關心的是由模糊神經網路構成的模糊控制器。在這一章中．介紹模糊神經網路的基本結構、遺傳演演算法、模糊神經網路的學習演演算法，以及模糊神經網路的應用

模糊神經網路結合了神經網路系統和模糊系統的長處，它在處理非線性、模糊性等問題上有很大的優越性，在智能信息處理方面存在巨大的潛力；使得越來越多的專家學者投入到這個領域中來，並做出了卓有成效的研究成果。但是，對模糊神經網路的研究，大都是基於演演算法的創新、改進和完善，少有綜述性的文獻對它進行概述，使初接觸這一領域的人往往無所適從，很難在短時間內理解模糊神經網路的概念，也很難實際應用它。作者在閱讀了大量文獻的基礎上，對各種相關理論知識進行整理、歸納和研究，旨在對模糊神經網路做一個系統的概述和一些初步的探索。本文實際上由兩部分組成：第一部分是對模糊神經網路的概述；第二部分是一種演演算法的提出及其實觀過程。模糊神經網路是一個較新的概念，文章從神經網路系統與模糊系統的歷史論述到它的起源與發展，論證了它產生的可能性與必要性，並簡要介紹了國內外模糊邏輯神經網路軟體硬體。在模糊神經元概念的基礎上，定義了模糊神經網路；從函數映射角度上，討論了神經網路系統和模糊系統的函數逼近能力；二者都能以任意精度逼近任何連續實函數；對理論成熟的演演算法和模型，作了簡潔的介紹。針對模糊神經網終實觀時的具體問題，對網終的學習能力、容量、結構分佈等細節逆行了探討。本文提出了一種模糊神經網路的二步混合演演算法：第一步，採用模糊推理系統結合遺傳演演算法根據訓練樣本確定隸屬函數的參數，通過遺傳演演算法搜索定義域範圍內的參數最優解。文中選用S-T模型作為模糊推理系統中的推理模型。第二步，確定網路結構，根據訓練樣本採用BP演演算法訓練網路，調整網路權值和偏差，為了避免局部最小觀象和加快網路收斂速度，選用加動量因子變學習率的改進BP演演算法為訓練演演算法。為了更廣泛地應用遺傳演演算法，文中用C++,實現了通用遺傳演演算法類庫，在實觀過程中結合使用了類模板，抽象類等技術。該類庫支持一維和多維函數的最優化。對多維函數可以採用統一長度的或者各維長度不同的基因；支持固定和可變變異率，支持固定迭代代數結束迭代和滿足一定條件結束迭代。作者用MATLAB的Fuzzy Toolbox及NNetToolbox實現了演演算法，模擬結果表明，該演演算法效率高、收斂速度快、模型精度高