基于神經(jīng)網(wǎng)絡(luò)的模糊模型學(xué)習(xí)及其應(yīng)用研究.pdf

1、隨著模糊模型和神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，兩者在工程應(yīng)用方面所發(fā)揮的作用也越來(lái)越大，但兩者各自的弊端也逐漸顯現(xiàn)出來(lái)。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，但它是一種典型的“黑箱”模型，學(xué)到的知識(shí)蘊(yùn)藏于連接權(quán)中，用戶無(wú)法直接理解和使用；模糊模型以人類的自然語(yǔ)言描述問(wèn)題，利用模糊規(guī)則集進(jìn)行推導(dǎo)，因此容易被人理解，但它無(wú)法將專家知識(shí)或大量樣本數(shù)據(jù)直接轉(zhuǎn)化為推理規(guī)則庫(kù)，且本身缺乏學(xué)習(xí)能力而難以對(duì)自身進(jìn)行改進(jìn)。如何將兩者的優(yōu)點(diǎn)有機(jī)地結(jié)合、取長(zhǎng)補(bǔ)短，日益成為人們關(guān)注

2、的問(wèn)題。本文針對(duì)這一問(wèn)題，在神經(jīng)一模糊融合的理論與應(yīng)用方面作了一定的研究。 本文首先介紹了關(guān)于模糊模型與神經(jīng)網(wǎng)絡(luò)的一些基礎(chǔ)理論知識(shí)，闡明了將這兩種計(jì)算工具結(jié)合起來(lái)的必要性和可行性，并對(duì)神經(jīng)網(wǎng)絡(luò)與模糊模型相結(jié)合的多種結(jié)構(gòu)及算法作了對(duì)比研究。 然后，針對(duì)兩類不同的模糊模型提出了兩種神經(jīng)一模糊融合方法：基于改進(jìn)型徑向基函數(shù)網(wǎng)絡(luò)的高階T-S模糊模型的學(xué)習(xí)算法和基于競(jìng)爭(zhēng)網(wǎng)絡(luò)的單值模糊模型的學(xué)習(xí)算法。 前一種方法利用減法聚類

3、算法獲得徑向基函數(shù)網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)并利用參數(shù)學(xué)習(xí)辨識(shí)模糊模型后件線性參數(shù)和調(diào)節(jié)隱節(jié)點(diǎn)參數(shù)從而得到精調(diào)的模糊模型。之后將該算法應(yīng)用于非線性函數(shù)逼近的問(wèn)題中，從算例可以看出，由于高階T-S模糊模型的后件為線性的，該方法得到的模型有較高的精度。 后一種方法在粗糙學(xué)習(xí)階段利用競(jìng)爭(zhēng)聚類算法建立初始網(wǎng)絡(luò)結(jié)構(gòu)，在精細(xì)學(xué)習(xí)階段修正網(wǎng)絡(luò)參數(shù)從而獲得優(yōu)化的模糊模型。同樣將這種算法應(yīng)用于非線性函數(shù)逼近，與前者對(duì)比可以看出，模型的精度稍差，但由于不存在后件