基于神經(jīng)網(wǎng)絡(luò)的模糊模型學習及其應(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)揮的作用也越來越大，但兩者各自的弊端也逐漸顯現(xiàn)出來。神經(jīng)網(wǎng)絡(luò)具有很強的學習能力，但它是一種典型的“黑箱”模型，學到的知識蘊藏于連接權(quán)中，用戶無法直接理解和使用；模糊模型以人類的自然語言描述問題，利用模糊規(guī)則集進行推導，因此容易被人理解，但它無法將專家知識或大量樣本數(shù)據(jù)直接轉(zhuǎn)化為推理規(guī)則庫，且本身缺乏學習能力而難以對自身進行改進。如何將兩者的優(yōu)點有機地結(jié)合、取長補短，日益成為人們關(guān)注

2、的問題。本文針對這一問題，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，闡明了將這兩種計算工具結(jié)合起來的必要性和可行性，并對神經(jīng)網(wǎng)絡(luò)與模糊模型相結(jié)合的多種結(jié)構(gòu)及算法作了對比研究。 然后，針對兩類不同的模糊模型提出了兩種神經(jīng)一模糊融合方法：基于改進型徑向基函數(shù)網(wǎng)絡(luò)的高階T-S模糊模型的學習算法和基于競爭網(wǎng)絡(luò)的單值模糊模型的學習算法。 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)點數(shù)并利用參數(shù)學習辨識模糊模型后件線性參數(shù)和調(diào)節(jié)隱節(jié)點參數(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習階段利用競爭聚類算法建立初始網(wǎng)絡(luò)結(jié)構(gòu)，在精細學習階段修正網(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，與前者對比可以看出，模型的精度稍差，但由于不存在后件