ann9 神经网路 第9章 模糊神经网络.pdf

神经网络 Neural Networks 第九章 模糊神经网络 史忠植 中国科学院计算技术研究所 / 内容提要 •9.1 概述 •9.2 算术模糊神经网络 •9.3 模糊逻辑 •9.4 模糊联想记忆 •9.5神经模糊推理系统 •9.6 神经网络近似逻辑 2014/4/14 史忠植 神经网路 2 模糊神经网络 ANN （Artificial Neural Network ）和FLS （ ）的比较： 相同之处 1 ）都是非数值型的非线性函数的逼近器、 估计器、和动态系统； 2 ）不需要数学模型进行描述，但都可用 数学工具进行处理； 3）都适合于VLSI、光电器件等硬件实现。 不同之处：㈠ 工作机制方面： ANN——大量、高度连接，按样板进行学习 FLS—— 按语言变量、通过隐含、推理和去 模糊获得结果。 ㈡信息处理基本单元方面： ANN——数值点样本，x y i i FLN——模糊集合（A ，B ） i i ㈢ 运行模式方面： ANN——学习过程透明，不对结构知识编码 FLN——不透明，对结构知识进行编码，推理过程外界 可知 ㈣ 应用上： ANN——偏重于模式识别，分类 FLN —— 偏重于控制 神经模糊网络——把ANN的学习机制和FLN的人类思维和推理结 合起来。 结合方式有3种： 1）神经模糊系统——用神经元网络来实现模糊隶属函数、 模糊推理，基本上（本质上）还是FLN。 2 ）模糊神经系统——神经网络模糊化，本质上还是ANN。 3）模糊-神经混合系统——二者有机结合。 ●基于神经网络的模糊逻辑运算 ①用神经网络实现隶属函数 ②神经网络驱动模糊推理 ③神经网络的模糊建模 ●用神经网络实现隶属函数 1 y  (x) 1 s {1exp[w (x w )]} g c a是非线性函数，生成sigmoid函数。 wc 和wg 分别确定Sigmoid函数的中心和宽度 , (x), (x), (x) S M L 组成大、中、小三个论域的隶属函数。 逻辑“与”可以用Softmin 来实现： ka kb ae be （a b) soft min(a,b)