?模糊神經網絡簡介

模糊神經網絡就是模糊理論同神經網絡相結合的產物，它匯集了神經網絡與模糊理論的優點，集學習、聯想、識別、信息處理于一體。

模糊神經網絡基本形式

模糊神經網絡有如下三種形式：

1．邏輯模糊神經網絡

2．算術模糊神經網絡

3．混合模糊神經網絡

模糊神經網絡就是具有模糊權系數或者輸入信號是模糊量的神經網絡。上面三種形式的模糊神經網絡中所執行的運算方法不同。

模糊神經網絡無論作為逼近器，還是模式存儲器，都是需要學習和優化權系數的。學習算法是模糊神經網絡優化權系數的關鍵。對于邏輯模糊神經網絡，可采用基于誤差的學習算法，也即是監視學習算法。對于算術模糊神經網絡，則有模糊BP算法，遺傳算法等。對于混合模糊神經網絡，目前尚未有合理的算法；不過，混合模糊神經網絡一般是用于計算而不是用于學習的，它不必一定學習。

?

模糊神經網絡用途

模糊神經網絡可用于模糊回歸、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絡構成的模糊控制器。在這一章中．介紹模糊神經網絡的基本結構、遺傳算法、模糊神經網絡的學習算法，以及模糊神經網絡的應用

模糊神經網絡原理詳解

模糊控制的基本原理由如圖表示，它的核心部分為模糊控制器，如圖中虛線框中部分所示。模糊控制器的控制規律由計算機的程序實現“，其算法過程：微機經中斷采樣獲取被控量的精確值，然后將此量與給定值比較得到誤差信號E。一般選誤差信號E 作為模糊控制器的一個輸入量。把誤差信號E 的精確量進行模糊量化變成模糊量，誤差E 的模糊量可用相應的模糊語言表示，得到了誤差E 的模糊語言集合的一個子集e。再由e 和模糊控制規則R 根據推理的合成規則進行模糊決策，得到模糊控制量u。

為了對被控對象施加精確的控制，還需要將模糊量u 轉換為精確量，這一步

驟在圖3-1中稱為非模糊化處理。得到了精確的數字控制量后，經數模轉換變為

精確的模擬量送給執行機構，對被控對象進行一步控制。然后，中斷等待第： 二次采樣，進行第二步控制。。.。。這樣循環下去，就實現了被控對象的模糊控制。

模糊控制器的設計

模糊邏輯控制器（Fuzzy Control ler） 簡稱為模糊控制器（Fuzzy Logi c

Controller），因為模糊控制器的控制規則是基于模糊條件語句描述的語言控

制規則，所以模糊控制器又稱為模糊語言控制器。模糊控制器的組成框圖見圖

?

它包括有： 輸入量模糊化接口、數據庫、規則庫、推理機和輸出解模糊

接口五個部分。

（1） 模糊化接口（Fuzzy Interface）模糊控制器的輸入必須通過模糊化才

能用于控制輸出的求解，因此實際上它是模糊控制器的輸入接口。其主要作用是

將真實的確定量輸入轉換為一個模糊矢量。

數據庫用來定義模糊控制器中語言控制規則和

（2） 數據庫（Data Base，DB）數據庫用來定義模糊控制器中語言控制規則和

模糊數據操作，它存儲著有關模糊化、模糊推理、解模糊等相關知識。

（3） 規則庫（Rule Base，RB）

規則庫包含若干模糊控制規則。即以“if.。 then.。。”形式表示，對專家控制經驗集成而形成的模糊條件語句。語言控制規則庫通過一系列語言控制規則來表征控制目標和該領域專家的控制策略，它是根據被控系統的行為特性和專家的控制經驗總結編寫而成的。由規則庫和數據庫

這兩部分組成整個模糊控制器的知識庫（KB-Knowledge Base）。

（4） 推理與解模糊接口（Inference and Defuzzy-Interface）

推理是模糊控制器中，根據輸入模糊量，由模糊控制規則完成模糊推理來求解模糊關系方程，并獲得模糊控制量的功能部分。推理結果的獲得，表示模糊控制規則推理功能已經完成。但是，所獲得的結果仍是一個模糊矢量，不能直接用來作為控制量，還必須進行一次轉換，求得清晰的控制量輸出，即為解模糊。通常把輸出端具有轉換功能作用的部分稱為解模糊接口。