基于神經網絡的模糊模型學習及其應用研究.pdf

1、隨著模糊模型和神經網絡理論的發(fā)展，兩者在工程應用方面所發(fā)揮的作用也越來越大，但兩者各自的弊端也逐漸顯現出來。神經網絡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據直接轉化為推理規(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)點有機地結合、取長補短，日益成為人們關注

2、的問題。本文針對這一問題，在神經一模糊融合的理論與應用方面作了一定的研究。 本文首先介紹了關于模糊模型與神經網絡的一些基礎理論知識，闡明了將這兩種計算工具結合起來的必要性和可行性，并對神經網絡與模糊模型相結合的多種結構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一模糊融合方法：基于改進型徑向基函數網絡的高階T-S模糊模型的學習算法和基于競爭網絡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網絡隱節(jié)點數并利用參數學習辨識模糊模型后件線性參數和調節(jié)隱節(jié)點參數從而得到精調的模糊模型。之后將該算法應用于非線性函數逼近的問題中，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絡結構，在精細學習階段修正網絡參數從而獲得優(yōu)化的模糊模型。同樣將這種算法應用于非線性函數逼近，與前者對比可以看出，模型的精度稍差，但由于不存在后件