什么是模糊神经网络_模糊神经网络原理详解

 模糊神经网络简介

模糊神经网络就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体。

模糊神经网络基本形式

模糊神经网络有如下三种形式：

1．逻辑模糊神经网络

2．算术模糊神经网络

3．混合模糊神经网络

模糊神经网络就是具有模糊权系数或者输入信号是模糊量的神经网络。上面三种形式的模糊神经网络中所执行的运算方法不同。

模糊神经网络无论作为逼近器，还是模式存储器，都是需要学习和优化权系数的。学习算法是模糊神经网络优化权系数的关键。对于逻辑模糊神经网络，可采用基于误差的学习算法，也即是监视学习算法。对于算术模糊神经网络，则有模糊BP算法，遗传算法等。对于混合模糊神经网络，目前尚未有合理的算法；不过，混合模糊神经网络一般是用于计算而不是用于学习的，它不必一定学习。

 

模糊神经网络用途

模糊神经网络可用于模糊回归、模糊控制器、模糊专家系统、模糊谱系分析、模糊矩阵方程、通用逼近器。

在控制领域中，所关心的是由模糊神经网络构成的模糊控制器。在这一章中．介绍模糊神经网络的基本结构、遗传算法、模糊神经网络的学习算法，以及模糊神经网络的应用

模糊神经网络原理详解

模糊控制的基本原理由如图表示，它的核心部分为模糊控制器，如图中虚线框中部分所示。模糊控制器的控制规律由计算机的程序实现“，其算法过程：微机经中断采样获取被控量的精确值，然后将此量与给定值比较得到误差信号E。一般选误差信号E 作为模糊控制器的一个输入量。把误差信号E 的精确量进行模糊量化变成模糊量，误差E 的模糊量可用相应的模糊语言表示，得到了误差E 的模糊语言集合的一个子集e。再由e 和模糊控制规则R 根据推理的合成规则进行模糊决策，得到模糊控制量u。

为了对被控对象施加精确的控制，还需要将模糊量u 转换为精确量，这一步

骤在图3-1中称为非模糊化处理。得到了精确的数字控制量后，经数模转换变为

精确的模拟量送给执行机构，对被控对象进行一步控制。然后，中断等待第： 二次采样，进行第二步控制。。.。。这样循环下去，就实现了被控对象的模糊控制。

模糊控制器的设计

模糊逻辑控制器（Fuzzy Control ler） 简称为模糊控制器（Fuzzy Logi c

Controller），因为模糊控制器的控制规则是基于模糊条件语句描述的语言控

制规则，所以模糊控制器又称为模糊语言控制器。模糊控制器的组成框图见图

 

它包括有： 输入量模糊化接口、数据库、规则库、推理机和输出解模糊

接口五个部分。

（1） 模糊化接口（Fuzzy Interface）模糊控制器的输入必须通过模糊化才

能用于控制输出的求解，因此实际上它是模糊控制器的输入接口。其主要作用是

将真实的确定量输入转换为一个模糊矢量。

数据库用来定义模糊控制器中语言控制规则和

（2） 数据库（Data Base，DB）数据库用来定义模糊控制器中语言控制规则和

模糊数据操作，它存储着有关模糊化、模糊推理、解模糊等相关知识。

（3） 规则库（Rule Base，RB）

规则库包含若干模糊控制规则。即以“if.。 then.。。”形式表示，对专家控制经验集成而形成的模糊条件语句。语言控制规则库通过一系列语言控制规则来表征控制目标和该领域专家的控制策略，它是根据被控系统的行为特性和专家的控制经验总结编写而成的。由规则库和数据库

这两部分组成整个模糊控制器的知识库（KB-Knowledge Base）。

（4） 推理与解模糊接口（Inference and Defuzzy-Interface）

推理是模糊控制器中，根据输入模糊量，由模糊控制规则完成模糊推理来求解模糊关系方程，并获得模糊控制量的功能部分。推理结果的获得，表示模糊控制规则推理功能已经完成。但是，所获得的结果仍是一个模糊矢量，不能直接用来作为控制量，还必须进行一次转换，求得清晰的控制量输出，即为解模糊。通常把输出端具有转换功能作用的部分称为解模糊接口。