浅析模糊神经网络.pptx

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2020/1/27,#,目录,引言,一,.,模糊理论,二,.,神经网络,三,.,模糊神经网络,“,当系统的复杂性增加时，我们使它精确化的能力将减小。直到达到一个阈值，一旦超越它，复杂性和精确性将互相排斥。”,模糊数学创始人,L.A.Zadeh,教授,引言,雨的大小,风的强弱,人的胖瘦,年龄大小,个子高低,天气冷热,客观世界的模糊性反映在人脑中，便产生了概念上的模糊性；人巧妙地利用自已建立的模糊概念来进行判断、推理和控制，完成那些现代先进设备所不能完成的工作：,人们几乎可以同样地辨认胖子和瘦子，美丽和丑陋；,人们无须测量车速便可明智地躲过川流不息的车队；,一行草书虽然大异于整齐的印刷字体，却照样可以被人看懂。,在科学发展的今天，尤其在工程研究设计领域，模糊问题无法回避，要求对数据进行定量分析。,模糊概念,定量分析,？,一.模糊理论,1、模糊理论,1965,年，,Zadeh,教授发表论文“模糊集合”（,Fuzzy set,），标志模糊数学的诞生。,模糊集合的基本思想,是把经典集合中的绝对隶属关系灵活化，即元素对“集合”的隶属度不再是局限于取,0,或,1,，而是可以取从,0,到,1,间的任一数值。,用,隶属函数,(Membership Function),来刻画处于中间过渡的事物对差异双方所具有的倾向性。,隶属度（,Membership Degree,）,就表示元素隶属于集合的程度。,设,X,是论域，映射,A(x),：,X,0,1,确定了一个,X,上的模糊子集,A,，,A,(,x,),称为,A,的隶属函数。,例,1,例,2,模糊理论的基础知识,常见隶属度函数,模糊隶属度函数在模糊数学中的地位是非常突出的，在对客观事物进行描述和度量的过程中，通常是用隶属度函数来表示该事物的模糊程度。,在构造隶属函的过程中，应该充分考虑主观因素和客观因素，使隶属函数能全面反映事物的本质。,经常使用的模糊隶属函数主要有三类，分别为,三角函数,、,梯形函数,和,高斯函数。,三角形隶属函数,梯形隶属函数,高斯形隶属函数,钟型隶属函数,隶属函数是模糊理论中的重要概念，,实际应用中经常用到以下三类隶属函数：,（,1,）,S,函数（偏大型隶属函数）,注：,(a,、,b,为待定参数,),（,2,）,Z,函数（偏小型隶属函数）,这种隶属函数可用于表示像年轻、冷、矮、淡等偏向小的一方的模糊现象。,图：,Z,函数,（,3,）,函数（中间型隶属函数）,这种隶属函数可用于表示像中年、适中、平均等趋于中间的模糊现象。,图：,函数,2,、模糊系统（,Fussy System,，简称,FS,）,许多实际的应用系统很难用准确的术语来描述。如化学过程中的“温度很高”、“反应骤然加快”等。,模糊系统,（也称模糊逻辑系统）就是以,模糊规则为基础而具有模糊信息处理能力的动态模型,。,2.1,模糊系统的构成,模糊系统,（也称模糊逻辑系统）就是以,模糊规则为基础而具有模糊信息处理能力的动态模型,。它由四部分构成，如下图：,（,1,）模糊化接口（,Fuzzification,）,模糊化接口主要将检测输入变量的精确值根据其,模糊度划分和隶属度函数,转换成合适的模糊值。,为了尽量减少模糊规则数，可对于检测和控制精度要求高的变量划分多,(,一般,5,一,7,个,),的模糊度，反之则划分少,(,一般,3,个,),的模糊度。,当完成变量的模糊度划分后，需定义变量各模糊集的隶属函数。,（,2,）知识库（,knowledge base,）,知识库中存贮着有关模糊控制器的一切知识，包含了具体应用领域中的知识和要求的控制目标，它们决定着模糊控制器的性能，是模糊控制器的核心。,如专家经验等。,比如：,If,浑浊度,清,，变化率,零,，,then,洗涤时间,短,If,浑浊度,较浊,，变化率,小,，,then,洗涤时间,标准,（,3,）模糊推理机（,Fuzzy Inference Engine,）,根据模糊逻辑法则把模糊规则库中的模糊“,if-then”,规则转换成某种映射。,模糊推理，这是模糊控制器的核心，,模拟人基于模糊概念的推理能力。,（,4,）反模糊化器（,Defuzzification,）,把输出的模糊量转化为实际用于控制的清晰量。,按照常见的形式，模糊推理系统可分为,:,纯模糊逻辑系统,高木,-,关野,(Takagi-Sugeno),模糊逻辑系统,其他模糊逻辑系统,2.2,模糊系统的分类,2.2.1,纯模糊逻辑系统,纯模糊逻辑系统仅由,知识库,和,模糊推理机,组成。其输入输出均是模糊集合。,纯模糊逻辑系统结构图,纯模糊逻辑系统的,优点,：提供了一种量化专辑语言信息和在模糊逻辑原则下系统地利用这类语言信息的一般化模式；,缺点,：输入输出均为模糊集合，不易为绝大数工程系统所应用。,2.2.2,高木,-,关野模糊系统,该系统是由日本学者,Takagi,和,Sugeno,提出的，,系统输出为精确值,，也称为,T-S,模糊系统或,Sugeno,系统。,举例：,典型的一阶,Sugeno,型模糊规则形式如下：,其中：,x,和,y,为输入；,A,和,B,为推理前件的模糊集合；,z,为输出；,p,、,q,、,k,为常数。,二、神经网络简介,1.,人工神经网络定义,28,生物神经网络,人类的大脑大约有,1.4,10,11,个神经细胞，亦称为神经元。每个神经元有数以千计的通道同其它神经元广泛相互连接，形成复杂的生物神经网络。,人工神经网络,以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，就称为人工神经网络（,Artificial Neural Network,，缩写,ANN,）。,29,1.,人工神经网络定义,神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算系统，该系统是靠其状态对外部输入信息的动态响应来处理信息的。,人工神经网络是一个由许多简单的并行工作的处理单元组成的系统，其功能取决于网络的结构、连接强度以及各单元的处理方式。,人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。,人脑与计算机信息处理能力的比较,记忆与联想能力,学习与认知能力,信息加工能力,信息综合能力,信息处理速度,30,人脑与计算机信息处理机制的比较,系统结构,信号形式,信息存储,信息处理机制,31,2.,神经网络的基本特征,32,能力特征：,自学习,自组织,自适应性,结构特征：,并行式处理,分布式存储,容错性,33,联想记忆功能,3.,神经网络的基本功能,34,非线性映射功能,35,分类与识别功能,36,优化计算功能,37,知识处理功能,神经网络的软硬件实现,MATLAB,的推出得到了各个领域的专家学者的广泛关注，在此基础上，专家们相继推出了,MATLAB,工具箱，主要包括信号处理、控制系统、神经网络、图像处理、鲁棒控制、非线性系统控制设计、系统辨识、最优化、模糊逻辑、小波等工具箱，这些工具箱给各个领域的研究和工程应用提供了有力的工具。,38,4.,模糊系统与神经网络的区别与联系,(1),从知识的表达方式来看,模糊系统可以表达人的经验性知识，便于理解，而神经网络只能描述大量数据之间的复杂函数关系，难于理解。,(2),从知识的存储方式来看,模糊系统将知识存在规则集中，神经网络将知识存在权系数中，都具有分布存储的特点。,(3),从知识的运用方式来看,模糊系统和神经网络都具有并行处理的特点，模糊系统同时激活的规则不多，计算量小，而神经网络涉及的神经元很多，计算量大。,(4),从知识的获取方式来看,模糊系统的规则靠专家提供或设计，难于自动获取而神经网络的权系数可由输入输出样本中学习，无需人来设置。,将两者结合起来，在处理大规模的模糊应用问题方面将表现出优良的效果。,三.模糊神经网络？,1,、模糊神经网络（,FNN,）,模糊神经网络,（,Fuzzy Neural Network,，简称,FNN,）将,模糊系统和神经网络,相结合，充分考虑了二者的互补性，集逻辑推理、语言计算、非线性动力学于一体，具有学习、联想、识别、自适应和模糊信息处理能力等功能。,其本质就是,将常规的神经网络输入模糊输入信号和模糊权值。,在模糊神经网络中，,神经网络的输入、输出节点,用来表示模糊系统的输入、输出信号，,神经网络的隐含节点,用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。,模糊神经网络的三种形式：,基于模糊算子的模糊神经网络,主要是指网络输入输出和连接权全部或部分采用模糊实数,计算节点输出的权相加采用模糊算子的模糊神经网络,模糊化神经网络,是指网络的输入输出及连接权均为模糊集,可以将其视为一种纯模糊系统，模糊集输入通过系统内部的模糊集关系而产生模糊输出。,模糊推理网络是模糊模型的神经网络的一种实现，是,一种多层前向网络,。模糊推理网络的可调参数一般是非线性的，并且可调参数众多，,具有强大的自学习功能,，可以用作离线辨识的有效工具。但是,模,糊推理网络计算量大，只,适合离线使用,。,自适应性较差,。,2.,典型模糊神经网络的结构,模糊系统的规则集和隶属度函数等设计参数只能靠设计经验来选择，利用神经网络的学习方法，根据输入输出的学习样本自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。,结构上像神经网络，功能上是模糊系统，这是目前研究和应用最多的一类模糊神经网络。,该网络共分,5,层，是根据模糊系统的工作过程来设计的，是神经网络实现的模糊推理系统。第二层的隶属函数参数和三、四层间及四、五层间的连接权是可以调整的。,模糊神经网络,模糊理论的应用一般以模糊系统的方式呈现出来，模糊神经网络也可以看作是一个模糊系统,。,模糊系统,模糊神经网络,网络的输入、输出节点,训练样本,网络的隐含层,输入信息的模糊化处理和输出信息的反模糊化处理,输入,、,输出信号,知识库,模糊推理机,模糊化接口和反模糊化接口,典型的模糊神经网络结构,第一层为输入层，为精确值。,节点个数为输入变量的个数。,典型的模糊神经网络结构,第二层为输入变量的隶属函数层，实现输入变量,的模糊化。,典型的模糊神经网络结构,第三层也称“与”层，该层节点个数为模糊规则数。,该层每个节点只与第二层中,m,个节点中的一个,和,n,个节点中的一个相连，共有,m n,个节点，,也就是有,m n,条规则。,典型的模糊神经网络结构,第四层为“或”层，节点数为输出变量模糊度划分的个数,q,。,该层与第三层的连接为全互连，连接权值为,W,kj,，其中,k=,1,2,q;j=1,2,mn.,（权值代表了每条规则的置信度，,训练中可调。）,典型的模糊神经网络结构,第五层为清晰化层，节点数为输出变量的个数。该层与,第四层的连接为全互连，该层将第四层各个节点的输出，,转换为输出变量的精确值。,3.2,模糊神经网络的学习算法,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。,模糊神经网络的学习算法，大多来自神经网络，如,BP,算法、,RBF,算法等。,Matlab,实现,自适应模糊神经推理系统，也称为基于神经网络的自适应模糊推理系统,(Adaptive Network-based Fuzzy Inference System),，简称,ANFIS,，,1993,年由学者,Jang Roger,提出。,融合了神经网络的学习机制和模糊系统的语言推理能力等优点,，弥补各自不足。同其他模糊神经系统相比，,ANFIS,具有便捷高效的特点。,N,A,H,T,K,