自適應模糊神經網路的設計

在模糊系統中，模糊集、隸屬函式，和模糊規則的設計是建立在經驗知識基礎上的。這種分析方法存在很大的主觀性。將學習機制引入到模糊系統中，使模糊系統能夠通過不斷學習來修改和完善隸屬函式和模糊規則，這是模糊系統的發展方向。

模糊系統和模糊神經網路既有聯絡又有區別，其聯絡表現為模糊神經網路在本質上是模糊系統的實現，其區別表現為模糊神經網路又具有神經網路的特徵。

 

系統	模糊系統	神經系統
獲取知識	專家經驗	演算法例項
推理機制	啟發式搜尋	平行計算
推理速度	低	高
容錯性	低	非常高
學習機制	歸納	調整權值
自然語言實現	明確的	不明顯
自然語言靈活性	高	低

 

將神經網路的學習能力引入到模糊系統中，將模糊系統的模糊化處理、模糊推理、精確化計算通過分散式的神經網路來表示是實現模糊系統自組織、自學習的重要途徑。在模糊神經網路中，神經網路的輸入、輸出節點用來模糊系統的輸入、輸出訊號，神經網路的隱含節點用來表示隸屬函式和模糊規則，利用神經網路的並行處理能力使得模糊系統的推理能力大大提高。

模糊神經網路是將模糊系統和神經網路相結合而構成的網路，模糊神經網路在本質上是常規的神經網路賦予模糊輸入訊號和模糊權值，其學習演算法通常是神經網路學習演算法或其推廣。模糊神經網路技術已經獲得廣泛的應用，當前的應用主要集中在模糊迴歸、模糊控制、模糊專家系統、模糊矩陣方程、模糊建模和模糊模式識別等領域。

該自適應網路是一個多層前饋網路，其中的方形節點需要進行引數學習。

（第一層為輸入變數的隸屬函式層）

 

    因此ANFIS可以通過BP演算法或BP演算法和最小二乘估計法的混合演算法來進行學習，來調整系統的前件和後件引數。在混合演算法中，前向階段計算到第四層，然後用最小二乘法辨識後件引數。反向階段誤差訊號反向傳遞，用BP法更新前件引數。

    當前件引數固定時，用最小二乘法辨識的後件引數是最優的。採用混合法可以減少BP法的搜尋空間尺度，從而提高ANFIS的訓練速度。

  （在網路的的前向學習過程中，採用n組訓練資料的輸入值，求得引數值及輸出值，n個值按最小二乘法原則計算計算值與訓練資料原期望誤差值，並將此誤差值反向傳回，按最大梯度法修正前提引數，在改變這些引數的過程中不斷實現對隸屬函式圖形的修改，以期在設定的迴圈過程中達到輸出誤差值最小的目的。）

ref:

http://blog.csdn.net/qq_18343569/article/details/50735491

劉金琨《智慧控制》