自适应模糊神经网络的设计

在模糊系统中，模糊集、隶属函数，和模糊规则的设计是建立在经验知识基础上的。这种分析方法存在很大的主观性。将学习机制引入到模糊系统中，使模糊系统能够通过不断学习来修改和完善隶属函数和模糊规则，这是模糊系统的发展方向。

模糊系统和模糊神经网络既有联系又有区别，其联系表现为模糊神经网络在本质上是模糊系统的实现，其区别表现为模糊神经网络又具有神经网络的特征。

 

系统	模糊系统	神经系统
获取知识	专家经验	算法实例
推理机制	启发式搜索	并行计算
推理速度	低	高
容错性	低	非常高
学习机制	归纳	调整权值
自然语言实现	明确的	不明显
自然语言灵活性	高	低

 

将神经网络的学习能力引入到模糊系统中，将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示是实现模糊系统自组织、自学习的重要途径。在模糊神经网络中，神经网络的输入、输出节点用来模糊系统的输入、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。

模糊神经网络是将模糊系统和神经网络相结合而构成的网络，模糊神经网络在本质上是常规的神经网络赋予模糊输入信号和模糊权值，其学习算法通常是神经网络学习算法或其推广。模糊神经网络技术已经获得广泛的应用，当前的应用主要集中在模糊回归、模糊控制、模糊专家系统、模糊矩阵方程、模糊建模和模糊模式识别等领域。

该自适应网络是一个多层前馈网络，其中的方形节点需要进行参数学习。

（第一层为输入变量的隶属函数层）

 

    因此ANFIS可以通过BP算法或BP算法和最小二乘估计法的混合算法来进行学习，来调整系统的前件和后件参数。在混合算法中，前向阶段计算到第四层，然后用最小二乘法辨识后件参数。反向阶段误差信号反向传递，用BP法更新前件参数。

    当前件参数固定时，用最小二乘法辨识的后件参数是最优的。采用混合法可以减少BP法的搜索空间尺度，从而提高ANFIS的训练速度。

  （在网络的的前向学习过程中，采用n组训练数据的输入值，求得参数值及输出值，n个值按最小二乘法原则计算计算值与训练数据原期望误差值，并将此误差值反向传回，按最大梯度法修正前提参数，在改变这些参数的过程中不断实现对隶属函数图形的修改，以期在设定的循环过程中达到输出误差值最小的目的。）

ref:

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

刘金琨《智能控制》