基于模糊神经网络的舰载机着舰动作识别方法
【CN110705812A】一种基于模糊神经网络的工业故障分析系统【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910303394.0 (22)申请日 2019.04.15 (71)申请人 中国石油大学（华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 于强 张卫山 房凯 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 5/04(2006.01) G05B 19/418(2006.01) (54)发明名称 一种基于模糊神经网络的工业故障分析系 统 (57)摘要 本发明提出了一种基于模糊神经网络 (Fuzzy network -FNN)的工业故障分析系统，包 括以下步骤：获取领域内专家经验知识、数据库 中所记载的历史故障数据以及相应故障模式解 释，并进行数据预处理消除异常和补全缺失值； 接下来进行知识数据模糊化；更新解释器，为新 增工业故障模式增加相应故障解释；使用模糊化 后的数据训练神经网络，动态更新神经网络连接 权值；基于神经网络正向推理方法对工业故障进 行诊断分析， 高效准确的判断数据或设备异常。权利要求书2页 说明书4页 附图1页CN 110705812 A 2020.01.17 C N 110705812 A
1.一种基于模糊神经网络的工业故障分析系统。其特征在于，知识获取与预处理模块、知识数据模糊处理模块、解释器更新模块、模糊神经网络训练模块、故障模糊推理模块，包括以下步骤： 步骤(1)、在知识获取与预处理模块，接收工作人员输入的与故障诊断分析相关的专家经验知识或是历史工业故障分析数据，经过清洗、筛选、和特征提取，形成有效的故障特征相关信息。建立工业故障特征数据集C， C＝{c 1,c 2,c 3,L ,c m }， 元素c i (i＝1,2,L ,m)代表各种故障数据，以及故障原因分析数据集F，即故障数据的解释集合 F＝{f 1,f 2,f 3,L ,f n } 其中，元素f i (i＝1,2,L ,n)代表各种可能的故障原因解释集合。 步骤(2)、在知识数据模糊处理模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,根据隶属度函数从具体的输入故障数据得到对模糊集隶属度。故障特征数据模 糊化后构成模糊向量： 是故障分析数据c i 的隶属度，同时将故障原因集合进行模糊处理后构 成故障原因模糊向量。 其中是故障原因f i 的隶属度，即可能性大小。故障分析模糊向量对应着模糊神经网络的神经元域，作为神经网络神经元的输入。 步骤(3)、在解释器更新模块，将故障原因分析数据集F，即故障数据的解释集合F＝{f 1,f 2,f 3,L ,f n }(元素f i (i＝1,2,L ,n)代表故障原因解释集合)更新到综合数据库中，为解释器中新增工业故障进行故障解释。 步骤(4)、模糊神经网络训练模块，使用模糊化的专家经验知识以及历史故障数据训练模糊神经网络。模糊神经网络最上层为工业故障特征向量输入层，中间层网络为故障原因分析层，最下层网络为输出层。建立工业故障向量与故障原因向量模糊矩阵，作为模糊神经 网络连接权值矩阵： 矩阵中连接权值代表了故障特征向量到原因的模糊关系。其中r ij 表示故障数据中第i 个特征到第j种类故障的映射，即故障分析知识。设定故障诊断模型为β为特征系数，模糊矩阵r ij 将通过模糊神经网络对故障分析样本学习得到。通过实际故障样本不断对模糊神经网络进行训练，不断修正模糊矩阵r ij ，从而提高系统故障分析的准确性与可靠性。 权 利 要 求 书1/2页2CN 110705812 A
(完整word版)模糊神经网络的预测算法在嘉陵江水质评测中的应用2
模糊神经网络的预测算法 ——嘉陵江水质评价 一、案例背景 1、模糊数学简介 模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。 模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。 模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 2、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 3、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模
模糊神经网络讲义
模糊神经网络（备课笔记） 参考书： 杨纶标，高英仪。《模糊数学原理及应用》（第三版），广 州：华南理工大学出版社 彭祖赠。模糊数学及其应用。武汉：武汉科技大学 胡宝清。模糊理论基础。武汉：武汉大学出版社 王士同。模糊系统、模糊神经网络及应用程序设计。 《模糊系统、模糊神经网络及应用程序设计》 本书全面介绍了模糊系统、模糊神经网络的基本要领概念与原理，并以此为基础，介绍了大量的应用实例及编程实现实例。 顾名思义，模糊神经网络就是模糊系统和神经网络的结合，本质上就是将常规的神经网络（如前向反馈神经网络，Hopfield神经网络）赋予模糊输入信号和模糊权值。 选自【模糊神经网络P17】 预备知识 复杂的东西是难以精确化的，这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授（美国加利福尼亚大学）所说：“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，复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们，复杂性越高，有意义的精确化能力就越低；而复杂性意味着因素众多，以致人们往往不可能同时考察所有因素，只能把研究对象适当简化或抽象成模型，即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时，即使本来是明确的概念，也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰，如“光滑铰链”这个力学模型，什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义，客观上两者之间没有绝对分明的界限；主观上，决策者对此类非程序化决策做出判断时，主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏，本来有很多因素，比如人品、性格、相貌
模糊神经网络技术研究的现状及展望
模糊神经网络技术研究的现状及展望 摘要：本文对模糊神经网络技术研究的现状进行了综述，首先介绍了模糊控制技术和神经网络技术的发展，然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性，接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述，指出了目前模糊神经网络的研究发展中还存在的一些问题，并对模糊神经网络的发展进行了展望。 关键字：模糊控制；神经网络；模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此，通过模拟人类学习和自适应能力，人们提出了智能控制的思想。控制理论专家Austrom（1991）在IFAC大会上指出：模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法，各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点，避免了两者的缺点，已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年，英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制，提出了模糊控制论。至今，模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮，其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆，分类和优化计算等功能，在解决高度非线性和严重不确定系统的控制问题方面，显示了巨大的优势和潜力模糊控制系统与神经网络系统具有整体功能的等效性[2]，两者都是无模型的估计器，都不需要建立任何的数学模型，只需要根据输入的采样数据去估计其需要的决策：神经网络根据学习算法，而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上，两者具有相同的正规数学特性，且共享同一状态空间[3]。 另一方面，模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射，但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合，后者正好弥补前者的这点不足，而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度。因此，模糊逻辑和神经网络虽然有着本质上的不同，但由于两者都是用于处理不确定性问题，不精确性问题，两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4]；Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT，Fuzzy Approximation Theorem)[5]；Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系，正是由于这类理论上的共性，才使模糊逻辑和神经网络的结合成为可能。 2 模糊神经网络的学习算法 各种类型的模糊神经网络学习算法的共同方面是结构学习和参数学习两部分。结构学习是指按照一定的性能要求确定模糊系统的推理规则的条数，每条规则的前提和结论的隶属度函数以及由清晰化得到具体的规则数。参数学习是指进一步细化各隶属函数的参数以及模糊规则的其他参数，以使系统达到最优。结构学习主要是从输入输出数据中提取规则或由输入空间模糊划分获得规则，主要有启发式搜索、模糊网格法、树形划分法、基于模糊聚类的学习算
模糊控制的应用实例与分析
模糊控制的应用 学院实验学院 专业电子信息工程 姓名 指导教师 日期 2011 年 9 月 20 日
在自动控制中，包括经典理论和现代控制理论中有一个共同的特点，即控制器的综合设计都要建立在被控对象准确的数学模型(如微分方程等)的基础上，但是在实际工业生产中，很多系统的影响因素很多，十分复杂。建立精确的数学模型特别困难，甚至是不可能的。这种情况下，模糊控制的诞生就显得意义重大，模糊控制不用建立数学模型，根据实际系统的输入输出的结果数据，参考现场操作人员的运行经验，就可对系统进行实时控制。模糊控制实际上是一种非线性控制，从属于智能控制的范畴。现代控制系统中的的控制能方便地解决工业领域常见的非线性、时变、在滞后、强耦合、变结构、结束条件苛刻等复杂问题。可编程控制器以其高可靠性、编程方便、耐恶劣环境、功能强大等特性很好地解决了工业控制领域普遍关心的可靠、安全、灵活、方便、经济等问题，这两者的结合，可在实际工程中广泛应用。 所谓模糊控制，其定义是是以模糊数学作为理论基础，以人的控制经验作为控制的知识模型，以模糊集合、模糊语言变量以及模糊逻辑推理作为控制算法的一种控制。模糊控制具有以下突出特点： (1)模糊控制是一种基于规则的控制，它直接采用语言型控制规则，出发点是现 场操作人员的控制经验或相关专家的知识，在设计中不需要建立被控对象的精确的数学模型，因而使得控制机理和策略易于接受与理解，设计简单，便于应用 (2)由工业过程的定性认识出发，比较容易建立语言控制规则，因而模糊控制对 那些数学模型难以获取，动态特性不易掌握或变化非常显著的对象非常适用。 (3)基于模型的控制算法及系统设计方法，由于出发点和性能指标的不同，容易 导致较大差异；但一个系统语言控制规则却具有相对的独立性，利用这些控制规律间的模糊连接，容易找到折中的选择，使控制效果优于常规控制器。 (4)模糊控制是基于启发性的知识及语言决策规则设计的，这有利于模拟人工控 制的过程和方法，增强控制系统的适应能力，使之具有一定的智能水平。(5)模糊控制系统的鲁棒性强，干扰和参数变化对控制效果的影响被大大减弱， 尤其适合于非线性、时变及纯滞后系统的控制。 由于有着诸多优点，模糊理论在控制领域得到了广泛应用。下面我们就以下示例介绍模糊控制在实际中的应用： 电机调速控制系统见图1，模糊控制器的输入变量为实际转速与转速给定值 ，输出变量为电机的电压变化量u。图2为电机调试之间的差值e及其变化率e c 输出结果，其横坐标为时间轴，纵坐标为转速。当设定转速为2 000r／s时，电机能很快稳定运行于2 000r／s；当设定转速下降到1 000r／s时，转速又很快下降到1 000r／s稳定运行。 图1
自适应模糊神经网络MATLAB代码
function [ c, sigma , W_output ] = SOFNN( X, d, Kd ) %SOFNN Self-Organizing Fuzzy Neural Networks %Input Parameters % X(r,n) - rth traning data from nth observation % d(n) - the desired output of the network (must be a row vector) % Kd(r) - predefined distance threshold for the rth input %Output Parameters % c(IndexInputVariable,IndexNeuron) % sigma(IndexInputVariable,IndexNeuron) % W_output is a vector %Setting up Parameters for SOFNN SigmaZero=4; delta=0.12; threshold=0.1354; k_sigma=1.12; %For more accurate results uncomment the following %format long; %Implementation of a SOFNN model [size_R,size_N]=size(X); %size_R - the number of input variables c=[]; sigma=[]; W_output=[]; u=0; % the number of neurons in the structure Q=[]; O=[]; Psi=[]; for n=1:size_N x=X(:,n); if u==0 % No neuron in the structure? c=x; sigma=SigmaZero*ones(size_R,1); u=1; Psi=GetMePsi(X,c,sigma); [Q,O] = UpdateStructure(X,Psi,d); pT_n=GetMeGreatPsi(x,Psi(n,:))'; else [Q,O,pT_n] = UpdateStructureRecursively(X,Psi,Q,O,d,n); end;
模糊神经网络的基本原理与应用概述
模糊神经网络的基本原理与应用概述 摘要：模糊神经网络（FNN）是将人工神经网络与模糊逻辑系统相结合的一种具有强大的自学习和自整定功能的网络,是智能控制理论研究领域中一个十分活跃的分支,因此模糊神经网络控制的研究具有重要的意义。本文旨在分析模糊神经网络的基本原理及相关应用。 关键字：模糊神经网络，模糊控制，神经网络控制，BP算法。 Abstract:A fuzzy neural network is a neural network and fuzzy logic system with the combination of a powerful. The self-learning and self-tuning function of the network, is a very intelligent control theory research in the field of active branches. So the fuzzy neural network control research has the vital significance. The purpose of this paper is to analysis the basic principle of fuzzy neural networks and related applications. Key Words: Fuzzy Neural Network, Fuzzy Control, Neural Network Control, BP Algorithm.
1人工神经网络的基本原理与应用概述 人工神经网络的概念 人工神经网络(Artificial Neural Network,简称ANN)是由大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统,它使用大量简单的相连的人工神经元来模仿生物神经网络的能力,从外界环境或其它神经元获得信息,同时加以简单的运算,将结果输出到外界或其它人工神经元。神经网络在输入信息的影响下进入一定状态,由于神经元之间相互联系以及神经元本身的动力学特性,这种外界刺激的兴奋模式会自动地迅速演变成新的平衡状态,这样具有特定结构的神经网络就可定义出一类模式变换即实现一种映射关系。由于人工神经元在网络中不同的联接方式,就形成了不同的人工神经网络模式,其中误差反向传播网络(Back-Propagation Network,简称BP网络)是目前人工神经网络模式中最具代表性,应用得最广泛的一种模型【1,2】。 人工神经网络研究的发展简史 人工神经网络的研究己有近半个世纪的历史但它的发展并不是一帆风顺的,神经网络的研究大体上可分为以下五个阶段[3]。 (1) 孕育期(1956年之前):1943年Mcculloch与Pitts共同合作发表了“A logical calculus of ideas immanent in Nervous Activity”一文,提出了神经元数学模型(即MP模型)。1949年Hebb提出Hebb学习法则,对神经网络的发展做出了重大贡献。可以说,MP模型与学习规则为神经科学与电脑科学之间架起了沟通的桥梁,也为后来人工神经网络的迅速发展奠定了坚实的基础。 (2)诞生期(1957年一1968年):1960年Widrow提出了自适应线性元件模型,Rossenbaltt在1957年提出了第一种人工神经网络模式一感知机模式,由二元值神经元组成,该模式的产生激起了人工神经网络研究的又一次新高潮。(3)挫折期(1969年一1981年):1969年Minsky等人写的《感知机》一书以数学方法证明了当时的人工神经网络模式的学习能力受到很大限制。之后,人工神经网络的研究一直处于低潮。
模糊神经网络的预测算法在嘉陵江水质评测中的应用
题目：模糊神经网络的预测算法在嘉陵江水质评测中的应用 院（系）：物联网工程学院 专业: 计算机科学与技术 班级：计科0802 姓名：刘伟 学号： 0304080230 设计时间： 10-11 学年 2 学期 2011年5月
一、模糊数学简介 模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。 模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。 模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 二、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j 分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 三、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式计算得到ω。输出层采用公式计算模糊神经网络的输出。 四、嘉陵江水质评测 水质评测是根据水质评测标准和采样水样本各项指标值，通过一定的数学模型计算确定采样水样本的水质等级。水质评测的目的是能够准确判断出采样水样本的污染等级，为污染防治和水源保护提供依据。 水体水质的分析主要包括氨氮、溶解氧、化学需氧量、高锰酸盐指数、总磷和总氮六项
模糊神经网络——嘉陵江水质评价
目录 1 绪论 (2) 1.1 选题背景和研究意义 (2) 1.2 神经网络与模糊系统 (3) 1.3 文本研究内容和研究思路 (3) 2 模糊神经网络的基本原理 (5) 2.1 模糊神经网络概述 (5) 2.2 模糊系统和神经网络结合的可能性 (5) 2.2.1 人工神经网络与模糊系统的相同之处 (6) 2.2.2 人工神经网络与模糊系统的不同之处 (6) 2.2.3 人工神经网络与模糊系统结合意义 (8) 3模糊神经网络模型的结构和原理 (9) 3.1 模糊神经网络模型构建 (9) 3.2 模糊神经网络学习算法 (10) 3.3 模糊神经网络水质评价 (10) 4 总结与展望 (14) 4.1总结 (14) 4.2 展望 (14) 参考文献 (15) 致谢 (16) 附录 (17) 第 1 页
1 绪论 1.1 选题背景和研究意义 随着经济的快速发展，水资源日益恶化，水污染已呈现由点污染向面污染发展的趋势，成为制约和困扰我国可持续发展的一大障碍。治理污染的水环境和防止水资源被进一步恶化，已经成为当前迫切需要解决的问题。水质评价是以定量的方式对水环境的质量进行综合的评价，是水环境管理保护和污染治理的一项基础性工作，医务室近年来的研究热点。 当前我国水污染已经得到了有关部门的重视，并且水污染治理工作中所需的硬件设施以及科学技术的不断完善为水污染治理工作起到了重要的支撑作用。应当认识到水质分析是水污染治理工作中的基础内容，对水质进行科学的分析，能够预防水污染事件的出现，尤其是预防突发性水污染事件的发生，同时在水污染事件发生后能够对水污染程度做出合理的判定，对水污染处理的措施以及方案能够提供必要的依据。同时居民生活饮用水的水质也影响着人们的身体健康，对饮用水进行必要的水质监测与分析能够确保引用水的质量。所以水质分析不仅是水污染处理中贯彻以预防为主方针的重要途径，也是水污染处理工作中的重要内容。 传统的水质评价方法有评分法，比质法，统计法等，这些传统的水质评价方法受人为的主观因素的制约，从而影响可评价的精度。近年来许多学者提出了一个新的评价模型，如聚类发，经济分析法，灰色关联法，关联分析法等的，这些方法比较传统的方法，评价的精度有了较大幅度的提高，但是由于评价因子与水质之间呈复杂的非线性关系，以及水体污染本身居于模糊性，因而影响了评价的精度。 近年来兴起的人工神经网络具有学习逼近任意非线性的能力，模糊理论是一新的学习方法，模糊理论中的相对隶属度能很好的对水质的模糊性进行解释，能清晰地反映水质各因子的质量相对状态，从而确定水质污染影响最大的因子。 水质评价方法是评价理论的核心及水污染控制系统的一个重要环节，是现代环境科学基础理论研究的重要课题之一。然而如何才能客观地、准确地反映水体环境质量状况，其关键在于合理的选择与建立评价方法和数学模型。水质的清洁与污染这一对立观念之间，在划分过程中并不存在绝对分明的界限，具有中介过渡性，这是客观存在着的模糊概念。水质评价的模糊性，是水体质量在清洁与污染的划分过程中所呈现的亦此亦彼性。由于水质评价涉及到许多模糊概念，如“水质污染程度”就是一个模糊概念，从而作为评价污染程度的分级标准也是模糊的，而水质分级线也是一个模糊的界线，因而有必要用隶属度来描述它。用模糊理论与方法，比传统评价方法更符合现象的实际，使水质评价的理论与方法建立在比较严谨的数学逻辑基础上。
第8章 模糊神经网络方法
第八章 模糊神经网络算法 火灾火情决策是一个复杂的过程，它包括接收输入信号，与已知信息和经验进行比较，对输入信号作出判决，并给出正常、火警或故障信号。通常火灾自动报警系统的决策系统是很简单，它根据单个传感器送来信息作出是否发生火灾的判决。例如，当感烟探测器探测到的粒子数达到预定阈值，就发出火警信号。这些粒子可能是烟雾粒子，也可能是水雾或灰尘等非火灾产生的粒子，普通感烟探测器无法区分烟雾粒子，还是水雾和灰尘粒子，这就导致误报的发生。 经过长期的研究发现，火灾的发生具有双重性，既有它的随机性一面，又有它的确定性一面。人们并不能确切的知道何时发生火灾，但是当具备了发生火灾的条件，就会发生火灾，出现表征火灾的火灾参量。如果同时测量这些火灾参量，对信号进行综合分析处理，那么，火灾的误报率便大大降低。然而火灾的复杂性还在于相同的材料在不同的环境下，具有不同的着火温度，相同的环境不同的材料，着火条件也不一样，人类的活动以及环境的变化事先也无法确定，所以实际的火灾参量是随着空间和时间的变化而变化，很难用建立一种或几种数学模型进行精确描述。因此，火灾探测信号检测是一种十分困难的信号检测，它要求信号处理算法能够适应各种环境条件的变化，自动调整参数以达到既能快速探测火灾，又有很低的误报率。 而神经网络与模糊系统都属于一种数值化的和非数学模型的函数估计和动力学系统。它们都能以一种不精确的方式处理不精确的信息。因而它在火灾探测领域具有美好的应用前景。 第一节 模糊逻辑与模糊计算 一、模糊集合及其运算规则 （一） 模糊集合与隶属度 人们往往把讨论的议题限制在某个相关的范围内,例如讨论火灾问题,不会去谈论如何打乒乓球，讨论的范围称为“论域”。用大写字母U 、V 、X 、Y 表示。论域中的每个对象称为“元素”，用小写字母u 、v 、x 、y 表示。具有某些特定属性的元素的全体称为U 上的一个“集合”，常用大写字母A 、B……表示。 普通集合概念是论域中的任一元素，要么属于某个集合，要么不属于该集合，不允许有含混不清的说法，例如乒乓开关不是接通，就是断开。但是在现实生活中，却充满了模糊事物和模糊概念，例如“瘦子”集合，“少年”集合，“温度低”集合等等，其边界都是不明确的。将这类边界不明确的集合称为模糊集合，这里用A 表示一个模糊集合。 给定论域U 上的一个模糊集合A ，是指对于任意x U ∈都确定一个数A (x)μ ， 0≤ A (x)μ ≤1，它表示x 对~ A 的隶属程度。 A A=((x)|x) , x U μ?∈ A (x )[0,1] μ∈
基于模糊神经网络的水质评价代码
该代码为基于模糊神经网络的水质评价代码 清空环境变量 参数初始化 网络训练 网络预测 嘉陵江实际水质预测 清空环境变量 clc clear 参数初始化 xite=0.001; alfa=0.05; %网络节点 I=6; %输入节点数 M=12; %隐含节点数 O=1; %输出节点数 %系数初始化 p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1; p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1; p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1; p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1; p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1; p5=0.3*ones(M,1);p5_1=p5;p5_2=p5_1; p6=0.3*ones(M,1);p6_1=p6;p6_2=p6_1; %参数初始化 c=1+rands(M,I);c_1=c;c_2=c_1; b=1+rands(M,I);b_1=b;b_2=b_1; maxgen=100; %进化次数 %网络测试数据，并对数据归一化 load data1 input_train output_train input_test output_test %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train);
[n,m]=size(input_train); 网络训练 %循环开始，进化网络 for iii=1:maxgen iii; for k=1:m x=inputn(:,k); %输出层结算 for i=1:I for j=1:M u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i)); end end %模糊规则计算 for i=1:M w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i); end addw=sum(w); for i=1:M yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6); end addyw=yi*w'; %网络预测计算 yn(k)=addyw/addw; e(k)=outputn(k)-yn(k); %计算p的变化值 d_p=zeros(M,1); d_p=xite*e(k)*w./addw; d_p=d_p'; %计算b变化值 d_b=0*b_1; for i=1:M for j=1:I d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2); end end
模糊神经网络综述
1.模糊神经网络的提出 模糊逻辑(FL)、神经网络理论(NN)、遗传算法(GA)、随机推理(PR),以及置信网络、混沌理论和部分学习理论相融合,形成了一种协作体,这种融合并非杂乱无章地将模糊逻辑、神经网络和遗传算法等进行拼凑,而是通过各种方法解决本领域的问题并相互取长补短,从而形成了各种方法的协作。从这个意义上讲,各种方法是互补的,而不是竞争的。在协作体中,各种方法起着不同的作用。通过这种协作,产生了混合智能系统。模糊逻辑和神经网络都是重要的智能控制方法,将模糊逻辑和神经网络这两种软计算方法相结合,取长补短,形成一种协作体—模糊神经网络。 2.模糊神经网络的研究进展 模糊神经网络的发展经历了一个漫长的过程。MacCulloch-Pitta模型便是早期将模糊集应用到神经网络中的一例。此后,人们对模糊神经网络研究得很少。直到1990年Takagi才综述性地讨论了神经网络与模糊逻辑的结合。Kosko(1992)出版了该领域的第一本专著《Neural Network and Fuzzy Systems》,并在这本专著中提出了模糊联想记忆、模糊认知图等重要概念,促进了模糊神经网络的研究向着多元化深入发展。 （1）引入模糊运算的神经网络———狭义模糊神经网络 狭义模糊神经网络通过调整参数进行学习。其学习算法可以采用通用学习算法,也可以通过对原有神经网络的学习算法进行拓展得到。反向传播学习算法、随机搜索法、遗传算法等是几种与具体神经网络结构无关的通用学习算法。（2）用模糊逻辑增强网络功能的神经网络 这类模糊神经网络不是对神经网络与模糊逻辑直接进行融合,而是通过模糊逻辑改进神经网络的学习算法。首先通过分析网络性能得到启发式知识,然后再将启发式知识用于调整学习参数,从而加快了学习收敛速度。 （3）基于神经网络的模糊系统—神经模糊系统 于神经网络的模糊系统,也被称为神经模糊系统(NFS,Neural-Fuzzy Systems),是利用神经网络学习算法的模糊系统。这类模糊神经网络按照模糊逻辑的运算步骤分层构造,不改变模糊系统的基本功能(如模糊化、模糊推理和解模糊化)。 3.糊神经网络的应用 在基于模糊神经网络的控制器方面,Berenji和Khedker(1992)采用增强式学习方法提出了GARIC控制器结构,该系统通过三个神经网络完成了控制的功能：ASN进行普通模糊控制,AEN评价控制效果,SAM随机综合ASN和AEN的过程,然后产生控制信号;Lin和Lee(1994)提出了一种自动构造模糊系统的方法,该方
一种递归模糊神经网络自适应控制方法
一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙 炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘 要: 构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词: 递归模糊神经网络;自适应控制;交流伺服中图分类号: TP183 文献标识码: A 文章编号: 037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract : A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words : recurrent fuzzy neural network ;adaptive control ;AC servo 1 引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1～3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4～7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2 RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121) 第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34 N o.12 Dec. 2006
模糊神经网络讲义
模糊神经网络（备课笔记） 预备知识 复杂的东西是难以精确化的，这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授（美国加利福尼亚大学）所说：“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，复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们，复杂性越高，有意义的精确化能力就越低；而复杂性意味着因素众多，以致人们往往不可能同时考察所有因素，只能把研究对象适当简化或抽象成模型，即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时，即使本来是明确的概念，也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰，如“光滑铰链”这个力学模型，什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义，客观上两者之间没有绝对分明的界限；主观上，决策者对此类非程序化决策做出判断时，主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏，本来有很多因素，比如人品、性格、相貌等，现在简化改成一个综合评价：好、坏、一般等，都是根据个人爱好或者个人经验等模糊概念进行判断的。 在科学发展的今天，尤其在工程研究和设计领域中，这些模糊性问题就无法回避了，要求对数据进行定量分析，那如何对其进行定量分析呢？ 1965年，Zadeh教授发表一篇论文“模糊集合”（Fuzzy sets），所谓模糊集合就是指边界不清的集合。提出用“隶属函数”（menbership function）这一概念来描述现象差异中的中间过渡，突破了德国人Cantor创立的古典集合论中属于或不属于的绝对关系，标志着模糊数学的诞生。Zadeh认为应该重新把模糊性和精确性统一在一起，因为在现实生活中复杂事物要绝对精确是不可能的，实际上只是把所谓的不准确程度降低到了无关重要的程度。他这篇论文第一次引人注目地提出了模糊性问题，给出了模糊概念的定量表示法，标志着模糊数学的诞生。模糊数学是使模糊现象定量化的应用数学分支学科。由于它突破了传统数学绝不允许模棱两可的约束，使那些与数学毫不相关的学科都可能用定量化和数学化加以描述和处理，从而显示其强大的生命力。 在模糊评价中，最基本和使用最多的是隶属度和隶属函数。隶属度表示元素u属于模糊集合U的程度；也就是对模糊集合的判断是用元素对此集合的从属程度大小来表达的。 模糊系统 模糊逻辑控制系统，简称模糊控制系统或模糊系统，是一种基于模糊数学理论的新型控制方法。 模糊控制由于模仿人对复杂事物的抽象思维方式，利用模糊信息处理对被控对象执行控制。所以，它不需要知道系统的精确数学模型。对不确定的非线性的系统来说是一种有效的控制途径。但是，模糊控制对信息的简单模糊化导致系统的控制精度下降。为了提高精度，往往要在模糊化时增加模糊量的个数，或者，增大控制规则集。这样会使控制规则搜索范围的扩大、搜索时间增加、降低了决策的速度，则影响了动态过程的品质。因此，隶属函数和控制规则的优化是提高品质的关键，在本质上，是对模糊控制中的知识进行正确性校正。