模糊神经网络技术综述_张凯
模糊神经网络3篇
模糊神经网络第一篇：模糊神经网络的基本原理及应用模糊神经网络是一种最早应用于模糊理论和神经网络理论的融合体，是一种新型的人工智能技术。
模糊神经网络的基本原理是将模糊理论和神经网络理论相结合，通过神经元与模糊集之间的映射建立模糊神经网络，实现数据处理和分类识别的功能。
模糊神经网络由输入层、隐含层和输出层三层组成，输入层接收输入数据，隐含层对输入数据进行加工处理，输出层根据隐含层提供的输出结果进行数据分类和识别。
整个模型的训练过程是通过反向传播算法实现，用来更新神经元之间权值的调整，进而提高分类和识别的准确度。
模糊神经网络在模式识别、图像处理、智能控制、时间序列预测等许多领域得到广泛应用，其应用具有许多优点。
例如，在模式识别领域，其能够对样本数据的模糊性进行精细化处理，提高识别精度；在智能控制领域，其能够通过学习和反馈调整策略，提高自适应控制效果，还能够模拟人的认知过程，具有较高的仿真能力，从而实现全面协调的规划与决策。
尽管模糊神经网络具有许多优点，但是和其他神经网络一样，其存在一些缺点。
例如，网络模型设计难度大，需进行繁琐的参数优化和实验验证；模型训练过程中存在局部最优问题，可能导致模型的收敛速度较慢，所以在实际应用过程中，需要充分考虑它们的优缺点来选择合适的模型。
综上所述，模糊神经网络在人工智能领域的应用具有广泛的前景，因为其能够克服传统的困难，更好地解决问题。
在未来，我们将不断地研究模糊神经网络的性能优化和应用扩展，为促进人工智能理论与应用的融合做出更大的贡献。
第二篇：模糊神经网络的案例分析及实现方法模糊神经网络是人工智能领域重要的一类算法之一，它在图像处理、数据挖掘、机器学习等领域得到了广泛的应用。
下面我们以智能交通管理为例，介绍模糊神经网络的具体应用过程。
模糊神经网络在实现智能交通管理中，主要可以实现车辆流量监测、拥堵监测、交通信号优化等功能。
其中，车辆拥堵监测是模糊神经网络在智能交通管理中的应用较为广泛的方向。
模糊神经网络
推理过程：
A ( x) 假设地区为 x ，论域为U=(0,3) A 表示模糊集合“发达”： A’表示模糊集合“很发达”： A ( x) 房价为 y ，论域为V=(0,300) B 表示模糊集合“高”： B’ 表示模糊集合“很高”： B ( y) B ( y) 前提1：从 x 属于 A的程度推出 y 属于B 的程度，即地区“发达”的程度推出对应的房价“高”的程度： AB ( x, y) 前提2：已知地区“很发达”的程度： A ( x) 结论： 推出房价“很高”的程度：B ( y) • 模糊逻辑系统
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。
• 模糊神经网络
一种结构简单T-S模糊神经网络
• 模糊神经网络的发展历史
模糊集合的定义
经典集合的定义：
• 对于一个经典集合 A，空间中任一元素x，要么 x A ，要么 x A ，二者必居其一，这一特征可用一个函数表示：
A x 即为集合 A 的特征函数，将特征函数推广到 Fuzzy 集，在经典集合中只有取 0，1 两值推广到 Fuzzy 集中为 区间[0,模糊神经元本质上还是神经元，所以它还是要具备非模神经元的基本功能，但是它最主要的功能是具有模糊性质， 要具备处理模糊信息的能力。
1、由模糊规则描 述的模糊神经元
2 、输入非模糊、 含隶属度加权算 子、输出模糊的 模糊神经元
3、输入模糊、 含模糊变换加权 算子、输出模糊 的模糊神经元
• 模糊逻辑系统
模糊逻辑与模糊推理
• 模糊推理最早由 Zadeh 教授提出，是以模糊性为基础、以模糊逻辑为工具的不精确推理，是模拟人的推理的一种近 似性推理。 • 广义前向推理法(Generalize Modus Ponens，简称 GMP)是模糊推理中最重要的推理规则，其定义如下: 前提1：if x is A，then y is B 前提2：if x is A’ 结论： then y is B’ • 模糊推理的合成规则（这种规则是基于模糊关系合成运算，简称 CRI，较GMP更准确），其规则如下： 前提1：if x is A，then y is B 前提2：if x is A’ 结论： then y is B A A B 其中 A和 A’，B 和B’分别是论域U 与论域V 上相关的一对模糊集合，其中的算子“ ”表示模糊关系的合成运算。
模糊神经网络
模糊神经网络
在人工智能领域中，神经网络一直是一种广泛应用的模型，用于解决各种复杂的问题。
然而，传统的神经网络在处理模糊或不确定性数据时存在一定的局限性。
为了解决这个问题，人们提出了模糊神经网络这一新颖的概念。
模糊神经网络结合了模糊逻辑和神经网络的优势，能够更好地处理不确定性数据。
模糊逻辑是一种能够处理模糊性数据和不确定性信息的逻辑系统，而神经网络则可以模拟人脑的神经元之间的连接关系，在学习和处理信息方面表现出色。
模糊神经网络的核心思想是利用模糊集合和神经网络相结合，通过模糊推理和神经网络学习的方式来处理复杂的问题。
在模糊神经网络中，模糊集合用于表示输入和输出的模糊性，神经网络则用于学习和调整模糊集合之间的关系。
与传统的神经网络相比，模糊神经网络在处理模糊性数据和不确定性信息方面具有更强的表达能力和适应性。
它能够更好地处理具有模糊性和不确定性的问题，比如模糊控制、模糊分类、模糊决策等方面的任务。
在实际应用中，模糊神经网络已经被广泛应用于各种领域，如模糊控制系统、模糊模式识别、模糊优化等。
通过模糊神经网络的建模和训练，可以更好地解决现实世界中存在的模糊性和不确定性问题，提高系统的稳定性和鲁棒性。
总的来说，模糊神经网络是一种很有前景的研究方向，它将模糊逻辑和神经网络的优势结合起来，为处理复杂的不确定性数据提供了一种有效的解决方案。
随着人工智能技术的不断发展，模糊神经网络必将在更多的领域发挥巨大作用，为社会的进步和发展做出更大的贡献。
模糊神经网络的研究及其应用
模糊神经网络的研究及其应用模糊神经网络是一种结合了模糊逻辑和神经网络的先进技术，它在许多领域中都得到了广泛的应用。
在本文中，我们将介绍模糊神经网络的基本概念、特点、理论研究以及实际应用，最后对未来发展进行展望。
模糊神经网络是一种基于模糊逻辑理论的多层前馈网络，它通过模拟人脑神经元的连接方式来实现分类和识别等功能。
与传统的神经网络相比，模糊神经网络具有以下特点：模糊化输入：将输入数据转换为模糊量，使网络能够更好地处理不确定性和非线性问题。
采用模糊规则：模糊神经网络采用模糊规则进行计算，这些规则可以很好地描述现实世界中的模糊现象。
双重迭代：模糊神经网络需要进行模式识别和参数优化双重迭代过程，以实现网络性能的优化。
模糊神经网络在许多领域中都得到了广泛的应用，以下是其中的几个典型例子：图像处理：模糊神经网络可以应用于图像分类、图像增强、图像恢复等方面，提高图像处理的效果和速度。
语音识别：模糊神经网络可以应用于语音信号的特征提取和分类，提高语音识别的准确率和鲁棒性。
自然语言处理：模糊神经网络可以应用于文本分类、情感分析、机器翻译等方面，提高自然语言处理的效果和效率。
控制领域：模糊神经网络可以应用于系统建模、控制优化等方面，提高控制系统的稳定性和鲁棒性。
模糊神经网络的理论研究主要集中在以下几个方面：模糊逻辑的研究：模糊逻辑是模糊神经网络的基础，因此对模糊逻辑的研究是十分必要的。
主要研究内容包括模糊集合、模糊关系、模糊推理等方面的研究。
神经网络的研究：神经网络是模糊神经网络的核心，因此对神经网络的研究也是十分必要的。
主要研究内容包括神经元的数学模型、神经网络的训练算法、神经网络的稳定性等方面的研究。
模糊神经网络的建模和优化：模糊神经网络的建模和优化是提高其性能的关键。
主要研究内容包括网络结构的选取、参数的优化、训练算法的设计等方面的研究。
模糊神经网络在实际应用中已经取得了显著的成果，以下是其中的几个例子：电力系统的负荷预测：通过建立基于模糊神经网络的负荷预测模型，可以对电力系统的负荷进行准确预测，提高电力系统的稳定性和安全性。
模糊神经网络的设计与训练
模糊神经网络的设计与训练模糊神经网络（Fuzzy Neural Networks，FNN）作为一种融合了模糊推理和神经网络的智能计算模型，已经在各个领域展示了强大的应用潜力。
它能够处理模糊和不确定性信息，具有较强的自适应性和泛化能力。
本文将深入探讨模糊神经网络的设计与训练方法，并探索其在实际问题中的应用。
一、概述模糊神经网络是在传统神经网络基础上引入了模糊推理机制的一种扩展形式。
它利用模糊逻辑处理输入数据，并通过神经网络学习算法进行自适应调整，从而实现对输入数据进行分类、识别和预测等任务。
与传统方法相比，模糊神经网络具有更强大的表达能力和更好的鲁棒性。
二、设计方法模糊神经网络设计中最基本的问题是确定输入输出变量之间的关系以及它们之间相互作用方式。
常用方法包括基于规则、基于模型以及基于数据等。
基于规则方法通过人工构建规则集合来描述变量之间关系，并利用规则集合进行推理。
这种方法的优点是能够直观地表达专家知识，但缺点是规则集合的构建和调整需要大量的人力和时间。
基于模型方法利用数学模型来描述变量之间的关系，如模糊推理系统和模糊Petri网等。
这种方法可以通过数学推导和优化算法来确定模型参数，但需要对问题进行较为精确的建模。
基于数据方法利用大量数据来学习变量之间的关系。
常用算法包括神经网络、遗传算法、粒子群优化算法等。
这种方法可以通过大规模数据集进行训练，但对于数据质量和训练时间要求较高。
三、训练方法模糊神经网络的训练是指通过调整网络参数使其能够更好地适应输入输出之间的关系。
常用的训练算法包括基于梯度下降法、遗传算法以及粒子群优化等。
基于梯度下降法是一种常用且有效的训练方法，其基本思想是通过计算误差函数对网络参数求导，并根据导数值调整参数值。
这种方法可以在一定程度上保证误差函数逐渐减小，但容易陷入局部最优解。
遗传算法是一种模拟自然进化过程的优化算法，通过选择、交叉和变异等操作来搜索最优解。
这种方法适用于复杂的非线性问题，但计算复杂度较高。
模糊神经网络算法研究
模糊神经网络算法研究一、引言模糊神经网络算法是一种结合了模糊逻辑和神经网络的计算模型，用于处理模糊不确定性和非线性问题。
本文将通过研究模糊神经网络的原理、应用和优化方法，探索其在解决实际问题中的潜力和局限性。
二、模糊神经网络算法原理1. 模糊逻辑的基本概念模糊逻辑是处理模糊信息的数学工具，其中包括模糊集合、隶属函数、模糊关系等概念。
模糊集合用来描述不确定或模糊的概念，而隶属函数表示一个元素属于某个模糊集合的程度。
模糊关系则用于表达模糊集合之间的关系。
2. 神经网络的基本原理神经网络是一种由人工神经元构成的计算系统，以模仿生物神经系统的运作方式。
其中的神经元接收输入信号、进行加权处理，并通过激活函数输出计算结果。
神经网络通过训练和学习来调整连接权值，以实现对输入输出之间的映射关系建模。
3. 模糊神经网络的结构和运算模糊神经网络结合了模糊逻辑的不确定性处理和神经网络的学习能力，并采用模糊化和去模糊化的过程来实现输入输出之间的映射。
常见的模糊神经网络结构包括前馈神经网络、递归神经网络和模糊关联记忆。
三、模糊神经网络算法应用1. 模糊神经网络在模式识别中的应用模糊神经网络在模式识别领域有广泛应用，例如人脸识别、手写识别和语音识别等。
由于模糊神经网络对于模糊和不完整信息的处理能力，能够更好地应对现实场景中的噪声和不确定性。
2. 模糊神经网络在控制系统中的应用模糊神经网络在控制系统中的应用主要体现在模糊控制器的设计和优化。
通过模糊控制器的设计，可以实现对复杂系统的自适应控制和非线性控制。
同时，模糊神经网络还可以与PID控制器相结合，提高系统的控制性能。
3. 模糊神经网络在预测和优化中的应用模糊神经网络在时间序列预测和多目标优化等问题中也有广泛应用。
例如，使用模糊神经网络来预测股票市场的趋势和交通流量的变化，以及应用模糊神经网络来优化生产调度和资源分配等问题。
四、模糊神经网络算法优化1. 模糊神经网络参数优化模糊神经网络的性能很大程度上依赖于其参数的设置。
模糊神经网络应用流程和操作
模糊神经网络应用流程和操作模糊神经网络是一种前馈神经网络，它可以将非精确信息以数学方法更好地处理。
在本文中，我们将介绍模糊神经网络的应用流程和操作，以便帮助读者更好地理解这种神经网络。
一、模糊神经网络的基本概念和特点模糊神经网络是一种基于模糊集合理论的神经网络，它与其他神经网络相比，有以下几个独特的特点：1.具有模糊性：传统的神经网络只能处理精确的数据，而模糊神经网络可以处理不确定、模糊或误差较大的数据。
2. 具有贡献性：通过模糊神经网络的学习和训练，它可以为每个输入变量分配权重，以确定每个变量的贡献度。
3. 可以建立映射关系：模糊神经网络可以将输入变量映射到输出变量，形成一种非线性的映射关系。
二、模糊神经网络的应用流程模糊神经网络的应用流程包括以下几个步骤：1. 确定输入变量和输出变量：首先，需要确定待处理数据的输入变量和输出变量，同时确定它们的值域。
2. 设计模糊集合：建立输入变量和输出变量的模糊集合，用于描述变量之间的映射关系。
3. 确定规则：利用专家知识或数据分析技术，确定变量之间的模糊规则，以便建立输入变量和输出变量之间的对应关系。
4. 建立神经网络：将模糊集合和规则输入到模糊神经网络中进行计算，以建立输入变量和输出变量的映射关系。
5. 网络训练：通过迭代反馈的方式，对模糊神经网络进行训练和优化，以提高网络的性能和准确度。
6. 模型验证：验证模糊神经网络的模型准确度和稳定性，以确定其在实际应用中的可靠性。
三、模糊神经网络的操作模糊神经网络的操作包括以下几个方面：1. 数据预处理：对输入数据进行标准化、归一化和特征提取等操作，以便更好地适应模糊神经网络的处理方式。
2. 模型选择：根据不同的应用场景和数据类型，选择适合的模型结构和参数配置，以便更好地满足实际需求。
3. 网络训练：通过反向传播算法等训练方法，对模糊神经网络进行训练和优化，以提高其性能和准确度。
4. 模型评估：对训练好的模型进行测试和验证，评估其准确度、稳定性和可靠性等方面的性能指标。
神经网络和模糊系统
05
CATALOGUE
应用案例
控制系统
神经网络在控制系统中主要用于优化 和预测控制策略。
通过训练神经网络来学习系统的动态 行为，可以实现对系统的精确控制。 例如，在机器人控制、航空航天控制 等领域，神经网络被用于提高系统的 稳定性和响应速度。
数据分类
模糊系统在数据分类中主要用于处理不确定性和不精确性。
练出最优的神经网络模型。
反向传播算法
根据输出层的误差，计算出每 层的误差梯度，然后根据梯度 下降法更新权重和偏差。
随机梯度下降法
在训练过程中，每次只使用一 部分数据来计算梯度，然后更 新权重和偏差，以提高训练效 率。
自适应学习率算法
根据误差梯度的变化情况，动 态调整学习率，以加快收敛速
度并避免陷入局部最小值。
自适应神经模糊系统
自适应神经模糊系统是在神经模糊系统的基础上，增加了 自适应调整能力。它能够根据系统的运行状态和输入数据 的特性，自适应地调整模糊规则和隶属函数的参数，以更 好地适应环境和任务的变化。
自适应神经模糊系统通过引入在线学习算法和自适应调整 策略，使得系统能够根据运行过程中的反馈信息，不断优 化模糊规则和参数，提高系统的实时性和准确性。
ቤተ መጻሕፍቲ ባይዱ
混合神经模糊系统
混合神经模糊系统是一种将不同类型的神经网络和模糊逻辑结合起来，形成一个 多层次、多模态的混合智能系统。它利用不同类型神经网络的优势，结合多种模 糊逻辑方法，实现对复杂系统的全面建模和控制。
混合神经模糊系统通过集成不同类型的神经网络和模糊逻辑方法，能够充分发挥 各自的优势，提高系统的整体性能。同时，它还能够处理不同类型的输入数据和 任务，具有更强的泛化能力和适应性。
应用前景
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
推理机制
行计算、速度快
式搜索、速度慢
推理操作 神经元的叠加
隶属 函数 的 最大 - 最 小
自然语言 实现不明确, 灵活性低 实现明确, 灵活性高
自适应性 优点 缺点
通过调整权 值学习, 容 错性高 自学习自组 织能力, 容 错, 泛化能力 黑箱模型, 难 于表达知 识
归纳学习, 容错性低
可利用专家的经验 难于学习, 推理过 程模 糊性增加
从上表中可见, 模糊逻辑与神经网络有本质上 的不同, 但是由于模糊逻辑和神经网络都被用于处 理不确定性、不精确性问题, 因此二者又有着天然的 联系. Hornik 和 White( 1989) 证明了神经网络的函数 映射能力[ 2] ; Kosko( 1992) 证明了可加性模糊系统的 模糊逼近定理( FAT, Fuzzy Approximat ion Theorem) [ 3] ; 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[ 4] . 这 说明模糊逻辑和神经网络有着密切联系, 二者都是 自适应模型无关估计器. 正是由于这些理论上的共 性, 才使模糊逻辑和神经网络的结合成为可能.
摘 要: 首先讨论了模糊神经网络协作体的产生和优越性 , 随后 将模糊神经 网络划分 为狭义模糊 神经网
络、用模糊逻辑增强网络功能的神经网络和神经模糊系统, 并分别介绍了各自的网络结构和学习算法, 最后介
绍了模糊神经网络的工业应用. *
关键词: 模糊逻辑; 神经网络; 综述
中图分类号: TP13
文献标识码: B
基于神经网络的模糊系统, 也被称为神经模糊 系统 ( NFS, Neura-l Fuzzy Systems) [ 15] , 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) . 通常, 神 经模糊系统的实现方法是先提取模糊规则, 再利用
Keywords: fuzzy logic; neural networks; survey
1 引言( Introduction)
系统的复杂性与所要求的精确性之间存在尖锐 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( Fuzzy Neural Network) 由于吸取了模糊逻辑和神经网络的优点, 部分 避免了两者的缺点, 已经成为当今智能控制研究的 热点之一.
2 模糊神经网络的提出( Proposing of fuzzy
neural network)
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.
A SURVEY ON FUZZY NEURAL NETWORK TECHNOLOGY
ZHANG Kai, QIAN Feng, LIU Man- dan
( Insitute of Automation, East China University of Science and Technolog , Shanghai 200237, China)
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. 随着研究的深入, 国际著名学术期刊纷纷 出版专辑, 如5IEEE Transactions on Neural Networks6 ( 1992) 、5Fuzzy Sets and Systems6 ( 1996, 1997) . 目前, 模糊神经网络作为智能控制理论的主要研究对象之
5期
张 凯等: 模糊 神经网络技术综述
433
模型名称 Fuzzy ML [9] Fuzzy CMAC[10]
FCM [6] Fuzzy ART [11] Fuzzy Hopield NN [7] Fuzzy Max- Min NN[ 12]
FCP [13] FWNN [14]
表 2 几种狭义模糊神经网络的结构 Tab. 2 Structure of several narrow sense fuzzy neural networks
提出 等 Jou
Kosko Carpent er 等
王士同
模糊神经元 权值模糊化 模糊神经元
权值模糊化 用模糊集进行极大极小操作
模糊神经元
具有模糊分类的功能 仿照 CMAC 的五层结构, 提高了 CMAC 的泛化能力 通过模糊规则, 以网络形式描述的知识库( 专家系统)
较好地解决了模糊信息存储、记忆的问题 可以记忆模式间的模糊相似关系
3 模 糊 神 经 网 络 的 研 究 进 展 ( Research progress in fuzzy neural network)
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[ 5] . Kosko( 1992) 出版了该领域的 第一本专著5Neural Network and Fuzzy Systems6[ 6] , 并 在这本专著中提出了模糊联想记忆、模糊认知图等
Abstract:The emergence and superiority of fuzzy- neuro synergy is discussed firstly. The fuzzy neural networks can be divided into three types: narrow- sense fuzzy neural networks, neural networks enhanced by fuzzy logic, and neural fuzzy network systems. The network structure and learning algorithm of the three types are introduced, and the industrial applications are also recommended.
Simpson 张志华等
模糊神经元 模糊化竞争神经元的输出
将超盒模糊集累积形成模式类 解决了宽度因子的选取问题
王岭和焦李成
权值模糊化
模糊化的子波神经网络
3. 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. 这方面研究才起步不久, 所做的研 究工作还不多. 3. 3 基于神经网络的模糊系统 ) ) ) 神经模糊系统
神经网络的学习算法对神经模糊系统的参数进行调 整. 由于神经模糊系统由模糊规则组成, 既能通过先 验知识初始化模糊规则, 又能利用训练样本直接建 立模糊规则, 因此神经模糊系统的学习过程既可以 是数据驱动的, 又可以是知识驱动的, 从而体现了模 糊神经网络的特点. 通常采用专家经验获取模糊规 则, 但这种方法实现十分困难. 而引入神经网络后, 不仅解决了先 验知识不足时模糊规则 的自确定问 题, 而且还可以实现模糊系统的自适应功能. 3. 3. 1 神经模糊系统的结构
第 32 卷第 5 期 2003 年 10 月 文章编号: 1002- 0411( 2003) 05- 0431- 05
信 息与 控 制
Information and Control
Vol. 32, No. 5 Oct. , 2003
模糊神经网络技术综述
张 凯, 钱 锋, 刘漫丹
( 华东理工大学自动化研究所, 上海 200237)
Pedrycz 和 Rocha( 1993) 通过对模糊逻辑与神经 网络融合时逻辑操作的研究, 确定了大批模型, 并引 入聚 合神 经元 ( Aggregation Neurons) 和指 示神 经元 ( Referential Neurons) , 论述了具体问题与网络最终结 构间的关系[ 7] ; Hirota 与 Pedrycz( 1993) 提出了基于知 识的网络( Knowledge- based Network) , 该网络由/ 与0、 / 或0模糊神经元组成, 可以清楚地表达区域分类知 识[ 8] .
模糊逻辑和神经网络各自从不同角度研究人的 认知问题. 模糊逻辑从宏观出发, 研究认知中的模糊 性问题; 神经网络从微观出发, 模拟人脑神经细胞的 结构和功能. 模糊逻辑和神经网络的比较如表 1[ 1] .
* 收稿日期: 2002- 07- 10 基金项目: 国家自然科学基金资助项目( 60074027) ; 上海市教育发展基金会曙光计划项目( 2000SG18) ; 国家/ 十五0 863 计划 CIMS 技术主 题项目( 2001AA411230)