论文部分内容阅读
由于模糊控制和神经网络共生互补,因此它们的结合产物——模糊神经网络成为当今智能控制领域的研究热点。典型的模糊神经网络结构就是被称为模糊多层感知器类型的模糊神经网络结构。在模糊神经网络中,代表规则节点的数目直接影响着整个网络的性能和效率。因而,需要进行规则优化即模糊神经网络结构的优化。现在大部分结构优化算法需要重新训练网络,非常浪费时间。为此,本文作了如下的工作:对模糊神经网络的各种结构优化方法进行了归纳和总结。神经网络自构行学习（NNSCL）算法属于剪枝法中的统计法类,是在BP（Back-propagation）算法的基础上形成的一种多层前向神经网络的剪除式结构学习算法。针对NNSCL算法需要重新训练的缺点,提出了改进的INNSCL算法,修改了相关系数和样本分散度公式,用广义逆矩阵算法代替数理统计的线性方法修改剩余权值。该算法通过调整四个参数C1 ,C2,γ1和γ2来选择最好的优化结果,能够找到最小数量的规则数,且优化后不需要重新训练仍能保持整个网络的性能。逐次修剪（IP）法也属于剪枝法,是删除节点后用最小二乘问题修改剩余权值而保持整个网络的输出不变,所以网络优化后不需要重新训练。此算法在修改剩余权值时花费很多时间,因而提出了改进的逐次修剪（IIP）法,采用“分块”和用广义逆矩阵算法代替共轭梯度预处理正则方程法,大大提高了网络优化效率。提出了一类新的模糊神经网络结构,它是在典型模糊神经网络结构的基础上进行的扩展,即在模糊化层上增加了层次,增加的层次是用来形成输入变量的各模糊集合的隶属度函数,使得隶属度函数的生成过程一目了然,并且在网络的训练过程中可以调整。此网络可以自动生成隶属度函数和自动获取模糊规则。两种改进算法用于提出的一类新的模糊神经网络的规则推理层进行规则优化,并将它们向网络的低层次上扩展可对输入变量模糊集合的隶属度函数进行调