论文部分内容阅读
针对常规模糊神经网络和补偿模糊神经网络的不足，提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步：结构辨识和参数辨识。在结构辨识中，采用关系度聚类方法，自动地划分输入／输出空间，确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数，即枸造一个初始模糊模型；在参数辨识中，采用具有五层结构的补偿模糊神经网络，并根据梯度下降法调整所建的初始模糊模型参数，使其具有更高的精度。通过对一非线性系统的建模，仿真结果表明，该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。