模糊神经网络的算法和原理

计算机算法设计与分析

收稿日期：2012-4-8 修改日期：2012-4-10

作者简介：刘康康 安徽蚌埠人 安徽中医学院本科生 医药信息工程学院 09医软一班 09713026 扩展卡尔曼滤波的模糊神经网络算法

刘康康

（安徽中医学院 医药信息工程学院 09医软一班 09713026 安徽 合肥230031）

摘 要:为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF 算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度和泛化能力。

关键词:模糊神经网络;扩展卡尔曼滤波;自组织学习

中图分类号：TP301.6

Fast self-organizing learning algorithm based on for fuzzy

neural network

LIU kang-kang

(Anhui University of Traditional Chinese Medicine, Medical Information Engineering, Hefei 230031, Chin

模糊神经网络

模糊经神络网及在温其度控中的应制用主要容：内1模糊控技术及制其温在中控应的 用经网络控制神术技模糊神网络的经应用 传算遗法模糊神对经网的优化

络234

模糊神经网络

模神糊网经络其及在温度控中制的应用 .1 1模糊逻辑数学基的础从论U域中意指定一任元素x,及U个上集的A合 果x如集是合的一A元个，素那么做记∈A x果如x是集合A不的一元素，个那么记x做A x与合集A的系关:要是x么于A属，么x不属要于,A二者居必其一，不允许 有属既A又不于于A的属棱两可模的况发生。情模糊集 合的念概：基其本想是把经典集思中的绝合隶对属系模关 糊，化隶从属数方面来看就函:是素元x对A隶属度不再局于0限 或1而，可以取是0从到1任的一何个值

数模糊

模糊神经网络

神经络网其在温度及制中的控应用1.1 模逻辑糊数的基础学所谓域U上的论一个模糊子集(称简模糊集),A是 指于对任意x∈U ,定指一了数u个(A)x [∈0,1] 叫做u,对A的隶属度程。映射u叫A做 A的属隶函。 隶属数函的数类有型以三种类型下( )1大偏型属隶函数(型)S()2偏小隶属型数函(Z型)3()中型隶间属函数π()型

模糊神经网络

模糊经神络网其在及度温制控中的用 1.1 应糊逻辑模数的学础

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减

摘 要

神经网络作为一门新兴的信息处理科学，是对人脑若干基本特性的抽象和模拟。它是以人的大脑工作模式为基础，研究自适应及非程序的信息处理方法。这种工作机制的特点表现为通过网络中大量神经元的作用来体现自身的处理功能，从模拟人脑的结构和单个神经元功能出发，达到模拟人脑处理信息的目的。

目前，在国民经济和国防科技现代化建设中神经网络具有广阔的应用领域和发展前景，其应用领域主要表现在信息领域、自动化领域、工程领域和经济领域等。

本文以BP神经网络作为研究对象。研究的内容主要有：首先介绍了神经网络的概念、控制结构，学习方式等。其次，介绍了人工神经元模型，并对BP神经网络的基本原理及推导过程进行详细阐述。再次将BP神经网络的算法应用于PID中，介绍了基于BP神经网络PID整定原理和算法步骤。最后利用 MATLAB/Simulink对BP神经网络PID控制系统进行仿真，得出BP神经网络的控制效果明显好，它具有很强的自整定，自适应功能。

关键词：BP算法，PID控制，自整定

I

ABSTRACT

As a kind of emerging information processing science，the neural network can si

BP神经网络原理

BP网络模型处理信息的基本原理是：输入信 号Xi通过中间节点(隐层点)作用于输出节 点，经过非线形变换，产生输出信号Yk,网 络训练的每个样本包括输入向量X和期望输出 量t,网络输出值Y与期望输出值t之间的偏差， 通过调整输入节点与隐层节点的联接强度取 值和隐层节点与输出节点之间的联接强度Tjk 以及阈值，使误差沿梯度方向下降，经过反 复学习训练，确定与最小误差相对应的网络 参数(权值和阈值),训练即告停止。此时 经过训练的神经网络即能对类似样本的输入 信息，自行处理输出误差最小的经过非线形 转换的信息。

BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、 误差计算模型和自学习模型。 (1)节点输出模型 隐节点输出模型：Oj=f(∑Wij×Xi-qj) (1) 输出节点输出模型：Yk=f(∑Tjk×Oj-qk) (2) f-非线形作用函数；q -神经单元阈值。

2作用函数模型 作用函数是反映下层输入对上层节点刺激脉冲 强度的函数又称刺激函数，一般取为(0,1)内连续 取值Sigmoid函数： f(x)=1/(1+e-x)

( 3)误差计算模型 误差计算模型是反映神经网络期望输出与计算输出 之间误差大小

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 i

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

基于模糊神经网络的智能火灾报警系统

姜国强,孟庆春,汪玉凤

(辽宁工程技术大学电气工程系,辽宁　阜新　123000)

摘要:本文介绍了基于模糊神经网络智能火灾报警系统,在系统中应用了模糊控制理论既提高了系统的精度又最大限度的减少了

系统的误报率,解决了火灾报警系统中长期存在的问题。结合具有自学习功能的神经网络算法,提高了系统的智能化程度,是现代智能控制理论在消防自动化系统中的应用。

关键词:神经网络;模糊控制;智能

中图分类号:TP277　文献标识码:B 　文章编号:100327241(2003)0920012203

Intelligent Fire Alarm System Ba sed on Fuzzy

Neural Networks

JIANG G uo -qiang ,MENG Q ing -chun ,WANG Yu -feng

(Electrical Engineering Department o f Liaoning Technical Univer sity ,Fuxin 123000,China )

Abstract :An

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

基于模糊神经网络的智能火灾报警系统

姜国强,孟庆春,汪玉凤

(辽宁工程技术大学电气工程系,辽宁　阜新　123000)

摘要:本文介绍了基于模糊神经网络智能火灾报警系统,在系统中应用了模糊控制理论既提高了系统的精度又最大限度的减少了

系统的误报率,解决了火灾报警系统中长期存在的问题。结合具有自学习功能的神经网络算法,提高了系统的智能化程度,是现代智能控制理论在消防自动化系统中的应用。

关键词:神经网络;模糊控制;智能

中图分类号:TP277　文献标识码:B 　文章编号:100327241(2003)0920012203

Intelligent Fire Alarm System Ba sed on Fuzzy

Neural Networks

JIANG G uo -qiang ,MENG Q ing -chun ,WANG Yu -feng

(Electrical Engineering Department o f Liaoning Technical Univer sity ,Fuxin 123000,China )

Abstract :An

维普资讯 http://www.77cn.com.cn

印 l卷 8

20 0 8年 7月

第 7期

计算机技术与发展C OM PUTER TECHNOL OGY AND DEVELOPMENT

V0 . 8 No 7 11 .

J1 2 0 u. 0 8

基于微粒群算法和脉冲耦合神经网络的图像分割算法卢桂馥刘金飞2王勇，易文，,窦(. 1安徽工程科技学院计算机科学与工程系，安徽芜湖 2 10; 4 002 .芜湖天创技术创新服务有限公司，徽芜湖 210 )安 400摘要：冲耦合神经网络 (u e ol erl e okP N在图像处理中得到了十分广泛的应用，脉 P l C u dN u N t r,C N) s e a w但是其多个参数的

设置给实际应用造成很大的困难。尤其是在图像分割中，同类型的图像要求不同的分割参数，同的参数对图像分割不不的结果影响很大。而微粒群优化算法 (at￣S r pi ztn P 0具有对参数自动寻优的优势， Prc wa O t ao,S ) i m mi i为此， P O和 P .将 S CN N相结合，以改进的最大熵函数为适应度函数，出了一种基于 P O和 P N算法的图像自动分割算法。实验仿真结提 S CN

果验证了该