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

法应用多层前向网络构造模糊控制器,一个网络作为模糊预测器,其余的网络则作为模糊控制器；Chen和Chang(1996),Chen和Li提出了运用模糊神经网络对PID控制器的参数进行调整的方法；陆文娟等(1999)研究了基模糊神经网络的机械手自适应控制,在常规控制器提取初始模糊规则的基础上,利用专家经验对初始规则进行补充,再使用反向传播算法对参数在线调整。

过程建模是模糊神经网络另一个重要的应用方面。Takagi和Hayashi(1991)提出了NNDFR,并使用NNDFR建立了日本大阪湾COD浓度的预测模型；Jang(1992)提出了ANFIS,并将其应用在复杂系统建模过程中；Nie等(1996)利用无监督的自组织对向传播网络和自增长、自适应的向量划分方法,设计出简化的模糊逻辑模型,并将其用在PH值建模过程中；Zhang和Mor-ris(1997)提出了一种动态的模糊神经网络,利用过程知识初始化反馈模糊神经网络的结构,并将其应用于CSTR的PH值动态建模过程中；Schmitz和Aldrich(1998)使用椭圆体基函数神经网络和遗传算法对化工过程进行建模,并给出了CERN算法。

4.总结

模糊神经网络融合了神经网络和模糊逻辑特点,它从提高神经网络的启发性、透明性和鲁棒性出发,将模糊化概念与模糊推理规则引入神经网络的神经元、连接权和网络学习中。模糊神经网络可以有效地发挥模糊逻辑与神经网络的各自优势,弥补各自的不足.需进一步开拓研究新型模糊神经网络,并探讨其在工业过程中的应用。