资源描述：
《人工智能翻译》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、10.4并发神经模糊系统模糊系统和神经网络可以为电厂没有相互合作并行工作在自己。例如,一些日本空调使用FS阻止压缩机从冰冷的冬天,使用神经网络估计指数参数的安慰,被称为预测意味着投票(PMV)。结构可以被定义为一个函数的空间温度,平均辐射温度、相对气流速度、湿度、热阻用户的衣服,代谢率。有些结构各参数不能使用传感器测量,例如,热电阻的服装和代谢率。神经网络可以用来估计PMV指标从一组测量变量等房间温度、时间微分的房间温度、室外空气温度、空气流量、 设置温度和气流方向(齐藤etal.,1990)。传感器数据和PVM作为输入和输出PVM={房间温度、平均辐射温度、相对气流速度、潮
2、湿 密度,热阻用户的服装、代谢率}传感器数据={房间温度、时间微分的房间温度、室外空气温度、空气流量、设定温度、气流方向}神经网络进行非线性映射到结构各传感器测量值的索引。松下电气公司所使用的技术已经在他们的空产品如图10.13所示。10.5混合神经模糊系统在任何模糊系统,推论使用规则库和使用不同的方法去模糊化如重心是最耗时的部分。混合方法的想法是解释一个模糊系统的神经网络。这里采用的策略神经模糊系统,首先,取代用神经网络的规则库推理处理简化其次,发现模糊系统的参数学习方法从神经网络的方法。一种常见方法应用学习算法模糊系统是代表在特殊neural-network-like架构
3、,如反向传播学习算法可以用来训练系统。在第一种神经模糊系统,可以有三种类型的模糊神经网络只替换规则库,输入和输出没有学习算法用于优化MFs或系统的参数。这些都是模糊的三种基本类型 系统。应用启发式或试错方法优化和调整参数:*与Mamdani-type模糊神经网络的模糊推理系统, *与Takagi-Sugeno-Kang-type模糊神经网络的模糊推理系统, *与Tsukamoto-type模糊神经网络的模糊推理系统。在第二种神经模糊系统中,如反向传播或学习算法混合训练应用于系统的优化或调整参数。有不同的类神经模糊系统在1990年代的文献报道。其中的一些详细讨论在下面:*模糊
4、自适应学习控制网络(FALCON), *近似reasoning-based智能控制(ARIC),*广义近似reasoning-based智能控制(GARIC), *模糊基函数网络(FBFN), *模糊净(有趣的),*自适应神经模糊推理系统(简称ANFIS), *infuzzy模糊推理和神经网络推理软件(最好), *神经模糊控制器(NEFCON), *MANFISCANFIS, *Self-constructing神经模糊推理网络(SONFIN), *模糊神经网络(NFN)。10.5.1模糊神经网络的模糊推理系统与Mamdani-Type在本节中讨论的模糊神经网络是一种Mamda
5、ni-type模糊系统规则库是一个神经网络所取代。的详细描述Mamdani-type模糊在第三章提供推理系统。为简单起见,一个简单的two-inputsingle-output系统如图10.14所示。图10.14所示的模糊神经网络组成五层,描述如下。1层：本层的节点表示的模糊隶属度，{}在X1和AJ，有两个输入。这些节点计算输入的会员等级的X2模糊化操作：第2层:这一层的每个节点代表一个模糊系统的规则。每个节点的发射强度决定了规则,定义为这个函数。表示推测操作使用该产品的规则或最小规则。例如,方程(10.4)定义了使用的发射强度产品规则:归一化权重可以提供相对个人的发射强度的规
6、则。归一化计算方程(10.5)。归一化权重不习惯在上面体系结构。第三层:这一层中的每个节点表示模糊MF输出。MFspre-defuzzified和去模糊化操作的输出是表示去模糊化操作应用于MFsC是每个规则的顺向MFs值。不同类型的去模糊化操作,在第二章所讨论的,可以在这里申请第四层:这一层中的单一节点产生最终的输出通过聚合解雇规则值,定义为去模糊化操作应用于MFsC是每个规则的顺向值。不同类型的去模糊化操作,在第二章所讨论的,可以在这里申请第四层:这一层中的单一节点产生最终的输出通过聚合解雇规则值,定义为10.5.2Takagi-Sugeno-type模糊模糊神经网络推理系统
7、在本节讨论的模糊神经网络是一个关野型系统（又称asTakagi-关野康型模糊系统）。目前的模糊神经系统，主要是关野型模糊系统的规则库由NE乌拉尔净接替工作，并把输出线性函数，而不是关野型fuzzyinference模糊MFs.A详细说明中描述的MF系统是在第3章中，为方便起见简单的双输入单输出系统是如图10.15所示的模糊神经网络由四个层，如下所述。第1层：该层每个节点i的模糊隶属函数的节点和x1是两个输入。这些节点计的隶属度其中，x2输入：其中j=1,2，第2层：在该层中的每个节点是一个固
