12模糊神经网络及其应用12

《12模糊神经网络及其应用12》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、第十一讲混合智能控制模糊神经网络及其应用ANN和FLS的比较模糊神经网络结构及其学习算法模糊小波神经网络在控制中的应用ANN（ArtificialNeuralNetwork）和FLS（FuzzyLogicalNetwork）的比较：相同之处1）都是非数值型的非线性函数的逼近器、估计器、和动态系统；2）不需要数学模型进行描述，但都可用数学工具进行处理；3）都适合于VLSI、光电器件等硬件实现。不同之处：㈠工作机制方面：ANN——大量、高度连接，按样本进行学习FLS——按语言变量、通过隐含、推理和去模糊获得结果。㈣应用上：ANN——偏重于模式识别，

2、分类FLN——偏重于控制神经模糊网络——把ANN的学习机制和FLN的人类思维和推理结合起来。㈡信息处理基本单元方面：ANN——数值点样本，xiyiFLN——模糊集合（Ai，Bi）㈢运行模式方面：ANN——学习过程透明，不对结构知识编码FLN——不透明，对结构知识进行编码，推理过程外界可知结合方式有3种：1）神经模糊系统——用神经元网络来实现模糊隶属函数、模糊推理，基本上（本质上）还是FLN。2）模糊神经系统——神经网络模糊化，本质上还是ANN。3）模糊-神经混合系统——二者有机结合。●基于神经网络的模糊逻辑运算①用神经网络实现隶属函数②神经网络

3、驱动模糊推理③神经网络的模糊建模模糊神经网络结构及其学习算法模糊规则描述如下:模糊小波神经网络通过乘积规则推理﹑重心去模糊化,网络输出可以表示为:模糊神经网络模糊小波神经网络模糊规则描述如下:i=1,2,…,c模糊小波神经网络输出通过乘积规则推理﹑重心去模糊化,网络输出可以表示为:模糊小波神经网络结构图自适应模糊小波网络控制器设计控制器反馈控制监督控制自适应控制率定理1:对未知非线性系统,采用给出的控制方案和自适应律，则:倒立摆系统谢谢大家的耐心合作