第三层的每个节点代表一条模糊规则,是用来匹配模糊规则的前件,计算出每条规则的适用度。即或,
其中,…,,。该层的节点点数。第四层的结点数与第三层相同,即。它实现的是归一化算法,即:
(2)后件网络。后件网络由r个结构相同的并列子网络所组成。每个子网络产生一个输出量。子网的第一层是输入量,输入层中第0个节点的输入值,它的作用是提供模糊规则后件的常数项。二层共有m个节点,每个节点代表一条规则,该层的作用是计算每一条规则的后件,即:
第三层是计算系统的输出,即: ,
所以,是各后件的加权和,加权系数为各模糊规则的经归一化的适用度。
2.2 学习算法
假如各输入分量的模糊分割数是预先确定的,那么需要学习的参数主要是后件网络的连接权。免费论文参考网。及前件网络中心值和宽度。设取误差代价函数为: 可求得该模糊神经网络的参数学习算法为:
(6)
(7)
(8)
3.自适应神经网络NN2
式(2)可以用G(·)来描述:
(9)
G(·)是与、、、、和等有关的非线性函数。这里用网络NN2通过训练和学习来寻找最佳控制规律。
设NN2是一个3层前向网络,其结构如图所示。由于参数、和是误差,误差变化的函数,因此网络的输入节点分别为系统状态变量、和;输出为、和。免费论文参考网。由于输出为非负值,所以输出层激活函数取Sigmoid函数,隐含层激活函数取双曲正切。
神经网络NN2的前向计算过程为:
输入层:(10)
隐含层: (11)
式中为输入层到隐含层的加权系数;为活化函数。
输出层:(12)
式中为隐含层到输出层加权系数。即,,。权值的修正采用误差反传播学习算法进行调整。
2/3 首页 上一页 1 2 3 下一页 尾页 |