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 |
