模糊神经网络技术

２０１１年２月　第３Ｏ卷第１期　重庆文理学院学报（自然科学版）　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｈｏｎｇｑｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ａｒｔｓ　ａｎｄ　Ｓｃｉｅｎｃｅｓ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　Ｆｅｂ．，２０１１　Ｖ０Ｌ　３０　Ｎｏ．１　

模糊神经网络技术　

谭　涛　，任开春　，陈熙隆　，马　俊　

（１．重庆通信学院研究生队，重庆沙坪坝４０００３５；２．重庆通信学院电子工程系，重庆沙坪坝４０００３５；　３．甘肃省军区兰州警备区，甘肃兰州７３００５０）　

［摘要］本文论述了近年来受到普遍关注的模糊神经网络技术的优点，详细叙述了模糊神经　

网络的融合方式及其特点，并且介绍了两种典型的算法结构和具体的实现过程，最后指出了研　

究中有待解决的问题．　

［关键词］模糊；神经网络；模糊神经网络　

［中图分类号］ＴＰ１１　［文献标志码］Ａ［文章编号］１６７３—８０１２（２０１１）０１—００７１—０４　

模糊神经网络（Ｆｕｚｚｙ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，ＦＮＮ）　

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，作为新的智能信息处理方法，对人工智能　

和模式识别的发展有重要作用，具有良好的发展　

前景．　

１　模糊神经网络兼具模糊技术和神经网　

络的优点　

人工神经网络是智能控制研究的新领域，它　

主要是直接模拟人脑的结构，通过学习和训练获　

得用数据表达的知识．除了可以记忆已知的信息　

以外，神经网络还具有较强的概括能力和联想记　

忆能力，有着很好的学习能力和准确拟合任意非　

线性函数的能力，并可通过目标系统的响应数据　

进行学习，不断提高拟合的精度．它已在控制、模　

式识别、图像和视频信号处理、人工智能、自适应　

滤波等方面获得了应用．但神经网络不足的地方　

是其复杂性和精确性很难调和，如果要提高精确　

性，其计算量就会有巨大的增长．其次，神经网络　

不适合表达基于规则的知识，因此在对神经网络　

进行训练时，由于不能很好地利用已有的经验知　识，常常只能将初始权值取为零或随机数，从而　

增加了网络的训练时间或者陷入非要求的局部　

极值　卜　．　

模糊系统（Ｆｕｚｚｙ　Ｓｙｓｔｅｍ）是以模糊集合论为　

基础，抓住人类思维中模糊性的特点，利用先验　

知识进行近似推理，能对复杂事物进行模糊识　

别、模糊度量，其最基本的概念是隶属度．用隶属　

度来描述某一对象或称为元素属于某一论域者　

称为集合的程度，这样既能准确描述人类思维中　

的模糊性，又能被计算机理解．模糊系统的显著　

特点是能够直接地表示逻辑，适于直接的或高级　

的知识表达，具有较强的逻辑能力．它已广泛应　

用于计算机科学、自动控制、系统工程、管理科　

学、思维科学、社会科学等领域．但模糊系统缺乏　

自学习和自适应能力．　

由上述讨论可以想见，若能将模糊逻辑和神　

经网络适当地结合起来，吸取两者的长处，则可　

组成比单独的神经网络系统或模糊系统性能更　

好的系统．　

上世纪八十年代出现了神经网络与模糊系　

统相结合，即模糊神经网络，它具有神经网络与　

模糊系统的优点，集学习、联想、识别、自适应及　

模糊信息处理于一体．１９８７年，美国学者Ｂ．Ｋｏｓ．　

ｋｏ在他的论文Ｆｕｚｚｙ　ａｓｓｏｃｉａｔｉｖｅ　ｍｅｍｏｒｉｅｓ中第一　

次对模糊神经网络进行了较为系统的研究了模　

［收稿日期］２０１０—１０—２０　［作者简介］谭涛（１９８０一），男，陕西柞水人，硕士研究生，主要从事模式识别方面的研究　

７１　糊神经网络的概念．在这之后短短的几年时间　

内，模糊神经网络的理论及应用获得了迅速的发　

展，各种新的模糊神经网络模型的提出以及与其　

相适应的学习算法的研究不仅加速了模糊神经　

网络理论的完善，而且广泛应用于智能控制、智　

能信息处理、智能决策系统、智能传感器等，融合　

在信息处理技术中，成果层出不穷．　

２　ＦＮＮ的融合方式　

按照神经网络与模糊技术的融合方式可分　

为三类　，下面分别介绍．　

２．１神经元、模糊模型　

该模型以模糊控制为主体，应用神经网络，　

实现模糊控制的抉择过程，以模糊控制方法为　

“样本”，对神经网络进行离线训练学习．“样本”　

即学习的“老师”．所有样本学习完以后，神经网　

络就变成了一个模糊规则表，具备了自学习、自　

适应能力．如图１所示．　

图１样本学习控制　

２．２模糊、神经模型　

该模型以神经网络为主体，将输入空间分割　

成若干不同形式的模糊推论组合，对系统先进行　

模糊逻辑判断，以模糊控制器输出作为神经元网　

络的输入．后者具有自学习的智能控制特性．如　

图２所示．　

图２智能控制　

２．３神经与模糊模型　

该模型根据输入量的不同性质分别由神经　

７２　网络与模糊控制并行直接处理输入信息，直接作　

用于控制对象，更能发挥各自的控制特点．如图　

３所示．　

图３直接控制　

３　ＦＮＮ两种典型的模型结构及算法说明　

３．１　基于标准模型的模糊神经网络　

如图４所示的是基于标准模型的多输人单　

输出模糊系统的结构，这种类型的模糊规则后件　

是输出量的一个模糊集合　．　

第三瑶　摹四岳　蓐五蜃　

图４基于标准模型的模糊神经网络结构　

图中第一层为输入层．该层的各个结点直接　

与输入向量的各分量　连接，它起着将输人值　

＝［　。　…　］　传送到下一层的作用．该层的结　

点总数Ｎ　＝ｎ．　

第二层每个结点代表一个语言变量值．它的　

作用是计算各输入分量属于各语言变量值模糊　

集合的隶属度函数　：　

垒／ｚｍ（　）．　

其中ｉ＝１，２，…，ｎ　＝１，２，…，舰ｎ是输＾量的维数，　

是　的　分言『Ｊ数该层　总数　：∑似．　

第三层的每个结点代表一条模糊规则，它的　

作用是用来匹配模糊规则的前件，计算出每条规　

则的适用度．该层的结点总数Ｎ３＝ｍ．对于给定　

的输入，只有在输入点附近的那些语言变量值才　有较大的隶属度值，远离输入点的语言变量值的　

隶属霎　例如小于。．。５　近似　当隶属度函数很小时（例如小十Ｕ’∞　

取为０．因此在０［　中只有少量结点输出非０，　

薮　点的输出为０，这一点类似于局部逼近网络　

第四层的结点数与第三层相同，即Ｎ４　Ｎ３　

：ｍ，它的作用是归一化计算，即　

：一　～，　：１，２，…，ｍ．　＝一　『Ｌ～，Ｊ　，，。。’　“　

。　第五层是输ｌ＝出ｉ层，它所实现的是清晰化计　

算，即　

Ｙ。＝∑　，ｉ＝１，２，…，　假设各输入分量的模糊分割数是预先确謇　

的，那么需要学习的参数主要是最后一层的连接　

，以及第二层的隶属度函数的中心值和宽　

卜　面所给出的模糊神经网络本质上也是一种　

层前馈网络，所以可以仿照ＢＰ网络用误差反传　

的方法来设计调整参数的学习算法・　．。　；　基于Ｔａｋ　ｇｉ—ｓｕｇｅｎ。模型的模糊神经网络　

Ｔａｋａｇｉ—Ｓｕｇｅｎｏ模糊模型是Ｔ．Ｔａｋａｇｉ和Ｍ・　

Ｓｕｇｅｎｏ提出的一种模糊模型的表示方式（以下　

称Ｔ—Ｓ模糊模型）．其模糊蕴含条件句形如“若　

是Ａ则　：　）”，其中　）是　的线性　：　根据Ｔ—ｓ模糊模型，可以设计出如图５所示的模　

糊神经网络结构　．　

图５　基于Ｔａｋａ　一Ｓｕｇｅ。模型的模糊神经网络结构　

由图可见，该网络由前件网络和后件网络组　

成，前件网络用来匹配模糊规则的前件，后件网　

络用来产生模糊规则的后件・　

３．２．１　前件网络　前件网络由４层组成，与标题模型的模糊神　

经网络结构的第一至四屋相似．第一层为输入　

层’　一个语言变量值，节点　第二层每个结点代表一个话吾　重　Ｌ｜Ｌ，【Ｊ　总数Ⅳ２＝∑　

第三层　每个结点代表一条模糊规则，该层　

的结点总数Ｎ，＝ｍ・　～第四层的结点与第三层相同，它所实现的是　

归一化计算．　

３．２．２　后件网络　

后件网络由ｒ个结构相同的并列子网络组　成，每个子网络产生一个输出量．　

子网络的第一层是输入层，它将输入变量传　

送到第二层．输入层中第０个结点的输入值‰＝　

ｌ，它的作用是提供模糊规则后件中的常数项．　

子网络的第二层共有ｍ个结点，每个结点代　

表一条规则，该层的作用来计算每一条规则的后　

件，即　

Ｙ　＝　ｉ＋　ｉ　＋…＋　：∑　，　＝Ｕ　ｉ＝１，２，…，ｒ，　＝１，２，…，ｍ．　

子网络的第三层是计算系统的输出，即　

ｍ—　＝∑０。　口，ｉ＝ｌ，２，…，ｒ．　

可见，它是各规则后件的加权和，加权系数为各　

模糊规则的经归一化的适用度，亦即前件网络的　

输出用作后件网络第三层的连接权值．　

至此，图５所示的神经网络完全实现了Ｔ—　

ｓ模糊系统模型的功能．　

假设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　

权以及前件网络第二层各结点隶属函数的中心　

值及宽度．　

４　结语　

近年来，模糊神经网络理论研究方面虽取得　

了一系列成果，但面临的问题仍很多，如怎么利　

用模糊神经网络来处理有畸变的模糊信息？模　糊神经网络如何程序化？各种模糊神经网络的　

学习算法如何设计、优化？稳定性能如何？其　

次，目前国内外对模糊神经网络的研究绝大多数　

均集中于ＢＰ神经网络与模糊逻辑融合的模糊神　

经网络，由于ＢＰ网络本身存在的一些固有缺陷，　

造成了融合后的网络也存在着一些缺陷．这些缺　

陷主要有：学习收敛速度慢，容易陷入局部极　

小，实时学习能力差和泛化能力有待增强等等．　

这都有待于广大学者的进一步努力．总之，在模　

糊神经网络的研究中，对其各个方面的理论探讨　

并逐渐将其系统化、理论化，这将是一个必不可　

少的环节．　

［参考文献］　

［１］韩敏，孙燕楠．多输入模糊神经网络及其应用［Ｊ］．系　

统工程与电子技术，２ｏｏ３（１０）：１２４９—１２５１．　ｆ２］王鸿斌，张立毅．新型神经网络的发展及其应用［Ｊ］．　忻州师范学院学报，２００７（４）：５ｌ一５２．　［３］王耀南．智能信息处理技术［Ｍ］．北京：高等教育出　版社，２００３：１９２—１９６．　［４］魏延，曹长修．改进的模糊神经网络学习规则研究　［Ｊ］．河南师范大学学报：自然科学版，２００７（２）：５１—　５３．　［５］孙增圻．智能控制理论与技术［Ｍ］．北京：清华大学　出版社。１９９７：１６９—１８１．　［６］姜长元，朱庆保．基于Ｔ—ｓ逻辑的新型模糊神经网　络模型［Ｊ］．南京师范大学学报：工程技术版，２００６　

（９）：５１—５２．　

Ｆｕｚｚｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｅｃｈｎｏｌｏｇｙ　

ＴＡＮ　Ｔａｏ　，ＲＥＮ　Ｋａｉ—ｃｈｕｎ　，ＣＨＥＮ　Ｘｉ—ｌｏｎｇ’，ＭＡ　Ｊｕｎ　（１．Ｇｒａｄｕａｔｅ　Ｔｅａｍ，Ｃｈｏｎｇｑ￣ｇ　Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｐｉｎｇｂａ　Ｃｈｏｎｇｑｉｎｇ４０００３５，Ｃｈｉｎａ；　２．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｏｎｇｑ￣ｇ　Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｐｉｎｇｂａ　Ｃｈｏｎｇｑｉｎｇ４０００３５，Ｃｈ￣ａ；　３．ＬａｎｚｈｏｕＧａｒｒｉｓｏｎＣｏｍｍａｎｄ．ＧａｎｓｕＰｒｏｖｉｎｃｉａｌＭｉｌｉｔａｒｙＣｏｍｍａｎｄ，ＬａｎｚｈｏｕＧａｎｓｕ　７３００５０，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ａｄｖａｎｔａｇｅｓ　ｏｆ　ｔｈｅ　ｆｕｚｚｙ　ｈｅｖｒａｌ　ｎｅｔｗｏｒｋ　ｔｅｃｈｎｏｌｏｇｙ，ｗｈｉｃｈ　ｗａｓ　ｔｈｅ　ｐｕｂｉｃ＇ｃｏｎｃｅｒｎ　ｉｎ　ｒｅｃｅｎｔ