【正文】 e, 2003， 679682.[3] Rashid PLL in CMOS .18181。參考文獻[ 1 ] 　虞和濟,陳長征,等. 基于神經網絡的智能診斷[M ]. 北京:冶金工業(yè)出版社, 2002.[ 2 ] 　曾慶寧,劉　,周德新. 基于ANFIS的非線性自適應噪聲消除[ J ]. 通信學報, 2001 (12) : 108 112.[ 3 ] 　呂仲軍,朱信群. 基于神經網絡分析的柴油機燃油噴射系統(tǒng)的故障診斷研究[ J ]. 車用發(fā)動機, 1999 (8) : 54 57.[ 4 ] 　SUGUO M. A Fuzzy Logic2Basic App roach to QualitativeModeling[ J ]. IEEE Trans on Fuzzy System, 1993 (1) : 7 31.[ 5 ] 　張智星,孫春在,水谷英二. 神經模糊和軟計算[M ]. 張平安,高春華,譯. 西安:西安交通大學出版社, 2001: 229 255.[ 6 ] 　吳曉莉,林哲輝. MATLAB輔助模糊系統(tǒng)設計[M ]. 西安:西安電子科技大學出版社, 2002.[ 7 ] 　蔡開龍,楊秉政,謝壽生. 基于模糊神經網絡的航空發(fā)動機故障診斷[ J ]. 機械科學與技術, 2004 (1) : 96 98.8 結論致 謝 首先要感謝蔣林老師，是他在整個畢業(yè)設計過程中給我提供了畢業(yè)設計所需要的資料，幫助解答畢業(yè)設計中遇到的問題。(2) 所構造ANF IS網絡對模糊推理系統(tǒng)( F IS)的參數辨識是基于實際訓練數據的,客觀地反映了輸入參數與待預測變量的復雜非線性關系,使得F IS中模糊規(guī)則及隸屬度函數更客觀真實,提高了預測精度。對于每個樣本數據對，首先從輸入節(jié)點開始前向計算出各個節(jié)點處的輸出值，然后從輸出節(jié)點開始利用反向傳播算法，計算出所有隱層節(jié)點的偏導數。 網絡的學習模糊神經網絡的學習過程是一個多變量尋優(yōu)的一個過程。[1]層為輸入層，將x=[x1,x2,...xn]t傳送下一層。這里的節(jié)點數為m，第三層與第四層全連接；第四層把第三層的數據進行歸一化處理!節(jié)點數也為m。對于算術模糊神經網絡，則有模糊BP算法，遺傳算法等。上面三種形式的模糊神經網絡中所執(zhí)行的運算方法不同。但缺點是它不能處理和描述模糊信息，不能很好利用已有的經驗知識，特別是學習及問題的求解具有黑箱特性，其工作不具有可解釋性，同時它對樣本的要求較高。 d) 神經元模型與模糊模型完全融合：該模型二個系統(tǒng)密切結合，不能分離。后者具有自學習的智能控制特性。神經網絡直接鑲嵌在一個全部模糊的結構之中，因而它能夠向訓練數據學習，從而產生、修正并高度概括輸入/輸出之間的模糊規(guī)則。神經網絡和模糊系統(tǒng)由樣本數據（數值的，有時也可以是用語言表述的），即過去的經驗來估計函數關系，即激勵與響應的關系或輸入與輸出的關系。一般來講，模糊神經網絡主要是指利用神經網絡結構來實現模糊邏輯推理，從而使傳統(tǒng)神經網絡沒有明確物理含義的權值被賦予了模糊邏輯中推理參數的物理含義。如前所述，它們在對信息的加工處理過程中均表現出很強的容錯能力。第三類具有模糊輸入的模糊神經元,其輸入和輸出都是模糊集,但輸入模糊集被修正成另一種模糊集。下面介紹幾種常見的基本模糊神經元。模糊技術的特長在于邏輯推理能力,可以模擬人類判斷和決策的能力,但模糊技術不具備學習功能。 模糊神經網絡概述模糊系統(tǒng)與神經網絡結合的可能性Kosko證明了一個加性模糊系統(tǒng)能以任意的精度逼近一個緊致域上的任意連續(xù)函數。注意：我們共有9個規(guī)則，所以相應地有9個輸出隸屬函數。在Params(參數)處，選擇三角形涵蓋的區(qū)間，填寫三個值，分別為三角形底邊的左端點、中點和右端點在橫坐標上的值。（2） .隸屬度函數編輯器(Mfedit)該編輯器提供一個友好的人機圖形交互環(huán)境，用來設計和修改模糊推理系中各語言變量對應的隸屬度函數的相關參數，如隸屬度函數的形狀、范圍、論域大小等，系統(tǒng)提供的隸屬度函數有三角、梯形、高斯形、鐘形等，也可用戶自行定義。其中模糊推理系統(tǒng)可以采用Mandani或Sugeuo兩種類型，解模糊方法有最大隸屬度法、重心法、加權平均等。又設是XY論域上描述模糊條件語言“若則”的模糊關系，其隸屬函數為 式中E為代表全域的全稱矩陣。M是語義規(guī)則，根據語義規(guī)則給出模糊子集X的隸屬函數。自然語言的突出特點在于它具有模糊性，如“今天是個好天”，“小王很年輕”等等。應用模糊理論，可以對用模糊語言描述的模糊命題進行符合模糊邏輯的推理（演繹推理，歸納推理）。A的補(plement)，記作A，有： 其中，min和?表示取小運算，max?和表示取大運算。 4） 鐘型隸屬函數 隸屬函數曲線如圖(36)所示：隸屬函數的解析式見式(36)。因此，普通集合是模糊集合的特殊情況，而模糊集合是普通集合的推廣。A： 這個映射稱為模糊集合A的隸屬函數(membership function)。具有某些特定屬性的元素的全體稱為U上的一個“集合”，常用大寫字母A、B……表示。例如“青年”這個概念，它的內涵我們是清楚的，但是它的外延，即什么樣的年齡階段內的人是青年，恐怕就很難說情楚，因為在“年輕”和“不年輕”之間沒有一個確定的邊界，這就是一個模糊概念。 同時對于反向, 當進行權值調整時,可以將輸出層的δ值返回到隱層。(6) 、(7) 兩式適合于網絡的所有各層?，F在考察第j 隱層中的p節(jié)點和第k 輸出層(有時輸出層不止一層) 的q 節(jié)點,可以用k 輸出層的期望輸出減去實際輸出得到此時的誤差值, 根據傳統(tǒng)動量BP 算法可以得到輸出層的δ值: （3）E 是q 的期望輸出值。鑒于此，目前對BP算法的改進主要集中在兩個方面:1) 是避免陷入局部極小值，一旦陷入要想辦法逃出。綜上，我們可以看出BP算法主要的優(yōu)點是簡單、易于實現。BP網絡是一種多層前饋神經網絡，它采用后向傳播算法，亦稱BP算法(首先樣本從輸入層經各中間層向輸出層傳播，輸出層的各神經元獲得網絡的輸人響應。每一次權值和誤差的變化都與網絡誤差的影響成正比。該算法在層次型網絡結構上采用誤差逆?zhèn)鞑W習方式，學習過程由正向傳播和誤差逆?zhèn)鞑ソM成。2)大規(guī)模并行處理BP神經網絡信息的存儲與處理(計算)是合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規(guī)模并行分布方式處理為主，比串行離散符號處理的現代數字計算機優(yōu)越。它有廣泛的應用，主要包括模式識別及分類、故障智能診斷、圖像處理、函數擬合、最優(yōu)預測等方面的應用。，做為前饋網絡，右為反饋網絡。 函數f表達了神經元的輸入輸出特性。 人工神經元模型人工神經網絡是利用物理器件來模擬生物神經網絡的某些結構和功能。細胞體是神經元的中心，它一般又由細胞核、細胞膜等構成。一大批學者和研究人員圍繞著 Hopfield提出的方法展開了進一步的工作，形成了80年代中期以來人工神經網絡的研究熱潮。這項工作首次把人工神經網絡的研究從理論探討付諸工程實踐。諾依曼領導的設計小組試制成功存儲程序式電子計算機，標志著電子計算機時代的開始。Mcculloch和數理邏輯學家W良好的泛化能力使神經網絡預測模型具有較高的實用價值。BP神經網絡（Backpropagation Neutral Network）是目前應用最廣泛的網絡模型之一，在水文預測預報等方面都有應用。雖然模糊神經網絡得到了突飛猛進的發(fā)展，但目前還存在很多問題：一是多變量，復雜控制系統(tǒng)中，很難確定網絡的結構和規(guī)則點的組合“爆炸”問題；二是傳統(tǒng)的Bp學習方法易陷入局部極小值，并且學習速度較慢。將模糊系統(tǒng)和神經網絡進行有機的結合，可以有效的發(fā)揮自己的長處并彌補其不足。所謂模糊神經網絡就是可進行模糊信息處理的神經網絡，他們通常是一類有大量模糊的或非模糊的神經元相互關聯構成的網絡系統(tǒng)。總的來說，神經網絡適合于處理非結構化信息，而模糊系統(tǒng)對處理結構化的知識更為有效。但兩者之間的特性卻存在很大的差異。學習HSPICE仿真工具的使用和CANDNCE等EDA仿真工具的使用，SUN工作站的使用方法，學習UNIX操作系統(tǒng)的基本操作。對PLL鎖相環(huán)結構的認識，要從PLL應該分為幾大模塊，每個模塊的功能是什么，每一個模塊的內部結構是怎樣構成的，由幾個晶體管構成，都要弄清楚，并提交鎖相環(huán)工作原理分析報告。在研究該問題之前要通過閱讀有關PLL的書籍和CMOS集成電路的設計方法。當將人類求解問題的思維邏輯加以形式化，并將不能表達思維過程中模糊概念的二值邏輯拓展到模糊邏輯時，基于模糊推理的智能模擬就成為智能信息處理技術中主要的方法，即模糊識別與模糊控制。第14周 準備答辯。給出初步方案。最后完成畢業(yè)論文的撰寫。本課題旨在代借助MATLAB模糊邏輯工具箱所提供的有關模糊邏輯推理的高級應用，完成模糊神經和模糊聚類的MATLAB實現。西安郵電學院 畢 業(yè) 設 計（論 文）題 目：模糊神經和模糊聚類的MATLAB實現 院 （系）： 自動化學院 專 業(yè)： 智能科學與技術 班 級： 智能0701班 學生姓名： 蔡xx 導師姓名： 王x 職稱： 副教授 起止時間：2011年01月10日 至 2011年06月17日附件畢業(yè)設計（論文）誠信聲明書本人聲明：本人所提交的畢業(yè)論文《 模糊神經和模糊聚類的Matlab實現 》是本人在指導教師指導下獨立研究、寫作的成果，論文中所引用他人的文獻、數據、圖件、資料均已明確標注；對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式注明并表示感謝。若能將兩者適當地結合起來，吸取各自的長處，則可組成性能更優(yōu)的綜