【正文】 thod using MATLAB, this paper expounds the basic idea of fuzzy neural network.Key Words: Neural network，fuzzy system，fuzzy neural network，Matlab fuzzy logic toolbox1 引言模糊神經(jīng)網(wǎng)絡(luò)技術(shù)是近年來智能控制和智能自動化的熱點(diǎn)，它是近十年來伴隨著神經(jīng)網(wǎng)絡(luò)研究熱潮的興起而發(fā)展起來的嶄新技術(shù)和理論，目前已獲得頗為廣泛的應(yīng)用。在語音識別、模式識別、圖像處理和工業(yè)控制等領(lǐng)域的應(yīng)用頗有成效。 當(dāng)前模糊神經(jīng)網(wǎng)絡(luò)的研究主要集中在：模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，F(xiàn)NN結(jié)構(gòu)及確定，模糊規(guī)則的提取與細(xì)化，模糊神經(jīng)網(wǎng)絡(luò)在自適應(yīng)控制、預(yù)測控制中的應(yīng)用等。 2 神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)理論基礎(chǔ) 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ) 人工神經(jīng)網(wǎng)絡(luò)簡介 人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦結(jié)構(gòu)及其功能的非線性動力系統(tǒng)，具有自組織、自適應(yīng)、自學(xué)習(xí)和較強(qiáng)的魯棒性與容錯性等顯著特點(diǎn)，對模糊信息或復(fù)雜的非線性關(guān)系能很好地進(jìn)行識別與處理。如果網(wǎng)絡(luò)模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，在預(yù)測數(shù)據(jù)上表現(xiàn)不佳，則稱為過擬合；反之，則稱網(wǎng)絡(luò)具有很好的泛化能力。 人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史1943年，心理學(xué)家W1945年馮Rosenblatt設(shè)計(jì)制作了“感知機(jī)”，它是一種多層的神經(jīng)網(wǎng)絡(luò)。80年代初期，模擬與數(shù)字混合的超大規(guī)模集成電路制作技術(shù)提高到新的水平，完全付諸實(shí)用化。 生物神經(jīng)元模型 由圖看出，腦神經(jīng)元由細(xì)胞體、樹突和軸突構(gòu)成。通過突觸實(shí)現(xiàn)神經(jīng)元之間的信息傳遞。 代表神經(jīng)元i的活躍值，即神經(jīng)元狀態(tài)； 代表神經(jīng)元j的輸出，即是神經(jīng)元i的一個輸入； 代表神經(jīng)元的闡值。（1） 對于每個結(jié)點(diǎn)有一個狀態(tài)變量；（2） 結(jié)點(diǎn)i到結(jié)點(diǎn)j有一個連接權(quán)系數(shù)；（3） 對于每個結(jié)點(diǎn)有一個閾值；（4） 對于每個結(jié)點(diǎn)定義一個變換函數(shù)，最常見的情形為。BP神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)的重要模型之一。整個網(wǎng)絡(luò)對多個信息加工后才存儲到網(wǎng)絡(luò)各處，因此，它是一種分布式存儲方式。b. BP神經(jīng)網(wǎng)絡(luò)介紹BP網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，它包含輸人層、隱含層和輸出層，是目前應(yīng)用較多的一種模型。它通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差變化而逐漸逼近目標(biāo)。進(jìn)一步簡化計(jì)算有，其中：，j為輸出層單元；，j為隱層單元。但是，BP網(wǎng)絡(luò)存在兩個突出問題(①收斂速度慢，②易陷入局部極小點(diǎn))使其應(yīng)用受到了一定限制。太小則迭代步驟增加，收斂速度慢。(1) 式的一階導(dǎo)數(shù)為： （2）2） 輸出層權(quán)值調(diào)整輸出層權(quán)值的調(diào)整可以直接通過實(shí)際輸出和期望輸出的誤差來對相應(yīng)的權(quán)值進(jìn)行調(diào)整?，F(xiàn)在改變權(quán)值調(diào)整規(guī)則,將其改寫為如下形式: （6） （7）3） 隱層權(quán)值調(diào)整為了調(diào)整每層的權(quán)值,BP 網(wǎng)絡(luò)將誤差在網(wǎng)絡(luò)各層之間反向傳播。隱層神經(jīng)元前向傳播時,通過權(quán)值將輸入值傳到輸出層。 模糊系統(tǒng)理論基礎(chǔ)　　所謂模糊概念是指這個概念的外延具有不確定性，或者說它的外延是不清晰的，是模糊的。論域中的每個對象稱為“元素”，用小寫字母u、v、x、y表示。這意味著定義了一個映射181。 對于模糊集合，其隸屬函數(shù)的值域是閉區(qū)間[0，1]，當(dāng)隸屬函數(shù)的值域只是0或者1時，模糊集合就退化成為一個普通集合。 3） 梯形隸屬函數(shù) 隸屬函數(shù)曲線如圖(35)所示：隸屬函數(shù)的解析式見式(35)。A與B的并(union)，記作A∪B，有：由此可見，模糊邏輯實(shí)質(zhì)上是無限多值邏輯，也即是一種形式化的連續(xù)值邏輯。人們?nèi)粘Ｋ玫恼Z言屬于自然語言，通常的計(jì)算機(jī)語言是形式語言。T(N)是語言變量值X的集合，其中每個x都是論域U上的模糊集合，如：T(N)＝T（年齡）＝“很年輕”＋“年輕”＋“中年”＋“較老”＋“很老” ＝x1＋x2＋x3＋x4＋x5G是語法規(guī)則，用于產(chǎn)生語言變量N的值X的名稱，研究原子單詞構(gòu)成合成詞后詞義的變化，并求取其隸屬函數(shù)。模糊推理設(shè)X和Y是兩個各自具有基礎(chǔ)變量x和y的論域，其中模糊集合及的隸屬函數(shù)分別為及。 Matlab模糊邏輯工具箱仿真（1）模糊推理系統(tǒng)編輯器（Fuzzy）模糊推理系統(tǒng)編輯器用于設(shè)計(jì)和顯示模糊推理系統(tǒng)的一些基本信息，如推理系統(tǒng)的名稱，輸入、輸出變量的個數(shù)與名稱，模糊推理系統(tǒng)的類型、解模糊方法等。選擇input(選中為紅框),在界面右邊文字輸入處鍵入相應(yīng)的輸入名稱，例如,溫度輸入用 tmpinput, 磁能輸入用 maginput，等。在Type處選擇trimf(意為：三角形隸屬函數(shù)曲線，triangle member function),當(dāng)然也可選其它形狀。用類似的方法設(shè)置輸出output的參數(shù)。 Matlab模糊邏輯工具箱函數(shù)1）． GUI工具Anfisedit 打開ANFIS編輯器GUI Fuzzy 調(diào)用基本FIS編輯器Mfedit 隸屬度函數(shù)編輯器Ruleedit 規(guī)則編輯器和語法解析器Ruleview 規(guī)則觀察器和模糊推理方框圖Surfview 輸出曲面觀察器2）． 隸屬度函數(shù) dsigmf 兩個sigmoid型隸屬度函數(shù)之差組成的隸屬度函數(shù)gauss2mf 建立兩邊型高斯隸屬度函數(shù)gaussmf 建立高斯曲線隸屬度函數(shù)gbellmf 建立一般鐘型隸屬度函數(shù)pimf 建立Π型隸屬度函數(shù)psigmf 通過兩個sigmoid型隸屬度函數(shù)的乘積構(gòu)造隸屬度函數(shù)smf 建立S型隸屬度函數(shù)sigmf 建立Sigmoid型隸屬度函數(shù)trapmf 建立梯形隸屬度函數(shù)trimf 建立三角形隸屬度函數(shù)zmf 建立Z型隸屬度函數(shù)3）． FIS數(shù)據(jù)結(jié)構(gòu)管理addmf 向模糊推理系統(tǒng)（FIS）的語言變量添加隸屬度函數(shù)addrule 向模糊推理系統(tǒng)（FIS）的語言變量添加規(guī)則addvar 向模糊推理系統(tǒng)（FIS）添加語言變量defuzz 對隸屬度函數(shù)進(jìn)行反模糊化evalfis 完成模糊推理計(jì)算evalmf 通過隸屬度函數(shù)計(jì)算gensurf 生成一個FIS輸出曲面getfis 得到模糊系統(tǒng)的屬性mf2mf 在兩個隸屬度函數(shù)之間轉(zhuǎn)換參數(shù)newfis 創(chuàng)建新的FIS parsrule 解析模糊規(guī)則plotfis 繪制一個FIS plotmf 繪制給定語言變量的所有隸屬度函數(shù)的曲線readfis 從磁盤裝入一個FIS rmmf 從FIS中刪除某一語言變量的某一隸屬度函數(shù)rmvar 從FIS中刪除某一語言變量setfis 設(shè)置模糊系統(tǒng)的屬性showfis 以分行的形式顯示FIS結(jié)構(gòu)的所有屬性showrule 顯示FIS的規(guī)則3 模糊神經(jīng)網(wǎng)絡(luò)自適應(yīng)及模糊信模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy networkFNN)就是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，集學(xué)習(xí)、聯(lián)想、識別、息處理于一體。模糊控制技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)同屬于人工智能技術(shù)各自具有對方恰恰不具備的優(yōu)缺點(diǎn),具有互補(bǔ)性。　基本概念、模型和種類模糊神經(jīng)元是指一類可實(shí)施模糊信息或模糊邏輯運(yùn)算的人工神經(jīng)元,模糊神經(jīng)網(wǎng)絡(luò)是指全部或部分采用各類模糊神經(jīng)元所構(gòu)成的一類可處理模糊信息的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。第二類模糊神經(jīng)經(jīng)元,它的輸入由隸屬函數(shù)的運(yùn)算確定,模糊神經(jīng)元的描述可以不用IF?THEN語句來描述。模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)均可視為智能信息處理領(lǐng)域內(nèi)的一個分支，有各自的基本特性和應(yīng)用范圍。正是源于這兩個方面的綜合－思維方法上的模糊性以及大腦本身的結(jié)構(gòu)特點(diǎn)，模糊神經(jīng)網(wǎng)絡(luò)是一種集模糊邏輯推理的強(qiáng)大結(jié)構(gòu)性知識表達(dá)能力與神經(jīng)網(wǎng)絡(luò)的強(qiáng)大自學(xué)習(xí)能力于一體的新技術(shù)，它是模糊邏輯推理與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的產(chǎn)物。與傳統(tǒng)的統(tǒng)計(jì)學(xué)方法不同，它們不需要給出表征輸入與輸出關(guān)系的數(shù)學(xué)模型表達(dá)式；它們也不像人工智能（AI）那樣僅能進(jìn)行基于命題和謂詞運(yùn)算的符號處理，而難以進(jìn)行數(shù)值計(jì)算與分析，且不易于硬件的實(shí)現(xiàn)。而神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的結(jié)合則能構(gòu)成一個帶有人類感覺和認(rèn)知成分的自適應(yīng)系統(tǒng)。b) 神經(jīng)元模型為主、模糊模型為輔：該模型以神經(jīng)網(wǎng)絡(luò)為主體，將輸入空間分割成若干不同形式的模糊推論組合，對系統(tǒng)先進(jìn)行模糊邏輯判斷，以模糊控制器輸出作為神經(jīng)元網(wǎng)絡(luò)的輸入。當(dāng)所有樣本學(xué)習(xí)完以后，這個神經(jīng)元網(wǎng)絡(luò)就是一個聰明、靈活的模糊規(guī)則表，具有自學(xué)習(xí)、自適應(yīng)功能。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)的思維功能，具有較強(qiáng)的自學(xué)習(xí)和聯(lián)想功能，人工干預(yù)少，精度較高，對專家知識的利用也較少。　模糊神經(jīng)網(wǎng)絡(luò)就是具有模糊權(quán)系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡(luò)。對于邏輯模糊神經(jīng)網(wǎng)絡(luò)，可采用基于誤差的學(xué)習(xí)算法，也即是監(jiān)視學(xué)習(xí)算法。 模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)　模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示， 第一層是輸入層，起著將輸入值傳送到下一層的作用，該層的節(jié)點(diǎn)數(shù)為n； 第二層是隸屬函數(shù)層，在此層中通過隸屬函數(shù)計(jì)算各輸入分量屬于各語言變量值模糊集合的隸屬度，每個節(jié)點(diǎn)代表一個語言變量值；第三層為匹配模糊規(guī)則，計(jì)算每條規(guī)則的適用度。即在第二層中將輸入分量轉(zhuǎn)化為各個語言變量值（大、中、小等）。[3]層得每個節(jié)點(diǎn)代表一條模糊規(guī)則，計(jì)算出每條規(guī)則的適用度，這里選擇的是取小運(yùn)算：[4]層實(shí)現(xiàn)的是歸一化計(jì)算，即：[5]層實(shí)現(xiàn)的是清晰化計(jì)算，即： 并將輸出的數(shù)據(jù)通過隸屬函數(shù)轉(zhuǎn)化成為模糊語言變量。在網(wǎng)絡(luò)的計(jì)算中從輸入層到輸出層是基本上是一個多層前饋反傳網(wǎng)絡(luò)，可以仿照BP網(wǎng)絡(luò)用誤差反傳的方法來設(shè)計(jì)調(diào)整參數(shù)xij、σij和ωij。比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)有很大的優(yōu)越性。ANF IS不要求建立實(shí)際系統(tǒng)的辨識模式,能較好地輔助故障分析、診斷。m Circuits, IEEE Journal of,Volume:32 ,Issue:5,May 1997,730735[4] ,432470[5] （第三版）.：鎖定檢測電路的Verilog硬件語言描述31