[計算機軟件及應用]神經(jīng)網(wǎng)絡第七九章(完整版)
【正文】 是基于對它們進行的 定性的 、 大致精確 的觀察和總結 ， 因此 ， 實現(xiàn)這些語言件經(jīng)驗規(guī)則的數(shù) 值運算也就 無需是一種基于它們精確數(shù)學模型的 數(shù)值運算 。 人類生存的環(huán)境 ， 有精 確的和模糊的兩部分 。 是一個巨系統(tǒng) 。 人工神經(jīng)元網(wǎng)絡是通過學習算法實現(xiàn)結構的可變性 (指 連接權 )， 逐步適應外部環(huán)境的各種因素的作用 ， 不斷 地發(fā)掘所研究對象之間內(nèi)在的因果關系 ， 最終達到解 決問題的目的 。 (3)它們都可以用硬件實現(xiàn) 由于它們的實現(xiàn) ， 提高了計算機 、 控制和 AI等的 “ 智 能 ” 程度 ， 使那些 采用嚴格建模的方法難以解決的非 線性問題得到一些解決 。 模糊系統(tǒng)則是以 規(guī)則的方式來存儲知識 的 ， 因此 ， 在 隸屬函數(shù)的形式 、 區(qū)域劃分的大小和規(guī)則的制定上人 為的因素更多一些 ， 如果利用專家的知識和經(jīng)驗 ， 那 么 模糊的結構和結果比人工神經(jīng)元網(wǎng)絡要優(yōu)良些 。 模糊系統(tǒng)的計算只需要兩個量的 比較 和 累加 ， 加上每 次迭代涉及到的規(guī)則不多 ， 因此 ， 模糊系統(tǒng)的計算速 度比人工神經(jīng)元網(wǎng)絡更快 ， 實時應用可能性大 。 兩者的結合是發(fā)展的必然 。 為了解決上述兩類問題 ， 可以采用 模糊認知映射 FCM(Fuzzy Cognitive Maps)結構 ， 在一定程度上通過 數(shù)值運算的形式實現(xiàn)對結構性語言經(jīng)驗的綜合推理； 而利用單層前向網(wǎng)絡輸入輸出積空間的聚類方法 ， 那 么能夠直接從原始的工作數(shù)據(jù)中歸納出若干條規(guī) 則 ． 最后以語言的方式表示出來 。 這是一種 靜態(tài)系統(tǒng) ， 它對于環(huán)境已知 ， 測量值正常時 ， 其性能 是好的 ， 但是 ， 當外部環(huán)境變化時 ， 使其假設的前提 條件受到了破壞 ， 其后果也可能是災難性的 。 神經(jīng)網(wǎng)絡各種模型的應用范圍 （ 1）函數(shù)逼近及圖像識別 （ 2）聯(lián)想記憶 （ 3）數(shù)據(jù)壓縮 （ 4）自適應控制 網(wǎng)絡設計的基本原則 ? （ 1） 信息表達方式 ? （ 2）網(wǎng)絡模型結構 ? （ 3）網(wǎng)絡參數(shù)選擇 ? （ 4）學習訓練算法選擇 。 (3)對神經(jīng)元網(wǎng)絡的輸入數(shù)據(jù)進行模糊化預處理； (4)將 模糊關系引入神經(jīng)元網(wǎng)絡結構 。 這類系統(tǒng)是把自適應原理引入模 糊神經(jīng)元網(wǎng)絡中 ， 使它能適應環(huán)境的變化 ， 從而使系 統(tǒng)具有更大的魯棒性 。 另一方面，和其他人工神經(jīng)元網(wǎng)絡一樣，它也具有學 習功能，可以
教學課件相關推薦
鄂ICP備17016276號-1