【正文】 是將模糊化概念和模糊推理引入神經(jīng)元的模糊神經(jīng)網(wǎng)絡,而另一種是基于神經(jīng)網(wǎng)絡的模糊系統(tǒng)?！∧：窠?jīng)網(wǎng)絡的研究現(xiàn)狀當前模糊神經(jīng)網(wǎng)絡的研究主要集中在:模糊神經(jīng)網(wǎng)絡的學習算法, FNN結構及確定,模糊規(guī)則的提取與細化,模糊神經(jīng)網(wǎng)絡在自適應控制、預測控制中的應用等。模糊系統(tǒng)和神經(jīng)網(wǎng)絡均可視為智能信息處理領域內(nèi)的一個分支，有各自的基本特性和應用范圍。如前所述，它們在對信息的加工處理過程中均表現(xiàn)出很強的容錯能力。模糊系統(tǒng)是仿效人的模糊邏輯思維方法設計的一類系統(tǒng)，這一方法本身就明確地說明了系統(tǒng)在工作過程中所表現(xiàn)出的容錯性來自于其網(wǎng)絡自身的結構特點。而神經(jīng)網(wǎng)絡模擬人腦形象思維方法，人靠形象思維能很快發(fā)現(xiàn)火災，表現(xiàn)出很強的容錯能力。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構特點，模糊神經(jīng)網(wǎng)絡是一種集模糊邏輯推理的強大結構性知識表達能力與神經(jīng)網(wǎng)絡的強大自學習能力于一體的新技術，它是模糊邏輯推理與神經(jīng)網(wǎng)絡有機結合的產(chǎn)物。一般來講，模糊神經(jīng)網(wǎng)絡主要是指利用神經(jīng)網(wǎng)絡結構來實現(xiàn)模糊邏輯推理，從而使傳統(tǒng)神經(jīng)網(wǎng)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(shù)的物理含義。神經(jīng)網(wǎng)絡和模糊系統(tǒng)都屬于一種數(shù)值化的和非數(shù)學模型的函數(shù)估計器和動力學系統(tǒng)。它們都能以一種不精確的方式處理不精確的信息。與傳統(tǒng)的統(tǒng)計學方法不同，它們不需要給出表征輸入與輸出關系的數(shù)學模型表達式；它們也不像人工智能（AI）那樣僅能進行基于命題和謂詞運算的符號處理，而難以進行數(shù)值計算與分析，且不易于硬件的實現(xiàn)。神經(jīng)網(wǎng)絡和模糊系統(tǒng)由樣本數(shù)據(jù)（數(shù)值的，有時也可以是用語言表述的），即過去的經(jīng)驗來估計函數(shù)關系，即激勵與響應的關系或輸入與輸出的關系。它們能夠用定理和有效的數(shù)值算法進行分析與計算，并且很容易用數(shù)字的或模擬的VLSI實現(xiàn)。雖然模糊系統(tǒng)和神經(jīng)網(wǎng)絡都用于處理模糊信息，并且存在著許多方面的共性，但其各自特點、適用范圍以及具體做法還是有不小的差別。而神經(jīng)網(wǎng)絡和模糊系統(tǒng)的結合則能構成一個帶有人類感覺和認知成分的自適應系統(tǒng)。神經(jīng)網(wǎng)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(shù)據(jù)學習，從而產(chǎn)生、修正并高度概括輸入/輸出之間的模糊規(guī)則。而當難以獲得足夠的結構化知識時，系統(tǒng)還可以利用神經(jīng)網(wǎng)絡自適應產(chǎn)生和精練這些規(guī)則，而后根據(jù)輸入模糊集合的幾何分布及由過去經(jīng)驗產(chǎn)生的那些模糊規(guī)則，便可以得到由此進行推理得出的結論。 目前神經(jīng)元網(wǎng)絡與模糊技術的融合方式大致有以下四種(如圖8－11所示)：a) 神經(jīng)元模型和模糊模型的連結：該模型是模糊控制和神經(jīng)元網(wǎng)絡二個系統(tǒng)相分離的形式結合，實現(xiàn)信息處理。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)先進行模糊邏輯判斷，以模糊控制器輸出作為神經(jīng)元網(wǎng)絡的輸入。后者具有自學習的智能控制特性。 c) 模糊模型為主、神經(jīng)元模型為輔：該模型以模糊控制為主體，應用神經(jīng)元網(wǎng)絡，實現(xiàn)模糊控制的決策過程，以模糊控制方法為“樣本”，對神經(jīng)網(wǎng)絡進行離線訓練學習?！皹颖尽本褪菍W習的“教師”。當所有樣本學習完以后，這個神經(jīng)元網(wǎng)絡就是一個聰明、靈活的模糊規(guī)則表，具有自學習、自適應功能。 d) 神經(jīng)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。根據(jù)輸入量的不同性質(zhì)分別由神經(jīng)網(wǎng)絡與模糊控制并行直接處理輸入信息，直接作用于控制對象，從而更能發(fā)揮各自的控制特點。模糊理論和神經(jīng)網(wǎng)絡技術是近年來人工智能研究較為活躍的兩個領域。人工神經(jīng)網(wǎng)絡是模擬人腦結構的思維功能，具有較強的自學習和聯(lián)想功能，人工干預少，精度較高，對專家知識的利用也較少。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(jīng)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。模糊系統(tǒng)相對于神經(jīng)網(wǎng)絡而言，具有推理過程容易理解、專家知識利用較好、對樣本的要求較低等優(yōu)點，但它同時又存在人工干預多、推理速度慢、精度較低等缺點，很難實現(xiàn)自適應學習的功能，而且如何自動生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則，也是一個棘手的問題。如果將二者有機地結合起來，可以起到互補的效果?！∧：窠?jīng)網(wǎng)絡就是具有模糊權系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡。上面三種形式的模糊神經(jīng)網(wǎng)絡中所執(zhí)行的運算方法不同?！∧：窠?jīng)網(wǎng)絡無論作為逼近器，還是模式存儲器，都是需要學習和優(yōu)化權系數(shù)的。學習算法是模糊神經(jīng)網(wǎng)絡優(yōu)化權系數(shù)的關鍵。對于邏輯模糊神經(jīng)網(wǎng)絡，可采用基于誤差的學習算法，也即是監(jiān)視學習算法。對于算術模糊神經(jīng)網(wǎng)絡，則有模糊BP算法，遺傳算法等。對于混合模糊神經(jīng)網(wǎng)絡，目前尚未有合理的算法；不過，混合模糊神經(jīng)網(wǎng)絡一般是用于計算而不是用于學習的，它不必一定學習?！∧：窠?jīng)網(wǎng)絡可用于模糊回歸、模糊控制器、模糊專家系統(tǒng)、模糊譜系分析、模糊矩陣方程、通用逼近器。 模糊神經(jīng)網(wǎng)絡實現(xiàn)　模糊神經(jīng)網(wǎng)絡的結構模糊神經(jīng)網(wǎng)絡的結構如圖所示， 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)點代表一個語言變量值；第三層為匹配模糊規(guī)則，計算每條規(guī)則的適用度。這里的節(jié)點數(shù)為m，第三層與第四層全連接；第四層把第三層的數(shù)據(jù)進行歸一化處理!節(jié)點數(shù)也為m。第五層是輸出層，把上一層的數(shù)據(jù)通過系數(shù)加權得到輸出的數(shù)據(jù)，然后通過隸屬函數(shù)來判斷輸出量屬于哪一個模糊語言變量。對于輸入數(shù)據(jù)，我們?nèi)‰`屬函數(shù)為鐘形函數(shù)，即為正態(tài)分布的函數(shù)：其中i=1,2，、n，n是輸入量的維數(shù)，j=1,2，m，m是模糊類得分割數(shù)，xij和σij分別表示隸屬函數(shù)的中心和寬度。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）。[1]層為輸入層，將x=[x1,x2,...xn]t傳送下一層。[2]層為計算各輸入分量屬于各模糊集合的隸屬函數(shù)181。ij。[3]層得每個節(jié)點代表一條模糊規(guī)則，計算出每條規(guī)則的適用度，這里選擇的是取小運算：[4]層實現(xiàn)的是歸一化計算，即：[5]層實現(xiàn)的是清晰化計算，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。 網(wǎng)絡的學習模糊神經(jīng)網(wǎng)絡的學習過程是一個多變量尋優(yōu)的一個過程。在整個模糊神經(jīng)網(wǎng)絡中，需要學習的參數(shù)主要是第五層的連接權系數(shù)ωij，和模糊隸屬函數(shù)的中心值Xij和寬度σij。設定系統(tǒng)誤差函數(shù)為：其中，Yi和yj分別表示期望輸出和實際輸出，r為輸出量的個數(shù)。在網(wǎng)絡的計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，可以仿照BP網(wǎng)絡用誤差反傳的方法來設計調(diào)整參數(shù)xij、σij和ωij。對于每個樣本數(shù)據(jù)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(shù)。用一階梯度尋優(yōu)算法來調(diào)整，最后可給出參數(shù)調(diào)整的學習算法為： 其中β0為學習率。4 程序設計5 結論致謝參考文獻(1) 簡述了ANF IS的結構、原理和學習算法,通過柴油機柱塞的故障仿真結果證明其在故障診斷上的可行性。比傳統(tǒng)的神經(jīng)網(wǎng)絡有很大的優(yōu)越性。(2) 所構造ANF IS網(wǎng)絡對模糊推理系統(tǒng)( F IS)的參數(shù)辨識是基于實際訓練數(shù)據(jù)的,客觀地反映了輸入?yún)?shù)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(shù)更客觀真實,提高了預測精度。(3) 神經(jīng)模糊推理方法兼顧了神經(jīng)計算與模糊推理的優(yōu)點,可用于處理具有多維非線性及模糊等特點的數(shù)據(jù)。(4) 利用Matlab模糊邏輯工具箱可對輸入數(shù)據(jù)進行先期處理,抑制仿真過程中出現(xiàn)規(guī)則“爆炸”等現(xiàn)象,操作方便,無需人工計算。ANF IS不要求建立實際系統(tǒng)的辨識模式,能較好地輔助故障分析、診斷。參考文獻[ 1 ] 　虞和濟,陳長征,等. 基于神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)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(jīng)網(wǎng)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。其次要感謝電科實驗室的邢老師和張老師們，是他們畢業(yè)設計中為我準備好了畢業(yè)設計的工作環(huán)境，在翻譯版圖的整個過程中給予了我指導，再次是要感謝和我一起做畢業(yè)設計的同學們，正是有了他們，我們才在遇到問題時，相互鼓勵，最終解決了問題，圓滿地完成了畢業(yè)設計的各項工作。參考文獻[1] ,230232[2] Ann Arbor. CMOS PLL Based on an Interpolative Oscillator. IEEE European Solid State Circuits Conference, 2003， 679682.[3] Rashid PLL in CMOS .18181。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