【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(luò),而另一種是基于神經(jīng)網(wǎng)絡(luò)的模糊系統(tǒng)?！∧：窠?jīng)網(wǎng)絡(luò)的研究現(xiàn)狀當(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, FNN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(cè)控制中的應(yīng)用等。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(gè)分支，有各自的基本特性和應(yīng)用范圍。如前所述，它們?cè)趯?duì)信息的加工處理過程中均表現(xiàn)出很強(qiáng)的容錯(cuò)能力。模糊系統(tǒng)是仿效人的模糊邏輯思維方法設(shè)計(jì)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(cuò)性來(lái)自于其網(wǎng)絡(luò)自身的結(jié)構(gòu)特點(diǎn)。而神經(jīng)網(wǎng)絡(luò)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(zāi)，表現(xiàn)出很強(qiáng)的容錯(cuò)能力。正是源于這兩個(gè)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(shí)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。一般來(lái)講，模糊神經(jīng)網(wǎng)絡(luò)主要是指利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)實(shí)現(xiàn)模糊邏輯推理，從而使傳統(tǒng)神經(jīng)網(wǎng)絡(luò)沒有明確物理含義的權(quán)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(luò)和模糊系統(tǒng)都屬于一種數(shù)值化的和非數(shù)學(xué)模型的函數(shù)估計(jì)器和動(dòng)力學(xué)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(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(hào)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)。神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)由樣本數(shù)據(jù)（數(shù)值的，有時(shí)也可以是用語(yǔ)言表述的），即過去的經(jīng)驗(yàn)來(lái)估計(jì)函數(shù)關(guān)系，即激勵(lì)與響應(yīng)的關(guān)系或輸入與輸出的關(guān)系。它們能夠用定理和有效的數(shù)值算法進(jìn)行分析與計(jì)算，并且很容易用數(shù)字的或模擬的VLSI實(shí)現(xiàn)。雖然模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)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(diǎn)、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(luò)和模糊系統(tǒng)的結(jié)合則能構(gòu)成一個(gè)帶有人類感覺和認(rèn)知成分的自適應(yīng)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)直接鑲嵌在一個(gè)全部模糊的結(jié)構(gòu)之中，因而它能夠向訓(xùn)練數(shù)據(jù)學(xué)習(xí)，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(dāng)難以獲得足夠的結(jié)構(gòu)化知識(shí)時(shí)，系統(tǒng)還可以利用神經(jīng)網(wǎng)絡(luò)自適應(yīng)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(yàn)產(chǎn)生的那些模糊規(guī)則，便可以得到由此進(jìn)行推理得出的結(jié)論。 目前神經(jīng)元網(wǎng)絡(luò)與模糊技術(shù)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(jié)：該模型是模糊控制和神經(jīng)元網(wǎng)絡(luò)二個(gè)系統(tǒng)相分離的形式結(jié)合，實(shí)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(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(duì)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。后者具有自學(xué)習(xí)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(yīng)用神經(jīng)元網(wǎng)絡(luò)，實(shí)現(xiàn)模糊控制的決策過程，以模糊控制方法為“樣本”，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練學(xué)習(xí)?！皹颖尽本褪菍W(xué)習(xí)的“教師”。當(dāng)所有樣本學(xué)習(xí)完以后，這個(gè)神經(jīng)元網(wǎng)絡(luò)就是一個(gè)聰明、靈活的模糊規(guī)則表，具有自學(xué)習(xí)、自適應(yīng)功能。 d) 神經(jīng)元模型與模糊模型完全融合：該模型二個(gè)系統(tǒng)密切結(jié)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(luò)與模糊控制并行直接處理輸入信息，直接作用于控制對(duì)象，從而更能發(fā)揮各自的控制特點(diǎn)。模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)是近年來(lái)人工智能研究較為活躍的兩個(gè)領(lǐng)域。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(duì)專家知識(shí)的利用也較少。但缺點(diǎn)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(yàn)知識(shí)，特別是學(xué)習(xí)及問題的求解具有黑箱特性，其工作不具有可解釋性，同時(shí)它對(duì)樣本的要求較高。模糊系統(tǒng)相對(duì)于神經(jīng)網(wǎng)絡(luò)而言，具有推理過程容易理解、專家知識(shí)利用較好、對(duì)樣本的要求較低等優(yōu)點(diǎn)，但它同時(shí)又存在人工干預(yù)多、推理速度慢、精度較低等缺點(diǎn)，很難實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的功能，而且如何自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則，也是一個(gè)棘手的問題。如果將二者有機(jī)地結(jié)合起來(lái)，可以起到互補(bǔ)的效果?！∧：窠?jīng)網(wǎng)絡(luò)就是具有模糊權(quán)系數(shù)或者輸入信號(hào)是模糊量的神經(jīng)網(wǎng)絡(luò)。上面三種形式的模糊神經(jīng)網(wǎng)絡(luò)中所執(zhí)行的運(yùn)算方法不同?！∧：窠?jīng)網(wǎng)絡(luò)無(wú)論作為逼近器，還是模式存儲(chǔ)器，都是需要學(xué)習(xí)和優(yōu)化權(quán)系數(shù)的。學(xué)習(xí)算法是模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化權(quán)系數(shù)的關(guān)鍵。對(duì)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。對(duì)于算術(shù)模糊神經(jīng)網(wǎng)絡(luò)，則有模糊BP算法，遺傳算法等。對(duì)于混合模糊神經(jīng)網(wǎng)絡(luò)，目前尚未有合理的算法；不過，混合模糊神經(jīng)網(wǎng)絡(luò)一般是用于計(jì)算而不是用于學(xué)習(xí)的，它不必一定學(xué)習(xí)?！∧：窠?jīng)網(wǎng)絡(luò)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(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(yǔ)言變量值模糊集合的隸屬度，每個(gè)節(jié)點(diǎn)代表一個(gè)語(yǔ)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。這里的節(jié)點(diǎn)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(jìn)行歸一化處理!節(jié)點(diǎn)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(quán)得到輸出的數(shù)據(jù)，然后通過隸屬函數(shù)來(lái)判斷輸出量屬于哪一個(gè)模糊語(yǔ)言變量。對(duì)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(gè)語(yǔ)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(jì)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(gè)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(yǔ)言變量。 網(wǎng)絡(luò)的學(xué)習(xí)模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是一個(gè)多變量尋優(yōu)的一個(gè)過程。在整個(gè)模糊神經(jīng)網(wǎng)絡(luò)中，需要學(xué)習(xí)的參數(shù)主要是第五層的連接權(quán)系數(shù)ωij，和模糊隸屬函數(shù)的中心值Xij和寬度σij。設(shè)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(shí)際輸出，r為輸出量的個(gè)數(shù)。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(gè)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(lái)設(shè)計(jì)調(diào)整參數(shù)xij、σij和ωij。對(duì)于每個(gè)樣本數(shù)據(jù)對(duì)，首先從輸入節(jié)點(diǎn)開始前向計(jì)算出各個(gè)節(jié)點(diǎn)處的輸出值，然后從輸出節(jié)點(diǎn)開始利用反向傳播算法，計(jì)算出所有隱層節(jié)點(diǎn)的偏導(dǎo)數(shù)。用一階梯度尋優(yōu)算法來(lái)調(diào)整，最后可給出參數(shù)調(diào)整的學(xué)習(xí)算法為： 其中β0為學(xué)習(xí)率。4 程序設(shè)計(jì)5 結(jié)論致謝參考文獻(xiàn)(1) 簡(jiǎn)述了ANF IS的結(jié)構(gòu)、原理和學(xué)習(xí)算法,通過柴油機(jī)柱塞的故障仿真結(jié)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(luò)有很大的優(yōu)越性。(2) 所構(gòu)造ANF IS網(wǎng)絡(luò)對(duì)模糊推理系統(tǒng)( F IS)的參數(shù)辨識(shí)是基于實(shí)際訓(xùn)練數(shù)據(jù)的,客觀地反映了輸入?yún)?shù)與待預(yù)測(cè)變量的復(fù)雜非線性關(guān)系,使得F IS中模糊規(guī)則及隸屬度函數(shù)更客觀真實(shí),提高了預(yù)測(cè)精度。(3) 神經(jīng)模糊推理方法兼顧了神經(jīng)計(jì)算與模糊推理的優(yōu)點(diǎn),可用于處理具有多維非線性及模糊等特點(diǎn)的數(shù)據(jù)。(4) 利用Matlab模糊邏輯工具箱可對(duì)輸入數(shù)據(jù)進(jìn)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(wú)需人工計(jì)算。ANF IS不要求建立實(shí)際系統(tǒng)的辨識(shí)模式,能較好地輔助故障分析、診斷。參考文獻(xiàn)[ 1 ] 　虞和濟(jì),陳長(zhǎng)征,等. 基于神經(jīng)網(wǎng)絡(luò)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(yīng)噪聲消除[ J ]. 通信學(xué)報(bào), 2001 (12) : 108 112.[ 3 ] 　呂仲軍,朱信群. 基于神經(jīng)網(wǎng)絡(luò)分析的柴油機(jī)燃油噴射系統(tǒng)的故障診斷研究[ J ]. 車用發(fā)動(dòng)機(jī), 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(jì)算[M ]. 張平安,高春華,譯. 西安:西安交通大學(xué)出版社, 2001: 229 255.[ 6 ] 　吳曉莉,林哲輝. MATLAB輔助模糊系統(tǒng)設(shè)計(jì)[M ]. 西安:西安電子科技大學(xué)出版社, 2002.[ 7 ] 　蔡開龍,楊秉政,謝壽生. 基于模糊神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷[ J ]. 機(jī)械科學(xué)與技術(shù), 2004 (1) : 96 98.8 結(jié)論致 謝 首先要感謝蔣林老師，是他在整個(gè)畢業(yè)設(shè)計(jì)過程中給我提供了畢業(yè)設(shè)計(jì)所需要的資料，幫助解答畢業(yè)設(shè)計(jì)中遇到的問題。其次要感謝電科實(shí)驗(yàn)室的邢老師和張老師們，是他們畢業(yè)設(shè)計(jì)中為我準(zhǔn)備好了畢業(yè)設(shè)計(jì)的工作環(huán)境，在翻譯版圖的整個(gè)過程中給予了我指導(dǎo)，再次是要感謝和我一起做畢業(yè)設(shè)計(jì)的同學(xué)們，正是有了他們，我們才在遇到問題時(shí)，相互鼓勵(lì)，最終解決了問題，圓滿地完成了畢業(yè)設(shè)計(jì)的各項(xiàng)工作。參考文獻(xiàn)[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(cè)電路的Verilog硬件語(yǔ)言描述31