CN106650921A - 区间值型直觉模糊小脑神经网络模型 - Google Patents
区间值型直觉模糊小脑神经网络模型 Download PDFInfo
- Publication number
- CN106650921A CN106650921A CN201610858414.7A CN201610858414A CN106650921A CN 106650921 A CN106650921 A CN 106650921A CN 201610858414 A CN201610858414 A CN 201610858414A CN 106650921 A CN106650921 A CN 106650921A
- Authority
- CN
- China
- Prior art keywords
- interval value
- value type
- space
- intuitionistic fuzzy
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种区间值型直觉模糊小脑神经网络模型,包括按照逻辑顺序连接的输入空间联想记忆空间规则空间权重空间降解空间以及输出空间O,其中,所述输入空间由区间值型直觉模糊规则的输入变量组成;所述联想记忆空间为由基函数构成的区间值型直觉模糊规则的前件组成;所述规则空间表示为其中所述权重空间为对应区间值型直觉模糊规则的后件组成;所述降解空间为根据wjkorjk的线性变化的关系获得的解模糊化算子其中,所述输出空间O为多维区间值型直觉模糊小脑神经网络模型的输出Oo=a×yo ++b×yo ‑,其中a、b为常数。
Description
技术领域
本发明涉及一种区间值型直觉模糊小脑神经网络模型。
背景技术
小脑神经网络模型(CMAC-Cerebellar Model Articulation Controller)是一种表达复杂非线性函数的表格查询型自适应神经网络,该网络可通过学习算法改变表格的内容,具有信息分类存储的能力。CMAC已被公认为是一类联想记忆网络的重要组成部分,能够学习任意多维非线性映射,CMAC算法被证明可有效地用于非线性函数逼近、动态建模、控制***设计等。
然而,现有的小脑神经网络模型采用传统的模糊集合,对不确定性问题的模糊语言描述有限,精确度不够;另外,现有小脑神经网络模型还具有收敛性和精确度有待进一步提高、计算量大、模型降型过程复杂等缺点。
发明内容
本发明提供一种区间值型直觉模糊小脑神经网络模型,可有效解决上述问题。
一种区间值型直觉模糊小脑神经网络模型,所述区间值型直觉模糊小脑神经网络模型包括按照逻辑顺序连接的输入空间联想记忆空间规则空间权重空间降解空间以及输出空间O,其中,所述输入空间由区间值型直觉模糊规则的输入变量组成;所述联想记忆空间为由基函数构成的区间值型直觉模糊规则的前件组成;所述规则空间表示为其中 所述权重空间为对应区间值型直觉模糊规则的后件组成;所述降解空间为根据wjko rjk的线性变化的关系获得的解模糊化算子其中,所述输出空间O为多维区间值型直觉模糊小脑神经网络模型的输出Oo=a×yo ++b×yo -,其中a、b为常数。
作为进一步改进的,所述数据样本是基于区间值型的直觉模糊集合。
作为进一步改进的,所述基函数为高斯函数、三角函数或钟型函数。
作为进一步改进的,所述多维区间值型直觉模糊小脑神经网络模型的模糊规则为:
for i=1,2,…,ni,j=1,2,…,nj,k=1,2,…,nk,λ=1,2,…,nλ,and o=1,2,…,no
其中:Rλ是第λ条区间值型直觉模糊规则,是第λ条区间值型直觉模糊规则的第i个直觉模糊区间输入变量,是第λ条区间值型直觉模糊规则的前件部分,与第j层、第k个模块的第i个输入相对应,是第λ条区间值型直觉模糊规则的第o个网络输出,是第λ条区间值型直觉模糊规则的后件部分,ni是输入变量维数,nj是小脑神经网络的层数,nk是每一层的模块数,no是输出维数。
作为进一步改进的,当“隶属度=1-非隶属度”时,区间值型直觉模糊小脑神经网络模型结构可转化成传统的1型模糊小脑神经网络的结构形式。
作为进一步改进的,当网络的结构参数nj=1,nk=1时,区间值型直觉模糊小脑神经网络模型结构可转化成区间值型直觉模糊神经网络的结构形式。
作为进一步改进的,当直觉模糊集合的犹豫度为0,且网络结构参数所有层的基函数个数nb=1时,区间值型直觉模糊小脑神经网络模型结构可转化成1型模糊神经网络的结构形式。
本发明提供的所述区间值型直觉模糊小脑神经网络模型,具有以下优点:
1、将模糊小脑神经网络与Atanassov的直觉模糊集相结合,提出符合此架构的模糊规则库,构造新的性能更完善的MIMO模糊神经网络结构;
2、网络结构的参数可以灵活设置和选择,通过结构参数的选择,可以将该模型的结构简化成其他模式的结构形式,如模糊神经网络、区间型模糊神经网络和小脑神经网络等,在模型结构上具有一定的广义性;
3、根据参数线性关系,避免采用传统的模型降型算法KM算法,减少了模型降型、解模糊化过程的计算量;
4、通过对参数的自适应调节,提高模型自适应能力,获得更加快速的收敛性和更加良好的稳定性。
附图说明
图1为本发明实施例提供的多维区间值型直觉模糊小脑神经网络的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
提出小脑神经网络与Atanassov的直觉模糊集相结合的模糊规则;构造广义结构的多维区间值型直觉模糊小脑模型神经网络模型。
请参照图1,一种区间值型直觉模糊小脑神经网络模型,所述区间值型直觉模糊小脑神经网络模型包括按照逻辑顺序连接的输入空间联想记忆空间规则空间权重空间降解空间以及输出空间O。
所述多维区间值型直觉模糊小脑神经网络模型的模糊规则为:
for i=1,2,…,ni,j=1,2,…,nj,k=1,2,…,nk,λ=1,2,…,nλ,and o=1,2,…,no
其中:Rλ是第λ条区间值型直觉模糊规则,是第λ条区间值型直觉模糊规则的第i个直觉模糊区间输入变量,是第λ条区间值型直觉模糊规则的前件部分,与第j层、第k个模块的第i个输入相对应,是第λ条区间值型直觉模糊规则的第o个网络输出,是第λ条区间值型直觉模糊规则的后件部分,ni是输入变量维数,nj是小脑神经网络的层数,nk是每一层的模块数,no是输出维数。
所述输入空间由区间值型直觉模糊规则的输入变量组成。
所述联想记忆空间由基函数构成的区间值型的直觉模糊规则前件基函数可以是高斯函数、三角函数、钟型函数等的形式。通过这一空间,将输入变量映射到区间值型直觉模糊集合中。
所述规则空间表示为将各个输入变量的区间值型直觉模糊集合进行排列组合,用T-norm进行模糊AND运算,其中
所述权重空间为对应区间值型直觉模糊规则的后件组成。
所述降解空间为降型和解模糊化的过程。根据wjko rjk的线性变化的关系,获得解模糊化算子其中,
所述输出空间O为多维区间值型直觉模糊小脑神经网络模型的输出Oo=a×yo ++b×yo -,其中a、b为常数。
多维区间值型直觉模糊小脑神经网络的广义结构:
由于采用的是Atanassov的直觉模糊集合,所以,当“隶属度=1-非隶属度”时,区间值型直觉模糊小脑神经网络结构可以转化成传统的1型模糊小脑神经网络的结构形式;
当网络的结构参数nj=1,nk=1时,区间值型直觉模糊小脑神经网络结构可以转化成区间值型直觉模糊神经网络的结构形式;
当直觉模糊集合的犹豫度为0,且网络结构参数所有层的基函数个数nb=1时,区间值型直觉模糊小脑神经网络结构可以转化成1型模糊神经网络的结构形式。
自适应有监督学习
需要调节的网络参数用z统一表示,包括联想记忆空间基函数的参数和权重空间的权重值等。当网络参数z按照学习变化率公式在线实时调整时,使追踪误差e快速、准确地逼近于0,完成有监督的自适应调节,确保多维区间值型直觉模糊小脑神经网络获得更加快速的收敛性和更加良好的稳定性。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种区间值型直觉模糊小脑神经网络模型,其特征在于,所述区间值型直觉模糊小脑神经网络模型包括按照逻辑顺序连接的输入空间联想记忆空间规则空间权重空间降解空间以及输出空间O,其中,所述输入空间由区间值型直觉模糊规则的输入变量组成;所述联想记忆空间为由基函数构成的区间值型直觉模糊规则的前件组成;所述规则空间表示为其中所述权重空间为对应区间值型直觉模糊规则的后件组成;所述降解空间为根据wjkorjk的线性变化的关系获得的解模糊化算子其中,所述输出空间O为多维区间值型直觉模糊小脑神经网络模型的输出Oo=a×yo ++b×yo -,其中a、b为常数。
2.根据权利要求1所述的区间值型直觉模糊小脑神经网络模型,其特征在于,所述数据样本是基于区间值型的直觉模糊集合。
3.根据权利要求1所述的区间值型直觉模糊小脑神经网络模型,其特征在于,所述基函数为高斯函数、三角函数或钟型函数。
4.根据权利要求1所述的区间值型直觉模糊小脑神经网络模型,其特征在于,所述多维区间值型直觉模糊小脑神经网络模型的模糊规则为:
其中:Rλ是第λ条区间值型直觉模糊规则,是第λ条区间值型直觉模糊规则的第i个直觉模糊区间输入变量,是第λ条区间值型直觉模糊规则的前件部分,与第j层、第k个模块的第i个输入相对应,是第λ条区间值型直觉模糊规则的第o个网络输出,是第λ条区间值型直觉模糊规则的后件部分,ni是输入变量维数,nj是小脑神经网络的层数,nk是每一层的模块数,no是输出维数。
5.根据权利要求1所述的区间值型直觉模糊小脑神经网络模型,其特征在于,当“隶属度=1-非隶属度”时,区间值型直觉模糊小脑神经网络模型结构可转化成传统的1型模糊小脑神经网络的结构形式。
6.根据权利要求1所述的区间值型直觉模糊小脑神经网络模型,其特征在于,当网络的结构参数nj=1,nk=1时,区间值型直觉模糊小脑神经网络模型结构可转化成区间值型直觉模糊神经网络的结构形式。
7.根据权利要求1所述的区间值型直觉模糊小脑神经网络模型,其特征在于,当直觉模糊集合的犹豫度为0,且网络结构参数所有层的基函数个数nb=1时,区间值型直觉模糊小脑神经网络模型结构可转化成1型模糊神经网络的结构形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610858414.7A CN106650921A (zh) | 2016-09-28 | 2016-09-28 | 区间值型直觉模糊小脑神经网络模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610858414.7A CN106650921A (zh) | 2016-09-28 | 2016-09-28 | 区间值型直觉模糊小脑神经网络模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106650921A true CN106650921A (zh) | 2017-05-10 |
Family
ID=58854579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610858414.7A Pending CN106650921A (zh) | 2016-09-28 | 2016-09-28 | 区间值型直觉模糊小脑神经网络模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650921A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108958037A (zh) * | 2018-08-15 | 2018-12-07 | 厦门理工学院 | 小波模糊大脑情感学习控制方法、装置、设备及存储介质 |
CN110852522A (zh) * | 2019-11-19 | 2020-02-28 | 南京工程学院 | 一种短期电力负荷预测方法及*** |
-
2016
- 2016-09-28 CN CN201610858414.7A patent/CN106650921A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108958037A (zh) * | 2018-08-15 | 2018-12-07 | 厦门理工学院 | 小波模糊大脑情感学习控制方法、装置、设备及存储介质 |
CN108958037B (zh) * | 2018-08-15 | 2021-06-15 | 厦门理工学院 | 小波模糊大脑情感学习控制方法、装置、设备及存储介质 |
CN110852522A (zh) * | 2019-11-19 | 2020-02-28 | 南京工程学院 | 一种短期电力负荷预测方法及*** |
CN110852522B (zh) * | 2019-11-19 | 2024-03-29 | 南京工程学院 | 一种短期电力负荷预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108832B (zh) | 一种基于无线传感器网络的油罐车油气泄漏智能监测*** | |
CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
CN108828949A (zh) | 一种基于自适应动态规划的分布式最优协同容错控制方法 | |
CN107730041A (zh) | 基于改进的遗传小波神经网络的短期电力负荷预测方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
Sader et al. | General decay synchronization of delayed BAM neural networks via nonlinear feedback control | |
CN110119766A (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
CN110119086A (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
CN110147825A (zh) | 一种基于经验模态分解模型的草莓温室温度智能检测装置 | |
CN107241135A (zh) | 一种卫星网络切换方法及装置 | |
CN106650921A (zh) | 区间值型直觉模糊小脑神经网络模型 | |
CN101546389A (zh) | 一种主方向神经网络*** | |
Gao et al. | Road Traffic Freight Volume Forecast Using Support Vector Machine Combining Forecasting. | |
CN105389599A (zh) | 基于神经模糊网络的特征选择方法 | |
CN106529816B (zh) | 电力线信道的调整方法和*** | |
CN107301266A (zh) | 一种磷酸铁锂电池loc估算方法和*** | |
Zhang et al. | Detecting the steerability bounds of generalized Werner states via a backpropagation neural network | |
Qu et al. | A transport mode selection method for multimodal transportation based on an adaptive ANN system | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
CN106444389A (zh) | 一种废塑料裂解温度***的模糊rbf网络优化pi控制方法 | |
CN110739030B (zh) | 一种乙烯生产过程小样本的软测量方法 | |
Zhang et al. | Study of prediction model on grey relational BP neural network based on rough set | |
CN106850431A (zh) | 一种应用于低轨信息网的多属性最优路由选择方法 | |
Hu | Research on application of BP neural network based on genetic algorithm in multi-objective optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
RJ01 | Rejection of invention patent application after publication |