模糊神经网络的理论发展与应用研究

王培勋 王顺磊 陈树娟

（中国海洋大学信息科学与工程学院，山东 青岛 266100）

1 引言

随着模糊信息处理技术和神经网络技术研究的不断深入，将模糊技术与神经网络技术进行融合，能够构造出一种可“自动”处理模糊信息的模糊神经网络或称自适应和自动学习模糊系统。模糊神经网络同时具有模糊逻辑和神经网络的优点。利用模糊神经网络可以实现知识表示、存储和推理三者融为一体，在知识获取、自适应学习、联想推理等方面显示出了明显的优越性。

2 模糊神经网络的产生

1974年，S.C.1ee和E.T.1ee首次把模糊集和神经网络联系在一起。1989年T.YamakaMa提出了初始的模糊神经元，这种模糊神经元具有模糊权系数，但输入信号是实数。1992年，他又提出了新的模糊神经元，这种模型的每个输入端是模糊权系数和实权系数串联的集合。同年，D.auck和R.ruse提出用单一模糊权系数的模糊神经元进行模糊控制及过程学习。1990年至1992年期间，M.M.Gupta提出了多种模糊神经元模型，其模型中有类同上面的模糊神经元模型，还有含模糊权系数并可以输入模糊量的模糊神经元。从此，许多学者对模糊神经网络技术不断进行研究，并将这种技术应用于各种问题解决中。

3 模糊逻辑与人工神经网络的比较

模糊逻辑与神经网络在知识获取、存储方式、表达知识和推理解释方面存在明显的差别。神经网络由于是模拟人脑神经元功能，具有强大的学习能力和数据的直接处理能力，而模糊逻辑方法则模仿人脑的逻辑思维，具有较强的结构性知识表示能力。但是传统的神经网络不适于表示基于规则的知识，在应用于故障诊断时常常发生误诊现象。模糊方法适用于测量值少且无法获得精确模型的系统，但该方法不具有自适应和自学习能力，无法进一步积累和修正诊断知识。因此，将人工神经网络与模糊逻辑结合起来，克服传统神经网络不能很好处理边界分类模糊数据主故障误诊问题，同时使得基于规则的结构性知识能够得到学习和调整。

4 模糊神经网络的拓扑结构

一般而言，一个模糊神经网络可由5层组成。第1层为输入层，它包含对应于模糊神经网络可感知输入个数的神经元，其作用是将输入值传送给第2层(输入模糊层)中的模糊单元，将输入值转换为一定的模糊度；第3层为中间层，其功能与一般神经网络相同，由它提供可供概括化的相互连接与处理；第4层为输出模糊层，它的主要作用是接受经中间层处理的数据，并按照模糊度函数将这些数据进行非模糊化处理，即转换为与网络输入值相应的量；第5层为输出层，其作用是给出问题确定性的求解结果。

5 模糊神经网络的应用

模糊神经网络在学习控制、自适应控制、预测控制等方面有相当广泛的应用，下面以预测控制为例进行简单的介绍。

卫明社等人针对传统的农作物虫情预测方法如统计法、实验法和观察法都存在着诸如知识获取瓶颈，提出了一种基于模糊神经网络的农作物虫情预测方法。该文中的模糊神经网络的结构有三个组成模块：（1）输入模糊化模块。（2）学习推理模块。（3）输出清晰化模块。作者根据相关方面提供的数据，采用快速BP算法对神经网络进行训练，设定训练的目标误差平方和为0.01，最大循环次数为10000次，初始学习速率为0.05，动量常数取0.95。经过15次训练后网络就收敛了。仿真结果显示，模糊神经网络用于农作物虫情预测是可行的，它结合了神经网络和模糊理论的优点，推理速度快，知识表达准确，符合实际的需要。

6 展望

模糊神经网络是智能控制理论研究领域中一个十分活跃的分支，模糊神经网络技术的未来研究方向将集中在以下几个方面：（1）拓展模糊神经网络的应用范围，寻找一般模糊集的模糊神经网络的学习算法。（2）开发模糊神经网络的相关硬件产品。可以预见，随着理论的向前发展，随着工程应用的进一步深入，模糊神经网络技术必将不断丰富和完善，从而获得更加广泛的应用。

[1]吴雷，付焕森，韦凯，蒋峰.基于模糊神经网络的感应加热电源机组研究[J].电力电子技术，2007,41(12),93-95.

[2]王爽，朱栋华，王家凯.模糊神经网络的理论与应用[J].江苏环境科技，2007，28，98-100.

[3]张凯，钱锋，刘漫丹.模糊神经网络技术综述 信息与控制，2003，32(5)：432-435.

[4]卫明社，李国勇.基于模糊神经网络的农作物虫情预测,2007,28(6)：442-445.