69、神经模糊系统算法详解

神经模糊系统算法详解

1. 神经模糊算法的早期探索

在神经网络研究的早期，人们就对分析和设计结合模糊集理论的分层前馈网络产生了兴趣。最初的一种方法是对二元McCulloch - Pitts神经元进行模糊化（Lee和Lee，1975）。随后，一些研究人员研究了典型的前馈神经网络架构，分析了将此类神经元与作为神经网络输入的模糊集进行的多种组合。同时，网络的连接（权重）也被视为具有三角形隶属函数的模糊集。有趣的是，在所有这些情况下，网络的输出都保持为数值形式。

以下是一些代表性的研究工作：
- Yamakawa和Tomoda（1989）
- O’Hagan（1991）
- Gupta和Qi（1991）
- Hayashi等人（1992）
- Ishibushi等人（1992）

这些研究人员通常使用具有三角形或梯形隶属函数的模糊集。训练过程通常采用标准的delta规则，在某些情况下（如Hayashi等人，1992）则使用模糊化的delta规则。此外，delta规则也被其他算法所替代，例如Requena和Delgado（1992）使用了玻尔兹曼机训练算法。

2. 模糊关联记忆（FAM）系统

2.1 FAM系统的组成

模糊关联记忆（FAM）系统由模糊化器、模糊规则库、模糊推理引擎和去模糊化器组成。它是一种静态变换，将输入模糊集映射到输出模糊集，实现了单位超立方体之间的映射。模糊化器和去模糊化器的作用是在变换与完成建模的外部环境之间形成合适的接口。该变换基于一组模糊规则，这些规则由模糊谓词组成，反映了领域知识，通常来自人类专家，可涉及一般控制策略、系统的语言描述等。