14、二型模糊神经网络的应用探索

二型模糊神经网络的应用探索

1. 二型模糊神经网络用于决策制定

模糊集理论在处理人类信息中的不确定性和模糊性时是一种非常有用的系统理论。模糊决策更符合人类的决策行为和语言偏好，IF - THEN规则可用于决策中的近似推理。模糊逻辑系统（FLSs）作为通用逼近器，能使用易于理解的语言标签（如“低”“中”“高”等）和IF - THEN规则来处理不确定性并对系统性能进行建模，其以透明且灵活的人类可读形式处理信息。

然而，基于IF - THEN规则的模糊决策系统的主要缺点是决策系统参数学习困难。而具有特定学习算法的神经网络可以成为学习模糊系统的强大工具，因此需要为模糊决策系统提供能够学习并使模糊系统参数适应不断变化的环境和系统条件的学习机制。

许多研究都展示了二型模糊推理系统在决策系统中的应用。例如，Suarez和Castanon - Puga（2010）等提出了基于二型模糊推理系统的决策方法；Marquez等人（2011）基于神经模糊技术将二型模糊推理系统配置到智能体中；Mendel和Wu（2010）考虑将二型模糊逻辑应用于建模主观决策系统或感知。二型模糊逻辑系统（T2FLSs）在函数逼近、建模和决策应用方面比一型模糊逻辑系统（T1FLSs）具有更好的性能。基于T2FLSs和神经网络的优势，提出了二型神经模糊系统来处理系统不确定性、减少规则数量和计算量。Pan等人（2007）等还提出具有不对称模糊隶属函数的二型模糊神经网络（T2FNN）可以提高系统性能和逼近能力。

之前关于T2FNN的研究大多是静态模型。Lee和Hu（2008）提出了将区间二型模糊不对称隶属函数与递归神经网络系统相结合的RiT2FNNA，该系统提供了记忆元素来捕捉系统动态信息。

下面考虑