6、循环模糊神经网络及其性能分析

循环模糊神经网络及其性能分析

1. 引言

在处理现实世界中具有高度不确定性的问题时，模糊神经网络（FNN）已成为一种强大的工具，广泛应用于预测、识别、控制、图像识别等领域。FNN结合了模糊推理处理不确定信息的能力和纯神经网络从实验中学习的能力，允许自动设计模糊规则，并结合学习数值数据和以模糊IF - THEN规则表示的专家知识。与普通神经网络相比，FNN可能具有更小的网络规模和更快的收敛速度。

然而，当处理具有时间特性的应用，如动态控制、预测、识别和时间序列识别（如语音识别）时，传统的前馈结构FNN对于这类需要记忆的问题往往效果不佳。因此，对具有动态映射能力、时间信息存储和动态模糊推理能力的循环模糊神经网络（RFNN）的需求日益增长。

目前，已经有许多关于不同结构和训练算法的FNN的研究。例如，有研究讨论了延迟反馈神经模糊网络，但其是一种简化的循环网络，仅在网络的一层有反馈连接；还有提出了循环自组织神经模糊推理网络，该系统能够处理包括动态模糊推理在内的时间问题，并具有在线学习能力；也有提出使用动态模糊规则实现模糊推理的循环多层连接网络等。但这些研究都存在一定的局限性，如某些方法需要隶属函数可微，而这并不总是可行的；一些简化版本的神经模糊网络在效率上有所降低等。

此外，神经网络的训练方法主要分为基于梯度的算法和进化算法两大类。基于梯度的算法如反向传播算法（BP）容易陷入局部极小值，且收敛性能很大程度上依赖于学习率参数和初始条件；而进化算法不使用导数信息，在导数难以获取甚至不可用时更为有效，且计算复杂度相对较低。

尽管已经有一些关于RFNN的研究，但在直接处理模糊信息并使用模糊权重和偏置作为可调参数的RFNN开发方面进展甚微。本文将研究处理模糊