19、康复评估中的混合动态模糊神经网络与肌电-力肌双模态传感器研究

康复评估中的混合动态模糊神经网络与肌电-力肌双模态传感器研究

模糊神经网络设计

模糊神经网络（FNN）可分为前提部分和结论部分。
- 前提部分 ：由四层组成。
1. 输入层 ：将输入值 $\xi = [x_1, x_2, …, x_n]^T$ 传递到下一层。
2. 第二层 ：根据公式 $\mu(x) = gaussmf(x, \delta, c) = e^{-\frac{(x - c)^2}{2\delta^2}}$ 计算每个输入分量属于语言变量模糊集的隶属度函数，其中 $c$ 和 $\delta$ 分别是隶属函数的中心和宽度。
3. 第三层 ：通过相关公式计算每个规则的适应度。对于给定输入，与输入匹配的语言变量适应度值较高，远离输入点的语言变量适应度值较低，类似于局部逼近神经网络。
4. 第四层 ：实现归一化计算，公式为 $\lambda_i = \frac{\omega_i}{\sum_{i = 1}^{M} \omega_i}$。
- 结论部分 ：对于一般的多输出网络，结论部分通常由几个具有相同结构的并行子网组成，但本研究仅包含一个子网。子网采用标准 FNN，输入层的每个节点将其输出馈送到十二个隐藏层节点，隐藏层节点再馈送到十二个输出节点。$y^*$ 是每个规则的结论与单维属性的加权和，权重系数为相应模糊规则的归一化适应度，即前提网络到结论网络的连接权重。

动态优化算法

FNN 学习算法