weixin_47365903的博客

存储单元数通常比所考虑问题的最大可能输入空间的分块数少得多，故实现的是多对一的映射，即多个分块映射到同样一个存储器地址上。中间层由若干个基函数构成，对任意一个输入只有少数几个基函数的输出为非零值，称非零输出的基函数为作用基函数，作用基函数的个数为泛化参数c,它规定了网络内部影响网络输出的区域大小。这种映射称为局部泛化，c为泛化常数。①它是基于局部学习的神经网络，它把信息存储在局部结构上，使每次修正的权很少，在保证函数非线性逼近性能的前提下，学习速度快，适合于实时控制；网络的输出为AP中c个单元的权值的和。

将神经网络的学习能力引入到模糊系统中，将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示是实现模糊系统自组织、自学习的重要途径。在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。模糊系统与模糊神经网络既有联系又有区别，其联系表现为模糊神经网络在本质上是模糊系统的实现，其区别表现为模糊神经网络又具有神经网络的特性。模糊系统与神经网络的比较见表8-1。

如果在输出层不能得到期望的输出，则转至反向传播，将误差信号（理想输出与实际输出之差）按连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。BP网络逼近的结构如图7-6所示，图中k为网络的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网络逼近器，y(k)为被控对象的实际输出，y(k)为BP网络的输出。将系统输出y(k)及输入(k)的值作为逼近器BP的输人，将系统输出与网络输出的误差作为逼近器的调整信号。(1)前向传播：计算网络的输出隐层神经元的输入为所有输入的加权之和，即。