针对模糊集理论在建模中对变化的外部环境适应能力差，以及基本神经网络模型不容易获得模糊集之间关系等问题，提出了一个具有基本模糊推理系统“IF-THEN”规则的多级离散模糊神经网络模型。分析了该模型的基本稳定性条件，并使用硬C均值聚类方法获得数据集之间的关系，采用遗传算法优化了该模型。最后通过计算机仿真验证了该模型的有效性。关 键 词 多级离散模糊神经网络; 稳定性; HCM聚类; 遗传算法模糊集理论用于在建模中针对一些实验数据中不确定性和模糊性问题上。模糊集理论提供了系统的、以语言表示这类信息的计算工具，通过使用由隶属函数表示的语言变量，它还可以进行数值计算。合理选择模糊规则是模糊推理系统的关键因素，它可以有效地对特定应用领域中的人类专门知识进行建模。尽管模糊推理系统具有模糊IF-THEN格式的结构化知识表示，但它仍缺少对变化的外部环境进行适应的能力。而神经网络的根本优点是对外部很强的适应性和从过去数据中学习的机制[1-2]。基本的神经网络兼有神经网络的“IF-THEN”规则。它的弊端是不能得到模糊集之间的关系。为解决它的不足，本文提出了一个离散模糊神经网络，该网络使用硬C均值(HCM)聚类和进化计算实现全局稳定性。1 基于规则的多级离散模糊神经网络的稳定性
猜您喜欢
推荐内容
开源项目推荐 更多
热门活动
热门器件
用户搜过
随便看看
热门下载
热门文章
京公网安备 11010802033920号
Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved
评论