本發(fā)明涉及一種知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法。屬于人工智能技術(shù)領(lǐng)域。

背景技術(shù)：

模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)是近幾年來人工智能研究較為活躍的兩個(gè)領(lǐng)域，模糊神經(jīng)網(wǎng)絡(luò)就是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，集學(xué)習(xí)、聯(lián)想、識(shí)別、信息處理于一體。二型模糊與一型模糊相比，增強(qiáng)了系統(tǒng)描述和處理不確定性的能力，具有更大優(yōu)勢(shì)。

當(dāng)前，對(duì)于很多復(fù)雜生產(chǎn)過程和設(shè)備而言，建立精確機(jī)理模型是很困難的，但這些復(fù)雜研究對(duì)象每天都在產(chǎn)生大量數(shù)據(jù)。因此，通過數(shù)據(jù)驅(qū)動(dòng)方法，有效利用大量離在線數(shù)據(jù)，實(shí)現(xiàn)對(duì)復(fù)雜生產(chǎn)過程和設(shè)備的建模、優(yōu)化與控制已成為一大研究熱點(diǎn)，其理論、方法及應(yīng)用日益受到重視。

但是，所得到的實(shí)際數(shù)據(jù)不可避免會(huì)受到人為因素的影響以及各類噪聲的干擾，有時(shí)還會(huì)存在錯(cuò)誤數(shù)據(jù)，這一系列不確定性因素的存在使得基于數(shù)據(jù)建立的系統(tǒng)模型的精度受到限制，對(duì)控制效果也會(huì)產(chǎn)生不利影響。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為克服上述現(xiàn)有技術(shù)的不足，提供一種知識(shí)在二型模糊神經(jīng)網(wǎng)絡(luò)中的嵌入方法，進(jìn)而提供一種知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案：

知識(shí)在二型模糊神經(jīng)網(wǎng)絡(luò)中的嵌入方法，包括步驟：

(A)歸類總結(jié)常見知識(shí)，并將其分類為可規(guī)則化知識(shí)和難以規(guī)則化知識(shí)，兩者分別進(jìn)入步驟(B)和(C)；

(B)可規(guī)則化知識(shí)轉(zhuǎn)化為結(jié)構(gòu)約束，即以神經(jīng)節(jié)點(diǎn)的方式直接嵌入二型模糊神經(jīng)網(wǎng)絡(luò)；

(C)難以規(guī)則化知識(shí)通過滿足二型模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)的嵌入條件，形成參數(shù)約束公式，以參數(shù)約束的形式嵌入相關(guān)知識(shí)。

步驟(A)中，所述常見知識(shí)包括經(jīng)驗(yàn)知識(shí)、關(guān)于部分已知關(guān)系的語言描述、被辨識(shí)系統(tǒng)特性及要求以及被辨識(shí)系統(tǒng)局部行為知識(shí)；其中，被辨識(shí)系統(tǒng)特性及要求包括連續(xù)性、對(duì)稱性、單調(diào)性、凹凸性和光滑性，被辨識(shí)系統(tǒng)局部行為知識(shí)包括插值點(diǎn)、極值點(diǎn)、邊界、不動(dòng)點(diǎn)和靜態(tài)增益。

經(jīng)驗(yàn)知識(shí)、關(guān)于部分已知關(guān)系的語言描述和被辨識(shí)系統(tǒng)局部行為知識(shí)，易于轉(zhuǎn)換成二型模糊規(guī)則，分類為可規(guī)則化知識(shí)；其他知識(shí)向二型模糊規(guī)則的轉(zhuǎn)化相對(duì)困難，分類為難以規(guī)則化知識(shí)。

步驟(B)的方法是：以二型模糊規(guī)則刻畫可規(guī)則化知識(shí)的輸入輸出關(guān)系，將知識(shí)誘導(dǎo)的規(guī)則直接嵌入二型模糊神經(jīng)網(wǎng)絡(luò)。

當(dāng)可規(guī)則化知識(shí)為經(jīng)驗(yàn)知識(shí)或關(guān)于部分已知關(guān)系的語言描述時(shí)，采用“如果…，那么…”的形式，直接轉(zhuǎn)化為二型模糊規(guī)則；當(dāng)可規(guī)則化知識(shí)為插值點(diǎn)時(shí)，假定待辨識(shí)系統(tǒng)的插值點(diǎn)為即則構(gòu)造下述二型模糊規(guī)則嵌入該知識(shí)：如果x₁為x₂為…，x_n為則輸出值y為其中，n為輸入變量的個(gè)數(shù)，x₁,x₂,…,x_n為輸入，y為輸出，為二型模糊集合，其中心為為區(qū)間權(quán)重，其中心為y⁰，其他被辨識(shí)系統(tǒng)局部行為知識(shí)的嵌入方式與插值點(diǎn)類似。

步驟(B)嵌入的二型模糊規(guī)則，其二型模糊集合的中心、區(qū)間權(quán)重的中心在后續(xù)優(yōu)化過程中保持不變。

步驟(C)的方法是：通過對(duì)二型模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)形成約束來實(shí)現(xiàn)知識(shí)的嵌入，分析二型模糊神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系表達(dá)式，并在此表達(dá)式的基礎(chǔ)上進(jìn)行理論分析，從而得到知識(shí)誘導(dǎo)的參數(shù)約束。

步驟(C)中，所述參數(shù)包括區(qū)間權(quán)重參數(shù)、二型模糊集合的中心及寬度。

步驟(C)中所采用的二型模糊神經(jīng)網(wǎng)絡(luò)包括輸入層、二型模糊化層、規(guī)則層、降型和輸出層；具體如下：

輸入層分別為n個(gè)輸入變量的取值x₁,x₂,…,x_n；

二型模糊化層將n個(gè)輸入值進(jìn)行二型模糊化，其中輸入值x_i的二型模糊集合為和二型模糊集合由步驟(B)中的可規(guī)則化知識(shí)誘導(dǎo)，二型模糊集合由后續(xù)結(jié)構(gòu)自組織方法得到，i＝1,2,…,n；

規(guī)則層包括M條由知識(shí)所誘導(dǎo)的二型模糊規(guī)則(“K”代表相應(yīng)二型模糊規(guī)則由知識(shí)誘導(dǎo)得到)和N條結(jié)構(gòu)自組織方法得到的規(guī)則符號(hào)(“D”代表相應(yīng)二型模糊規(guī)則由結(jié)構(gòu)自組織得到)，分別賦值為：

如果x₁為x₂為…，x_n為那么輸出值y為

如果x₁為x₂為…，x_n為那么輸出值y為

其中，為區(qū)間權(quán)重，s＝1,…,M，t＝1,…,N，M,N分別為由知識(shí)誘導(dǎo)的和由結(jié)構(gòu)自組織得到的二型模糊規(guī)則數(shù)，二型模糊規(guī)則的激活強(qiáng)度分別記為其中X＝(x₁,…,x_n)；

降型和輸出層，采用Karnik-Mendel算法得輸出值y(X)＝ξ(X,θ)^TW，其中，“^T”表示向量轉(zhuǎn)置，ξ(X,θ)為激活強(qiáng)度標(biāo)準(zhǔn)化后得到的強(qiáng)度向量，θ為二型模糊集合的中心及寬度參數(shù)向量，為區(qū)間權(quán)重構(gòu)成的向量。

步驟(C)中難以規(guī)則化知識(shí)對(duì)二型模糊神經(jīng)網(wǎng)絡(luò)的輸入輸出構(gòu)成約束，進(jìn)而對(duì)二型模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)構(gòu)成約束，抽象化知識(shí)誘導(dǎo)的參數(shù)約束為θ∈Θ和W∈Ω，其中Θ和Ω是參數(shù)向量θ和W的可行范圍。

知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法，包括步驟：

(1)按照上述的嵌入方法實(shí)現(xiàn)知識(shí)在二型模糊神經(jīng)網(wǎng)絡(luò)中的嵌入；

(2)利用數(shù)據(jù)在步驟(1)的知識(shí)約束下進(jìn)行結(jié)構(gòu)自組織和參數(shù)自學(xué)習(xí)；

(3)進(jìn)行性能驗(yàn)證，若二型模糊神經(jīng)網(wǎng)絡(luò)的輸出與實(shí)際系統(tǒng)輸出一致，則得到知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)；若二型模糊神經(jīng)網(wǎng)絡(luò)的輸出與實(shí)際系統(tǒng)輸出不一致，則返回步驟(2)對(duì)結(jié)構(gòu)自組織方法及參數(shù)自學(xué)習(xí)方法進(jìn)行調(diào)整。

步驟(2)中的結(jié)構(gòu)自組織包括：

(21)初始化：利用知識(shí)誘導(dǎo)的二型模糊規(guī)則進(jìn)行初始化；

(22)二型模糊規(guī)則生成：設(shè)定數(shù)據(jù)與二型模糊規(guī)則間的匹配標(biāo)準(zhǔn)及閾值，其中的匹配標(biāo)準(zhǔn)為距離度量；當(dāng)數(shù)據(jù)輸入時(shí)，計(jì)算其與已知二型模糊規(guī)則的匹配程度，若部分度量值在閾值內(nèi)，將數(shù)據(jù)歸類到最匹配二型模糊規(guī)則，并修改二型模糊規(guī)則的參數(shù)，在此過程中知識(shí)誘導(dǎo)二型模糊規(guī)則中的二型模糊集合及區(qū)間權(quán)重的中心保持不變；若度量值均不符合閾值條件，則返回步驟(21)，產(chǎn)生新的二型模糊規(guī)則；

(23)二型模糊規(guī)則合并：定義二型模糊規(guī)則間的距離度量及合并閾值ε，當(dāng)存在二型模糊規(guī)則間的距離小于該閾值ε時(shí)，則進(jìn)行二型模糊規(guī)則合并，在此過程中注意知識(shí)所形成的約束；

(24)二型模糊規(guī)則拆分：設(shè)定二型模糊規(guī)則拆分閾值δ，當(dāng)某二型模糊規(guī)則中二型模糊集合寬度大于閾值δ時(shí)，將相應(yīng)模糊集合的中心左、右移動(dòng)δ，寬度變?yōu)樵瓉淼?0％，實(shí)現(xiàn)二型模糊集合拆分，進(jìn)而實(shí)現(xiàn)二型模糊規(guī)則的拆分；

(25)二型模糊規(guī)則修剪：在二型模糊規(guī)則生成過程中，若某二型模糊規(guī)則激活強(qiáng)度小于修剪閾值r，則對(duì)二型模糊規(guī)則進(jìn)行刪除，實(shí)現(xiàn)修剪，但知識(shí)誘導(dǎo)的二型模糊規(guī)則不修剪。

在步驟(21)～(25)中，通過結(jié)構(gòu)自組織算法確定二型模糊集合參數(shù)，在步驟(2)中的參數(shù)自學(xué)習(xí)在參數(shù)約束下僅優(yōu)化區(qū)間權(quán)重。

其中，多輸入單輸出的情況下，步驟(2)中參數(shù)自學(xué)習(xí)的具體方法是：

假定實(shí)際系統(tǒng)輸入輸出數(shù)據(jù)集為{X_l,y_l}_l＝1,…,L，其中L為數(shù)據(jù)個(gè)數(shù)，X_l為第l個(gè)輸入數(shù)據(jù)向量，y_l為第l個(gè)數(shù)據(jù)的輸出量；在輸入X_l時(shí)，二型模糊神經(jīng)網(wǎng)絡(luò)的輸出為y(X_l)＝ξ(X_l,θ₀)^TW，其中θ₀為由結(jié)構(gòu)自組織方法確定的二型模糊集合的中心及寬度參數(shù)向量，區(qū)間權(quán)重向量為待優(yōu)化參數(shù)；關(guān)于數(shù)據(jù)集的誤差平方和E(W)為

其中Φ＝[ξ(X₁,θ₀),ξ(X₂,θ₀),…,ξ(X_L,θ₀)]^T,Y＝[y₁,y₂,…,y_L]^T，“^T”表示向量轉(zhuǎn)置；

因此，參數(shù)自學(xué)習(xí)問題轉(zhuǎn)化為下述約束優(yōu)化問題

該問題為帶約束的二次規(guī)劃問題，采用active-set算法予以解決。

知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)，是由上述設(shè)計(jì)方法得到的。

本發(fā)明的有益效果：

為處理不確定性并改善建模及控制效果，可以考慮采用兩種途徑，其一是充分利用各類知識(shí)(包括生產(chǎn)過程或設(shè)備等研究對(duì)象的相關(guān)特性、操作經(jīng)驗(yàn)知識(shí)、局部行為知識(shí)等)來增加有用信息，其二是選擇抗噪聲干擾好、逼近精度高的建模與控制方法。本發(fā)明提出了一種知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法，不僅具有二型模糊系統(tǒng)處理各種不確定性、抗干擾等方面的優(yōu)勢(shì)，且具有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)及自適應(yīng)的功能。對(duì)之前的二型模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行了大量改進(jìn)，是對(duì)其的繼承與發(fā)展。本發(fā)明采用二型模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)建模及控制，在基于數(shù)據(jù)的同時(shí)充分利用各類知識(shí)，有助于提高所設(shè)計(jì)的二型模糊神經(jīng)網(wǎng)絡(luò)的性能，取得更好的建模與控制效果。具體如下：

1、本發(fā)明通過數(shù)據(jù)驅(qū)動(dòng)方法，有效利用大量離在線數(shù)據(jù)，實(shí)現(xiàn)對(duì)復(fù)雜生產(chǎn)過程和設(shè)備的建模,同時(shí)通過充分利用各類知識(shí)中的信息來提升數(shù)據(jù)驅(qū)動(dòng)方法的建模及控制效果，在現(xiàn)實(shí)應(yīng)用中能取得更好的效果；

2、所設(shè)計(jì)的二型模糊神經(jīng)網(wǎng)絡(luò)，充分利用了二型模糊理論來克服數(shù)據(jù)中存在的各類強(qiáng)不確定性，利用神經(jīng)網(wǎng)絡(luò)來加強(qiáng)系統(tǒng)的學(xué)習(xí)能力，更加適應(yīng)于現(xiàn)實(shí)中具有各類不確定性系統(tǒng)的建模與控制；

3、在二型模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過程中利用了自組織方法，能有效解決模糊神經(jīng)網(wǎng)絡(luò)規(guī)則獲取及規(guī)則爆炸問題，更加適用于多變量問題的建模與控制。

附圖說明

圖1是嵌入知識(shí)的二型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖2是知識(shí)與數(shù)據(jù)驅(qū)動(dòng)二型模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步的闡述，應(yīng)該說明的是，下述說明僅是為了解釋本發(fā)明，并不對(duì)其內(nèi)容進(jìn)行限定。

實(shí)施例：

如圖1和圖2所示，本發(fā)明的知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)，是由以下設(shè)計(jì)方法得到，包括步驟：

(1)按照上述的嵌入方法實(shí)現(xiàn)知識(shí)在二型模糊神經(jīng)網(wǎng)絡(luò)中的嵌入；

(2)利用數(shù)據(jù)在步驟(1)的知識(shí)約束下進(jìn)行結(jié)構(gòu)自組織和參數(shù)自學(xué)習(xí)；

(3)進(jìn)行性能驗(yàn)證，若二型模糊神經(jīng)網(wǎng)絡(luò)的輸出與實(shí)際系統(tǒng)輸出一致，則得到知識(shí)與數(shù)據(jù)混合驅(qū)動(dòng)的二型模糊神經(jīng)網(wǎng)絡(luò)；若二型模糊神經(jīng)網(wǎng)絡(luò)的輸出與實(shí)際系統(tǒng)輸出不一致，則返回步驟(2)對(duì)結(jié)構(gòu)自組織方法及參數(shù)自學(xué)習(xí)方法進(jìn)行調(diào)整。

步驟(1)知識(shí)在二型模糊神經(jīng)網(wǎng)絡(luò)中的嵌入方法，包括步驟：

(A)歸類總結(jié)常見知識(shí)，并將其分類為可規(guī)則化知識(shí)和難以規(guī)則化知識(shí)，兩者分別進(jìn)入步驟(B)和(C)；

(B)可規(guī)則化知識(shí)轉(zhuǎn)化為結(jié)構(gòu)約束，即以神經(jīng)節(jié)點(diǎn)的方式直接嵌入二型模糊神經(jīng)網(wǎng)絡(luò)；

(C)難以規(guī)則化知識(shí)通過滿足二型模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)的嵌入條件，形成參數(shù)約束公式，以參數(shù)約束的形式嵌入相關(guān)知識(shí)。

步驟(A)中，所述常見知識(shí)包括經(jīng)驗(yàn)知識(shí)、關(guān)于部分已知關(guān)系的語言描述、被辨識(shí)系統(tǒng)特性及要求以及被辨識(shí)系統(tǒng)局部行為知識(shí)；其中，被辨識(shí)系統(tǒng)特性及要求包括連續(xù)性、對(duì)稱性、單調(diào)性、凹凸性和光滑性，被辨識(shí)系統(tǒng)局部行為知識(shí)包括插值點(diǎn)、極值點(diǎn)、邊界、不動(dòng)點(diǎn)和靜態(tài)增益。其中，經(jīng)驗(yàn)知識(shí)、關(guān)于部分已知關(guān)系的語言描述和被辨識(shí)系統(tǒng)局部行為知識(shí)，易于轉(zhuǎn)換成二型模糊規(guī)則，分類為可規(guī)則化知識(shí)；其他知識(shí)向二型模糊規(guī)則的轉(zhuǎn)化相對(duì)困難，分類為難以規(guī)則化知識(shí)。

步驟(B)的方法是：以二型模糊規(guī)則刻畫可規(guī)則化知識(shí)的輸入輸出關(guān)系，將知識(shí)誘導(dǎo)的規(guī)則直接嵌入二型模糊神經(jīng)網(wǎng)絡(luò)。當(dāng)可規(guī)則化知識(shí)為經(jīng)驗(yàn)知識(shí)或關(guān)于部分已知關(guān)系的語言描述時(shí)，采用“如果…，那么…”的形式，直接轉(zhuǎn)化為二型模糊規(guī)則；當(dāng)可規(guī)則化知識(shí)為插值點(diǎn)時(shí)，假定待辨識(shí)系統(tǒng)的插值點(diǎn)為即則構(gòu)造下述二型模糊規(guī)則嵌入該知識(shí)：如果x₁為x₂為…，x_n為則輸出值y為其中，n為輸入變量的個(gè)數(shù)，x₁,x₂,…,x_n為輸入，y為輸出，為二型模糊集合，其中心為為區(qū)間權(quán)重，其中心為y⁰，其他被辨識(shí)系統(tǒng)局部行為知識(shí)的嵌入方式與插值點(diǎn)類似。步驟(B)嵌入的二型模糊規(guī)則，其二型模糊集合的中心、區(qū)間權(quán)重的中心在后續(xù)優(yōu)化過程中保持不變。

步驟(C)的方法是：通過對(duì)二型模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)(包括區(qū)間權(quán)重參數(shù)、二型模糊集合的中心及寬度)形成約束來實(shí)現(xiàn)知識(shí)的嵌入，分析二型模糊神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系表達(dá)式，并在此表達(dá)式的基礎(chǔ)上進(jìn)行理論分析，從而得到知識(shí)誘導(dǎo)的參數(shù)約束。步驟(C)中所采用的二型模糊神經(jīng)網(wǎng)絡(luò)包括輸入層、二型模糊化層、規(guī)則層、降型和輸出層；具體如下：

輸入層分別為n個(gè)輸入變量的取值x₁,x₂,…,x_n；

二型模糊化層將n個(gè)輸入值進(jìn)行二型模糊化，其中輸入值x_i的二型模糊集合為和二型模糊集合由步驟(B)中的可規(guī)則化知識(shí)誘導(dǎo)，二型模糊集合由后續(xù)結(jié)構(gòu)自組織方法得到，i＝1,2,…,n；

規(guī)則層包括M條由知識(shí)所誘導(dǎo)的二型模糊規(guī)則(“K”代表相應(yīng)二型模糊規(guī)則由知識(shí)誘導(dǎo)得到)和N條結(jié)構(gòu)自組織方法得到的規(guī)則符號(hào)(“D”代表相應(yīng)二型模糊規(guī)則由結(jié)構(gòu)自組織得到)，分別賦值為：

如果x₁為x₂為…，x_n為那么輸出值y為

如果x₁為x₂為…，x_n為那么輸出值y為

其中，為區(qū)間權(quán)重，s＝1,…,M，t＝1,…,N，M,N分別為由知識(shí)誘導(dǎo)的和由結(jié)構(gòu)自組織得到的二型模糊規(guī)則數(shù)，二型模糊規(guī)則的激活強(qiáng)度分別記為其中X＝(x₁,…,x_n)；

降型和輸出層，采用Karnik-Mendel算法得輸出值y(X)＝ξ(X,θ)^TW，其中，“^T”表示向量轉(zhuǎn)置，ξ(X,θ)為激活強(qiáng)度標(biāo)準(zhǔn)化后得到的強(qiáng)度向量，θ為二型模糊集合的中心及寬度參數(shù)向量，為區(qū)間權(quán)重構(gòu)成的向量。

步驟(C)中難以規(guī)則化知識(shí)對(duì)二型模糊神經(jīng)網(wǎng)絡(luò)的輸入輸出構(gòu)成約束，進(jìn)而對(duì)二型模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)構(gòu)成約束，抽象化知識(shí)誘導(dǎo)的參數(shù)約束為θ∈Θ和W∈Ω，其中Θ和Ω是參數(shù)向量θ和W的可行范圍。

步驟(2)中的結(jié)構(gòu)自組織包括：

(21)初始化：利用知識(shí)誘導(dǎo)的二型模糊規(guī)則進(jìn)行初始化；

(22)二型模糊規(guī)則生成：設(shè)定數(shù)據(jù)與二型模糊規(guī)則間的匹配標(biāo)準(zhǔn)及閾值，其中的匹配標(biāo)準(zhǔn)為距離度量；當(dāng)數(shù)據(jù)輸入時(shí)，計(jì)算其與已知二型模糊規(guī)則的匹配程度，若部分度量值在閾值內(nèi)，將數(shù)據(jù)歸類到最匹配二型模糊規(guī)則，并修改二型模糊規(guī)則的參數(shù)，在此過程中知識(shí)誘導(dǎo)二型模糊規(guī)則中的二型模糊集合及區(qū)間權(quán)重的中心保持不變；若度量值均不符合閾值條件，則返回步驟(21)，產(chǎn)生新的二型模糊規(guī)則；

(23)二型模糊規(guī)則合并：定義二型模糊規(guī)則間的距離度量及合并閾值ε，當(dāng)存在二型模糊規(guī)則間的距離小于該閾值ε時(shí)，則進(jìn)行二型模糊規(guī)則合并，在此過程中注意知識(shí)所形成的約束；

(24)二型模糊規(guī)則拆分：設(shè)定二型模糊規(guī)則拆分閾值δ，當(dāng)某二型模糊規(guī)則中二型模糊集合寬度大于閾值δ時(shí)，將相應(yīng)模糊集合的中心左、右移動(dòng)δ，寬度變?yōu)樵瓉淼?0％，實(shí)現(xiàn)二型模糊集合拆分，進(jìn)而實(shí)現(xiàn)二型模糊規(guī)則的拆分；

(25)二型模糊規(guī)則修剪：在二型模糊規(guī)則生成過程中，若某二型模糊規(guī)則激活強(qiáng)度小于修剪閾值r，則對(duì)二型模糊規(guī)則進(jìn)行刪除，實(shí)現(xiàn)修剪，但知識(shí)誘導(dǎo)的二型模糊規(guī)則不修剪。

在步驟(21)～(25)中，通過結(jié)構(gòu)自組織算法確定二型模糊集合參數(shù)，在步驟(2)中的參數(shù)自學(xué)習(xí)在參數(shù)約束下僅優(yōu)化區(qū)間權(quán)重。

其中，多輸入單輸出的情況下，步驟(2)中參數(shù)自學(xué)習(xí)的具體方法是：

假定實(shí)際系統(tǒng)輸入輸出數(shù)據(jù)集為{X_l,y_l}_l＝1,…,L，其中L為數(shù)據(jù)個(gè)數(shù)，X_l為第l個(gè)輸入數(shù)據(jù)向量，y_l為第l個(gè)數(shù)據(jù)的輸出量；在輸入X_l時(shí)，二型模糊神經(jīng)網(wǎng)絡(luò)的輸出為y(X_l)＝ξ(X_l,θ₀)^TW，其中θ₀為由結(jié)構(gòu)自組織方法確定的二型模糊集合的中心及寬度參數(shù)向量，區(qū)間權(quán)重向量為待優(yōu)化參數(shù)；關(guān)于數(shù)據(jù)集的誤差平方和E(W)為

其中Φ＝[ξ(X₁,θ₀),ξ(X₂,θ₀),…,ξ(X_L,θ₀)]^T,Y＝[y₁,y₂,…,y_L]^T，“^T”表示向量轉(zhuǎn)置；

因此，參數(shù)自學(xué)習(xí)問題轉(zhuǎn)化為下述約束優(yōu)化問題

該問題為帶約束的二次規(guī)劃問題，采用active-set算法予以解決。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。