本發(fā)明涉及一種區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型。
背景技術(shù):
小腦神經(jīng)網(wǎng)絡(luò)模型(CMAC-Cerebellar Model Articulation Controller)是一種表達(dá)復(fù)雜非線性函數(shù)的表格查詢型自適應(yīng)神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)可通過學(xué)習(xí)算法改變表格的內(nèi)容,具有信息分類存儲的能力。CMAC已被公認(rèn)為是一類聯(lián)想記憶網(wǎng)絡(luò)的重要組成部分,能夠?qū)W習(xí)任意多維非線性映射,CMAC算法被證明可有效地用于非線性函數(shù)逼近、動態(tài)建模、控制系統(tǒng)設(shè)計等。
然而,現(xiàn)有的小腦神經(jīng)網(wǎng)絡(luò)模型采用傳統(tǒng)的模糊集合,對不確定性問題的模糊語言描述有限,精確度不夠;另外,現(xiàn)有小腦神經(jīng)網(wǎng)絡(luò)模型還具有收斂性和精確度有待進(jìn)一步提高、計算量大、模型降型過程復(fù)雜等缺點(diǎn)。
技術(shù)實現(xiàn)要素:
本發(fā)明提供一種區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型,可有效解決上述問題。
一種區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型,所述區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型包括按照邏輯順序連接的輸入空間聯(lián)想記憶空間規(guī)則空間權(quán)重空間降解空間以及輸出空間O,其中,所述輸入空間由區(qū)間值型直覺模糊規(guī)則的輸入變量組成;所述聯(lián)想記憶空間為由基函數(shù)構(gòu)成的區(qū)間值型直覺模糊規(guī)則的前件組成;所述規(guī)則空間表示為其中所述權(quán)重空間為對應(yīng)區(qū)間值型直覺模糊規(guī)則的后件組成;所述降解空間為根據(jù)wjko rjk的線性變化的關(guān)系獲得的解模糊化算子其中,所述輸出空間O為多維區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型的輸出Oo=a×yo++b×yo-,其中a、b為常數(shù)。
作為進(jìn)一步改進(jìn)的,所述數(shù)據(jù)樣本是基于區(qū)間值型的直覺模糊集合。
作為進(jìn)一步改進(jìn)的,所述基函數(shù)為高斯函數(shù)、三角函數(shù)或鐘型函數(shù)。
作為進(jìn)一步改進(jìn)的,所述多維區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型的模糊規(guī)則為:
for i=1,2,…,ni,j=1,2,…,nj,k=1,2,…,nk,λ=1,2,…,nλ,and o=1,2,…,no
其中:Rλ是第λ條區(qū)間值型直覺模糊規(guī)則,是第λ條區(qū)間值型直覺模糊規(guī)則的第i個直覺模糊區(qū)間輸入變量,是第λ條區(qū)間值型直覺模糊規(guī)則的前件部分,與第j層、第k個模塊的第i個輸入相對應(yīng),是第λ條區(qū)間值型直覺模糊規(guī)則的第o個網(wǎng)絡(luò)輸出,是第λ條區(qū)間值型直覺模糊規(guī)則的后件部分,ni是輸入變量維數(shù),nj是小腦神經(jīng)網(wǎng)絡(luò)的層數(shù),nk是每一層的模塊數(shù),no是輸出維數(shù)。
作為進(jìn)一步改進(jìn)的,當(dāng)“隸屬度=1-非隸屬度”時,區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)可轉(zhuǎn)化成傳統(tǒng)的1型模糊小腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。
作為進(jìn)一步改進(jìn)的,當(dāng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)nj=1,nk=1時,區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)可轉(zhuǎn)化成區(qū)間值型直覺模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。
作為進(jìn)一步改進(jìn)的,當(dāng)直覺模糊集合的猶豫度為0,且網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)所有層的基函數(shù)個數(shù)nb=1時,區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)可轉(zhuǎn)化成1型模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。
本發(fā)明提供的所述區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型,具有以下優(yōu)點(diǎn):
1、將模糊小腦神經(jīng)網(wǎng)絡(luò)與Atanassov的直覺模糊集相結(jié)合,提出符合此架構(gòu)的模糊規(guī)則庫,構(gòu)造新的性能更完善的MIMO模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);
2、網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)可以靈活設(shè)置和選擇,通過結(jié)構(gòu)參數(shù)的選擇,可以將該模型的結(jié)構(gòu)簡化成其他模式的結(jié)構(gòu)形式,如模糊神經(jīng)網(wǎng)絡(luò)、區(qū)間型模糊神經(jīng)網(wǎng)絡(luò)和小腦神經(jīng)網(wǎng)絡(luò)等,在模型結(jié)構(gòu)上具有一定的廣義性;
3、根據(jù)參數(shù)線性關(guān)系,避免采用傳統(tǒng)的模型降型算法KM算法,減少了模型降型、解模糊化過程的計算量;
4、通過對參數(shù)的自適應(yīng)調(diào)節(jié),提高模型自適應(yīng)能力,獲得更加快速的收斂性和更加良好的穩(wěn)定性。
附圖說明
圖1為本發(fā)明實施例提供的多維區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。
具體實施方式
下面結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步的詳細(xì)說明??梢岳斫獾氖?,此處所描述的具體實施例僅用于解釋本發(fā)明,而非對本發(fā)明的限定。另外還需要說明的是,為了便于描述,附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。
提出小腦神經(jīng)網(wǎng)絡(luò)與Atanassov的直覺模糊集相結(jié)合的模糊規(guī)則;構(gòu)造廣義結(jié)構(gòu)的多維區(qū)間值型直覺模糊小腦模型神經(jīng)網(wǎng)絡(luò)模型。
請參照圖1,一種區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型,所述區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型包括按照邏輯順序連接的輸入空間聯(lián)想記憶空間規(guī)則空間權(quán)重空間降解空間以及輸出空間O。
所述多維區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型的模糊規(guī)則為:
for i=1,2,…,ni,j=1,2,…,nj,k=1,2,…,nk,λ=1,2,…,nλ,and o=1,2,…,no
其中:Rλ是第λ條區(qū)間值型直覺模糊規(guī)則,是第λ條區(qū)間值型直覺模糊規(guī)則的第i個直覺模糊區(qū)間輸入變量,是第λ條區(qū)間值型直覺模糊規(guī)則的前件部分,與第j層、第k個模塊的第i個輸入相對應(yīng),是第λ條區(qū)間值型直覺模糊規(guī)則的第o個網(wǎng)絡(luò)輸出,是第λ條區(qū)間值型直覺模糊規(guī)則的后件部分,ni是輸入變量維數(shù),nj是小腦神經(jīng)網(wǎng)絡(luò)的層數(shù),nk是每一層的模塊數(shù),no是輸出維數(shù)。
所述輸入空間由區(qū)間值型直覺模糊規(guī)則的輸入變量組成。
所述聯(lián)想記憶空間由基函數(shù)構(gòu)成的區(qū)間值型的直覺模糊規(guī)則前件基函數(shù)可以是高斯函數(shù)、三角函數(shù)、鐘型函數(shù)等的形式。通過這一空間,將輸入變量映射到區(qū)間值型直覺模糊集合中。
所述規(guī)則空間表示為將各個輸入變量的區(qū)間值型直覺模糊集合進(jìn)行排列組合,用T-norm進(jìn)行模糊AND運(yùn)算,其中
所述權(quán)重空間為對應(yīng)區(qū)間值型直覺模糊規(guī)則的后件組成。
所述降解空間為降型和解模糊化的過程。根據(jù)wjko rjk的線性變化的關(guān)系,獲得解模糊化算子其中,
所述輸出空間O為多維區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)模型的輸出Oo=a×yo++b×yo-,其中a、b為常數(shù)。
多維區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)的廣義結(jié)構(gòu):
由于采用的是Atanassov的直覺模糊集合,所以,當(dāng)“隸屬度=1-非隸屬度”時,區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以轉(zhuǎn)化成傳統(tǒng)的1型模糊小腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式;
當(dāng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)nj=1,nk=1時,區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以轉(zhuǎn)化成區(qū)間值型直覺模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式;
當(dāng)直覺模糊集合的猶豫度為0,且網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)所有層的基函數(shù)個數(shù)nb=1時,區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以轉(zhuǎn)化成1型模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。
自適應(yīng)有監(jiān)督學(xué)習(xí)
需要調(diào)節(jié)的網(wǎng)絡(luò)參數(shù)用z統(tǒng)一表示,包括聯(lián)想記憶空間基函數(shù)的參數(shù)和權(quán)重空間的權(quán)重值等。當(dāng)網(wǎng)絡(luò)參數(shù)z按照學(xué)習(xí)變化率公式在線實時調(diào)整時,使追蹤誤差e快速、準(zhǔn)確地逼近于0,完成有監(jiān)督的自適應(yīng)調(diào)節(jié),確保多維區(qū)間值型直覺模糊小腦神經(jīng)網(wǎng)絡(luò)獲得更加快速的收斂性和更加良好的穩(wěn)定性。
注意,上述僅為本發(fā)明的較佳實施例及所運(yùn)用技術(shù)原理。本領(lǐng)域技術(shù)人員會理解,本發(fā)明不限于這里所述的特定實施例,對本領(lǐng)域技術(shù)人員來說能夠進(jìn)行各種明顯的變化、重新調(diào)整和替代而不會脫離本發(fā)明的保護(hù)范圍。因此,雖然通過以上實施例對本發(fā)明進(jìn)行了較為詳細(xì)的說明,但是本發(fā)明不僅僅限于以上實施例,在不脫離本發(fā)明構(gòu)思的情況下,還可以包括更多其他等效實施例,而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。