的神经元节点，与该规则节点相应的连接权值为1，反之为0。该层节点的传递函数为模糊“与”：
S?{u,u,...,u}?{o?w1j,o?w2j,...,o?wqj}o?minS3j3j3j
323q313j31323q21222q
o?min{u,u,...,u} （7.3.3）
结论层：上层每个神经元只与表示相应结论的下层神经元连接，连接权值需要在训练过程中调整，初值可设为1，其他权值为0。传递函数为模糊“或”：
S??Wij4oi3
4ji?1q4o4?max{1,Sjj} （7.3.4）
输出层：该层节点仅和前一层表示该层变量的模糊区间的节点相连，连接权值为1。输
出节点完成去模糊化作用，输出精确量。传递函数为：
445444S5?(????u)?(????o?ijijj?ijiji) jii5544o?S/(??o)?jjiji （7.3.5）
i7.3.1.3网络的学习算法
该网络内部所有神经元都有明确的含义，在训练过程中只需调整第三四层间的权值，及输入、输出隶属函数的中心和宽度。学习算法采用BP（误差反向传播）算法。
55 分别用tk和ok表示输出层的第k个期望输出和实际输出，则单个样本的输出误差（均
方误差）为：
1N55e???(t?o?pkk)
2k?1假设有P个训练样本，则网络总误差为：
2 （7.3.6）
E??e???pp?1P （7.3.7）
网络训练的目标就是使网络总误差E小于一个预先设定的误差限?。
（1）对输出隶属函数中心?jk及宽度?jk的调整
44 45
结论层和输出层节点的连接关系示意图如图7.3.3。 ?4 jk?4jk
图7.3.3 结论层和输出层节点的连接关系示意图jk a.对输出隶属函数中心?4结论层节点jk的调整：?jk, ? 输出层节点
?4???4???4jkjkjk ??4jk????e??4 jk式中 ?为学习率，下同。
?e5??4??e?ok55?o5k5??4??(tk?ok)?4 jk?ok?jk??jkk??Fkout?o5?44o4jk?jkj4kj?(k?1)?Fkout?1??4????4()??jko4jjkjkk??Fkoutk?F?44koutjkojjj?(k?1)?Fkout?1j?(k???4jko41)?Fkout?1因此
4??45jkokjk??(tk?o5k)??5k??Fkout
?45jkok j?(k?1)?Fkout?1b.对输出隶属函数中心?4jk的调整：
4 ?jk???4jk???4jk 46
（7.3.8）（7.3.9）7.3.10）7.3.11）(7.3.12）7.3.13）
（
（
（
相关推荐：
loading