CN102831477A - 一种自适应模糊脉冲神经膜系统及推理算法和学习算法 - Google Patents

Abstract

本发明实施例公开了一种自适应模糊脉冲神经膜系统，其具有如下结构：∏＝(A，N_p，N_r，syn，I，O)，其中，A＝{a}为单字母集合；N_p＝{σ_p1，σ_p2，...，σ_pm}为命题神经元集，σ_pi为第i个命题神经元，1≤i≤m；N_r＝{σ_r1，σ_r2，...，σ_rn}为规则神经元集，σ_ri为第i个规则神经元，1≤i≤n；

表示命题神经元和规则神经元之间的连接关系，但在两个命题神经元之间或两个规则神经元之间无连接关系；I∈N_p为输入神经元集；O∈N_p为输出神经元集，本申请提供的一种自适应模糊脉冲神经膜系统，通过设置两类神经元集，使得模糊脉冲神经膜系统能够进行推理，并具有学习能力，能够处理应用中的动态问题。

Description

一种自适应模糊脉冲神经膜系统及推理算法和学习算法

技术领域

本发明涉及自动化控制领域，更具体地说，涉及一种自适应模糊脉冲神经膜系统及推理算法和学习算法。

背景技术

脉冲神经膜系统(也叫脉冲神经P系统)是一种分布式并行计算模型，它是在膜计算的基础上发展起来的，是脉冲神经元特性与膜计算思想相结合的一种新模型。

脉冲神经膜系统由于具有并行处理能力、易理解、同步性和非线性等特点而使其非常具有实用性，因此近年来为了充分利用脉冲神经膜系统的优点，提出了许多改进型的脉冲神经膜系统，比如用来处理实际应用中模糊知识表达和模糊推理的模糊脉冲神经膜系统，它可以应用到过程控制、专家系统、故障诊断等方面。

但是，实际应用中，过程控制、专家系统、故障诊断等应用中的系统多数是动态系统，它们需要根据环境中输入数据的变化而动态的调制自身的参以适应环境的变化，而现有的模糊脉冲神经膜系统因为缺乏这种自适应调节能力(也就是学习能力)而只能处理这些应用中的静态问题，却不能处理应用中的动态问题。

发明内容

本发明的目的是提供一种自适应模糊脉冲神经膜系统及推理算法和学习算法，以使模糊脉冲神经膜系统能够处理应用中的动态问题。

为实现上述目的，本发明提供了如下技术方案：

一种自适应模糊脉冲神经膜系统，其具有如下结构：

∏＝(A，N_p，N_r，syn，I，O)，

其中，

A＝{a}为单字母集合，a表示一个脉冲；

N_p＝{σ_p1，σ_p2，...，σ_pm}为命题神经元集，σ_pi为第i个命题神经元，1≤i≤m；

N_r＝{σ_r1，σ_r2，...，σ_rn}为规则神经元集，σ_ri为第i个规则神经元，1≤i≤n；

表示命题神经元和规则神经元之间的连接关系，但在两个命题神经元之间或两个规则神经元之间无连接关系；

I∈N_p为输入神经元集；

O∈N_p为输出神经元集。

上述系统，优选的，所述脉冲神经元σ_pi具有如下形式：

σ_pi＝(α_i，ω_i，λ_i，r_i)，

其中，

α_i∈[0，1]为所述命题神经元σ_pi中的脉冲值；

为所述命题神经元σ_pi的输出权值向量，ω_ij∈[0，1]表示第j条输出上的权值，1≤j≤s_i，s_i表示所述命题神经元σ_pi上的输出的个数；

r_i表示激发规则，其表示形式为：E/a^α→a^α，α∈[0，1]，E＝{α≥λ_i}为激发条件，λ_i为激发阈值。

上述系统，优选的，所述脉冲神经元σ_ri具有如下形式：

其中，

为所述规则神经元σ_ri中的脉冲值；

γ_i∈[0，1]表示置信度，也表示所述规则神经元σ_ri的输出权值。

θ_i表示激发规则，其表示形式为：E/a^α→a^β，α，β∈[0，1]，E＝{α≥τ_i}为激发条件，τ_i为激发阈值。

一种模糊推理算法，应用如上所述的自适应模糊脉冲神经膜系统，包括：

用所述自适应模糊脉冲神经膜系统建立加权模糊产生式规则；

依据所述加权模糊产生式规则生成推理规则；

依据所述推理规则进行推理。

上述算法，优选的，所述加权模糊产生式规则的类型包括：

类型1：IF p₁ THEN p₂；

类型2：IF p₁ AND p₂ AND…AND p_n THEN p_n+1；

类型3：IF p₁ OR p₂ OR…OR p_n THEN p_n+1；

其中，命题p_i，i＝1，2，......，n，n+1表示模糊命题。

上述算法，优选的，所述用自适应模糊脉冲神经膜系统建立加权模糊产生式规则包括：

类型1：∏₁＝(A，{σ_p1，σ_p2}，{σ_r1}，syn，I，0)；

类型2：∏₂＝(A，{σ_p1，σ_p2，…，σ_pn，σ_p(n+1)}，{σ_r1}，syn，I，O)；

类型3：∏₃＝(A，{σ_p1，σ_p2，…，σ_pn，σ_p(n+1)}，{σ_r1，σ_r2，…，σ_rn}，syn，I，O)。

上述算法，优选的，所述推理规则包括：

类型1： ${\mathrm{\&alpha;}}_2=\left\{\begin{array}{c}{\mathrm{\&alpha;}}_1\&CenterDot;\mathrm{\&gamma;},\mathrm{if}{\mathrm{\&alpha;}}_1\&GreaterEqual;\mathrm{\&tau;}\\ 0,\mathrm{if}{\mathrm{\&alpha;}}_1<\mathrm{\&tau;}\end{array}\right.;$

类型2： ${\mathrm{\&alpha;}}_{n+1}=\left\{\begin{array}{c}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)\&CenterDot;\mathrm{\&gamma;},\mathrm{if}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)\&GreaterEqual;\mathrm{\&tau;}\\ 0,\mathrm{if}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)<\mathrm{\&tau;}\end{array}\right.;$

类型3： ${\mathrm{\&alpha;}}_{n+1}=\left\{\begin{array}{c}(\underset{j\&Element;J}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_j\&CenterDot;{\mathrm{\&gamma;}}_j)/\left(\underset{j\&Element;J}{\mathrm{\&Sigma;}}{\mathrm{\&gamma;}}_j\right),\mathrm{if}{\mathrm{\&alpha;}}_j\&GreaterEqual;{\mathrm{\&tau;}}_j,j\&Element;J\\ 0,\mathrm{if}{\mathrm{\&alpha;}}_j<{\mathrm{\&tau;}}_j,j=\mathrm{1,2}...,n\end{array}\right.;$

其中，J是一个正整数集合，表示的是规则神经元的个数。

一种学习算法，应用如上所述的模糊推理算法，包括：

步骤1：确定训练样本及当前权值，其中，所述训练样本包括输入样本和理想输出样本；

步骤2：依据当前权值应用所述模糊推理算法推理出当前输出，并依据所述当前输出与所述理想输出样本对所述当前权值向量进行修正；

步骤3：当所述当前输出满足预设的输出条件时，输出当前权值向量；否则，执行步骤2。

上述算法，优选的，所述依据当前输出与所述理想输出样本对所述当前权值向量进行修正包括：

W(t+1)＝W(t)+2δ·e(t)·X(t)，e(t)＝y^*(t)-y(t)，

其中，t为修正次数，W(t+1)为修正后的当前权值向量，W(t)为当前权值向量，δ为学习率，X(t)为当前输入样本向量，y^*(t)为理想输出样本，y(t)为修正次数为t时的输出样本。

通过以上方案可知，本申请提供的一种自适应模糊脉冲神经膜系统，通过设置两类神经元集，使得模糊脉冲神经膜系统能够进行推理，并具有学习能力，能够处理应用中的动态问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于自适应模糊脉冲神经膜系统的模糊推理算法的流程图；

图2为本申请实施例提供的一种自适应模糊脉冲神经膜系统的模型；

图3为本申请实施例提供的一种基于自适应模糊脉冲神经膜系统的学习算法的流程图；

图4为本申请实施例提供的对权值ω₂的学习情况图；

图5为本申请实施例提供的对权值ω₄的学习情况图。

说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例提供的一种自适应模糊脉冲神经膜系统的结构定义为：

∏＝(A，N_p，N_r，syn，I，O)，其中：

(1)A＝{a}为单字母集合，a表示一个脉冲；

(2)N_p＝{σ_p1，σ_p2，...，σ_pm}为命题神经元集，σ_pi为第i个命题神经元，1≤i≤m；

优选的，所述脉冲神经元σ_pi可以具有如下形式：

σ_pi＝(α_i，ω_i，λ_i，r_i)，

其中，

α_i∈[0，1]为所述命题神经元σ_pi中的脉冲值，α_i用来表示与命题神经元σ_pi相关的命题的模糊真值；

为所述命题神经元σ_pi的输出权值向量，ω_ij∈[0，1]表示第j条输出上的权值，1≤j≤s_i，s_i表示所述命题神经元σ_pi上的输出的个数；

r_i表示激发规则(或点火规则)，其表示形式为：E/a^α→a^α，α∈[0，1]，E＝{α≥λ_i}为激发条件(或点火条件)，比如，当α≥λ_i时激发规则被使能，λ_i∈[0，1]为激发阈值。

(3)N_r＝{σ_r1，σ_r2，...，σ_rn}为规则神经元集，σ_ri为第i个规则神经元，1≤i≤n；

优选的，所述规则神经元集σ_ri可以具有如下形式：

其中，

为所述规则神经元σ_ri中的脉冲值；

γ_i∈[0，1]表示置信度，表示了与规则神经元σ_ri相关的置信度强度，也表示所述规则神经元σ_ri的输出权值。

θ_i表示激发规则(或点火规则)，其表示形式为：E/a^α→a^β，α，β∈[0，1]，E＝{α≥τ_i}为激发条件(或点火条件)，比如当α≥τ_i时激发规则被使能，τ_i∈[0，1]为激发阈值。

(4)

表示命题神经元和规则神经元之间的连接关系，但是，需要强调的是，在两个命题神经元之间或两个规则神经元之间是无连接关系的；

I∈N_p为输入神经元集；

O∈N_p为输出神经元集；

上述输入和输出神经元只能是命题神经元而不能是规则神经元。

需要说明的是，本申请实施例提供的自适应模糊脉冲神经膜系统的结构定义只是它的一种数学形式(抽象的)定义，即它是一个六元组，其中每个分量是一个数学集合。尽管一般地讲，它的机构是一个有向图，但无法用一个图示方法把这个抽象的数学定义具体形象的给出，但是针对一个具体的实例是可以用图示方法形象地给出的。

本申请实施例提供的一种自适应模糊脉冲神经膜系统，通过设置两类神经元集，使得模糊脉冲神经膜系统能够进行推理，并具有学习能力，能够处理应用中的动态问题。

请参阅图1图1为本申请实施例提供的一种基于上述自适应模糊脉冲神经膜系统的模糊推理算法的流程图，包括：

步骤S101：用所述自适应模糊脉冲神经膜系统建立加权模糊产生式规则；

本实施例中，所述加权模糊产生式规则可以包括如下三种类型：

类型1：IF p₁ THEN p₂，即，如果第一命题p₁成立，则第二命题p₂成立；

类型2：IF p₁ AND p₂ AND…AND p_n THEN p_n+1，即，如果第一命题p₁，第二命题p₂，……，第N命题p_n同时成立，则第N+1命题p_n+1成立；

类型3：IF p₁ OR p₂ OR…OR p_n THEN p_n+1，即，只要第一命题p₁，第二命题p₂，……，第N命题p_n中的一个或更多个命题成立，则第N+1命题p_n+1成立；

其中，命题p_i，i＝1，2，......，n，n+1用于表示模糊命题；

相应的，对于上述三种类型的加权模糊产生式规则，可用自适应模糊脉冲神经膜系统表示为：

类型1：∏₁＝(A，{σ_p1，σ_p2}，{σ_r1}，syn，I，O)；

类型2：∏₂＝(A，{σ_p1，σ_p2，…，σ_pn，σ_p(n+1)}，{σ_r1}，syn，I，O)；

类型3：∏₃＝(A，{σ_p1，σ_p2，…，σ_pn，σ_p(n+1)}，{σ_r1，σ_r2，…，σ_rn}，syn，I，O)。

步骤S102：依据所述加权模糊产生式规则生成推理规则；

所述推理规则是与所述加权模糊产生式规则相对应的，本实施例中，每一个类型的加权模糊产生式规则对应有一个推理规则，包括：

类型1： ${\mathrm{\&alpha;}}_2=\left\{\begin{array}{c}{\mathrm{\&alpha;}}_1\&CenterDot;\mathrm{\&gamma;},\mathrm{if}{\mathrm{\&alpha;}}_1\&GreaterEqual;\mathrm{\&tau;}\\ 0,\mathrm{if}{\mathrm{\&alpha;}}_1<\mathrm{\&tau;}\end{array}\right.;$

类型2： ${\mathrm{\&alpha;}}_{n+1}=\left\{\begin{array}{c}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)\&CenterDot;\mathrm{\&gamma;},\mathrm{if}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)\&GreaterEqual;\mathrm{\&tau;}\\ 0,\mathrm{if}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)<\mathrm{\&tau;}\end{array}\right.;$

类型3： ${\mathrm{\&alpha;}}_{n+1}=\left\{\begin{array}{c}(\underset{j\&Element;J}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_j\&CenterDot;{\mathrm{\&gamma;}}_j)/\left(\underset{j\&Element;J}{\mathrm{\&Sigma;}}{\mathrm{\&gamma;}}_j\right),\mathrm{if}{\mathrm{\&alpha;}}_j\&GreaterEqual;{\mathrm{\&tau;}}_j,j\&Element;J\\ 0,\mathrm{if}{\mathrm{\&alpha;}}_j<{\mathrm{\&tau;}}_j,j=\mathrm{1,2}...,n\end{array}\right..$

其中，J是一个正整数集合，表示的是规则神经元的个数。比如，当j＝1时，表示第一个规则神经元，j＝2时，表示第二个规则神经元，j＝m时，表示第m个规则神经元。

步骤S103：依据所述推理规则进行推理

本实施例中，该算法的输入为与所述自适应模糊脉冲神经膜系统输入相关联的前提命题置信度。输出为与所述自适应模糊脉冲神经膜系统输出相关联的结果命题置信度；以上述三类加权模糊产生式规则为例对此进行说明：对于类型1，p₁是前提命题，p₂是结果命题；对于类型2，p₁，p₂，……，p_n是前提命题，p_n+1是结果命题；对于类型3，p₁，p₂，……，p_n是前提命题，p_n+1是结果命题；所述前提命题和结果命题都是用命题神经元来刻画或表达。

具体在进行推理时，可以首先计算当前使能命题神经元的输出，找到当前使能规则神经元；然后计算当前使能规则神经元的输出，找到当前使能的命题神经元，也就是说，命题神经元的输出作为规则神经元的输入，规则神经元的输出再作为下一个相关联的命题神经元的输入。

其中，当前使能命题神经元的输出为当前使能命题神经元的输入与其输出权值的乘积；当前使能规则神经元的输出依据与其对应的推理规则得到。

如果所有的命题神经元和规则神经元都完成计算，则所述模糊推理结束，否则，继续计算剩余当前使能神经元的输出，直到所有的神经元都计算完成。

下面以具体实例对本申请提供的推理算法进行举例说明；

请参阅图2，图2为本申请实施例提供的一种自适应模糊脉冲神经膜系统的模型，其中，圆形表示命题神经元，方形表示规则神经元；

如图2所示，该实例包含三种加权模糊产生式规则：

规则1：IF p₁ THEN p₄(γ₁，τ₁)；

规则2：IF p₂ AND p₄ THEN p₅(ω₂，ω₄，γ₂，τ₂)；

规则3：IF p₃ OR p₅ THEN p₆(γ₃，γ₄，τ₃，τ₄)；

上述三个加权模糊产生式规则可以用自适应模糊脉冲神经膜系统表示为：

∏＝(A，{σ_p1，σ_p2，σ_p3，σ_p4，σ_p5，σ_p6}，{σ_r1，σ_r2，σ_r3，σ_r4}， syn，I，O)

其中：

A＝{a}；

σ_pj＝(α_j，ω_j，λ_j，r_j)，(j＝1，2，3，4，5，6)，σ_pj是与命题p_j相关的命题神经元，r_j是激发规则，其形式为E/a^α→a^α。本实施例中，λ_j(j＝1，2，…，6)＝0，ω₁＝ω₃＝ω₅＝1，ω₂＝0.63，ω₄＝0.37；

σ_rj是规则神经元，其中，σ_r1与规则1相关，σ_r2与规则2相关，σ_r3与σ_r4与规则3相关，θ_j是激发规则，其形式为E/a^α→a^β。syn＝{(σ_p1，σ_r1)，(σ_p2，σ_r2)，(σ_p3，σ_r3)，(σ_p4，σ_r2)，(σ_p5，σ_r4)，(σ_r1，σ_p4)，(σ_r2，σ_p5)，(σ_r3，σ_p6)，(σ_r4，σ_p6)}；

I＝{σ_p1，σ_p2，σ_p3}；

O＝{σ_p4，σ_p5，σ_p6}；

该实例的自适应模糊脉冲神经膜系统有三个输入命题神经元{σ_p1，σ_p2，σ_p3}和三个输出命题神经元{σ_p4，σ_p5，σ_p6}，假设自适应模糊脉冲神经膜系统给定的参数为：

γ₁＝0.8，γ₂＝0.85，γ₃＝0.85，γ₄＝0.9

                                                                ；

τ₁＝0.4，τ₂＝0.6，τ₃＝0.55，τ₄＝0.45

模糊推理的具体过程为：

确定前提命题神经元的真实度，即输入值。假设三个输入命题神经元{σ_p2，σ_p2，σ_p3}的输入值为表1中的值，

样本数	α1	α2	α3
				1	0.8762	0.7724	0.8536
2	0.8325	0.8271	0.6124
				3	0.7518	0.8912	0.5896
4	0.6785	0.7216	0.6518
				5	0.6127	0.6874	0.7829

6	0.5866	0.8516	0.5908
				7	0.5236	0.7835	0.5862
8	0.3645	0.7845	0.6628
				9	0.5235	0.5648	0.7461
10	0.3246	0.6324	0.5582

表1

计算当前使能命题神经元的输出，找到当前使能规则神经元，计算出当前使能规则神经元的输出，找到当前使能命题神经元。如果所有的命题神经元和规则神经元都完成计算则所述模糊推理算法结束，否则继续计算剩余当前使能神经元的输出直到所有神经元计算完成。本实例的具体推理步骤为：

当样本数为1时：当前使能命题神经元为σ_p1，σ_p2，σ_p3，由于ω₁＝1，ω₂＝0.63，ω₃＝1，所以当前使能命题神经元σ_p1，σ_p2，σ_p3的输出为输入值与输出权值的乘积，具体分别为：

α_{p1_o}＝α₁·ω₁＝0.8762，α_{p1_o}为当前使能命题神经元σ_p1的输出；

α_{p2_o}＝α₂·ω₂＝0.7724·0.63＝0.4866，α_{p2_o}为当前使能命题神经元σ_p2的输出；

α_{p3_o}＝α₃·ω₃＝0.8536，α_{p3_o}为当前使能命题神经元σ_p3的输出。

由于α_{p1_o}≥τ₁，α_{p3_0}≥τ₃，所以规则神经元σ_r1，σ_r3被使能，也就是相应的规则被激发，则依据推理算法，当前使能规则神经元σ_r1，σ_r3的输出分别为：

为当前使能规则神经元σ_r1的输出；

为当前使能规则神经元σ_r3的输出。

此时继续计算剩余使能神经元的输出：

α_{p4_o}为当前使能命题神经元σ_p4的输出；

由于α_{p4_o}+α_{p2_o}＝0.2594+0.4866＝0.746≥τ₂，所以规则神经元σ_r2被使能p则

α_{p5_o}＝0.6341·ω₅＝0.6341，由于α_{p5_o}≥τ₄，所以规则神经元σ_r4被使能，则最后

其他样本数据照此推理，得到α₄，α₅，α₆的值如表2：

样本数

α4

α5

α6

1	0.7010	0.6341	0.7407
				2	0.6660	0.6524	0.6330
3	0.6014	0.6664	0.6291
				4	0.5428	0.5571	0.6031
5	0.4902	0.5223	0.6489
				6	0.4693	0.6036	0.5974
7	0.4189	0.5513	0.5683
				8	0.0	0.0	0.3219
9	0.4188	0.0	0.3624
				10	0.0	0.0	0.2711

表2

参看图3，图3为本申请实施例提供的一种基于上述自适应模糊脉冲神经膜系统的学习算法的流程图，该学习算法应用上述模糊推理算法进行学习，包括：

步骤S301：确定训练样本及当前权值，其中，所述训练样本包括输入样本和理想输出样本；

所述输入样本为前提命题神经元的输入样本，所述理想输出样本为结果命题神经元的输出样本。

步骤S302：依据当前权值应用所述模糊推理算法推理出当前输出，并依据所述当前输出与所述理想输出样本对所述当前权值向量进行修正；

根据所确定的当前权值，应用模糊推理算法推理出当前结果命题神经元的输出，具体可应用如下公式对所述当前权值进行修正：

W(t+1)＝W(t)+2δ·e(t)·X(t)，e(t)＝y^*(t)-y(t)

其中，t为修正次数(训练次数)，W(t)为当前权值向量，W(t+1)为修正后的当前权值向量，即对当前权值向量W(t)进行修正得到的权值向量，δ为学习率，X(t)为当前输入样本向量，y^*(t)为理想输出样本，y(t)为修正次数为t时的输出样本，e(t)为训练误差；其中，δ可以取值为0.09，当然，本申请实施例中并只限于该一个值，也可以根据实际需要进行调整。

步骤S303：当所述当前输出满足预设的输出条件时，输出当前权值向量；否则，执行步骤S302。

所述当前输出满足预设的输出条件可以包括：

将所述当前输出与所述理想输出样本的差值与第一预设阈值进行比较，当所述差值小于所述第一预设阈值时，所述当前输出满足预设的输出条件；

所述当前输出满足预设的输出条件也可以包括：

所述当前输出的修正次数达到第二预设阈值；

为了验证本申请提供的学习算法的有效性，下面以图2所示的实例对本申请所提供的学习算法进行验证：

本申请实施例中，对权值ω₂和ω₄进行学习。

步骤1：确定训练样本，本实施例中，输入样本为α₂，α₄，理想输出样本为α₅(即结果命题神经元的输出样本)；

设定权值初值，W(0)＝[ω₂(0)，ω₄(0)]^T＝[0.8，0.2]^T

步骤2：根据当前权值推理出当前结果命题神经元的输出y(t)，利用如下公式对所述当前权值进行修正：

W(t+1)＝W(t)+2δ·e(t)·X(t)，e(t)＝y^*(t)-y(t)；

其中，t为修正次数，W(t+1)为修正后的当前权值向量，W(t)为当前权值向量，δ为学习率，X(t)为当前输入样本向量，y^*(t)为理想输出样本，y(t)为修正次数为t时的输出样本，e(t)为训练误差；其中，δ可以取值为0.09。

步骤3：如果y(t)满足预设的输出条件，则结束学习，输出此时的权值；否则返回步骤2，继续进行学习，直到y(t)满足预设的输出条件为止。

请参阅图4、图5，图4为对权值ω₂的学习情况图；图5为对权值ω₄的学习情况图，从图中可以看出，当循环次数达到1000次左右时，两个权值收敛，ω₂＝0.6299，ω₄＝0.3701，e(t)＝2.8716e-010，可以看出，因为学习算法中结果命题神经元的输出是运用了推理算法的，从结果来看两个权值收敛，训练误差也小，说明本申请实施例提供的自适应模糊脉冲神经膜系统的推理算法和学习算法是非常有效的。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种自适应模糊脉冲神经膜系统，其特征在于，具有如下结构：

∏＝(A，A_p，N_r，syn，I，O)，

其中，

A＝{a}为单字母集合，a表示一个脉冲；

N_p＝{σ_p1，σ_p2，...，σ_pm}为命题神经元集，σ_pi为第i个命题神经元，1≤i≤m；

N_r＝[σ_r1，σ_r2，...，σ_rn}为规则神经元集，σ_ri为第i个规则神经元，1≤i≤n；

表示命题神经元和规则神经元之间的连接关系，但在两个命题神经元之间或两个规则神经元之间无连接关系；

I∈N_p为输入神经元集；

O∈N_p为输出神经元集。

2.根据权利要求1所述的自适应模糊脉冲神经膜系统，其特征在于，所述脉冲神经元σ_pi具有如下形式：

σ_pi＝(α_i，ω_i，λ_i，r_i)，

其中，

α_i∈[0，1]为所述命题神经元σ_pi中的脉冲值；

为所述命题神经元σ_pi的输出权值向量，ω_ij∈[0，1]表示第j条输出上的权值，1≤j≤s_i，s_i表示所述命题神经元σ_pi上的输出的个数；

r_i表示激发规则，其表示形式为：E/a^α→a^α，α∈[0，1]，E＝{α≥λ_i}为激发条件，λ_i为激发阈值。

3.根据权利要求1或2任意一项所述的自适应模糊脉冲神经膜系统，其特征在于，所述脉冲神经元σ_ri具有如下形式：

其中，

为所述规则神经元σ_ri中的脉冲值；

γ_i∈[0，1]表示置信度，也表示所述规则神经元σ_ri的输出权值；

θ_i表示激发规则，其表示形式为：E/a^α→a^β，α，β∈[0，1]，E＝{α≥τ_i}为激发条件，τ_i为激发阈值。

4.一种模糊推理算法，应用如权利要求1-3任意一项所述的自适应模糊脉冲神经膜系统，其特征在于，包括：

用所述自适应模糊脉冲神经膜系统建立加权模糊产生式规则；

依据所述加权模糊产生式规则生成推理规则；

依据所述推理规则进行推理。

5.根据权利要求4所述的算法，其特征在于，所述加权模糊产生式规则的类型包括：

类型1：IF p₁ THEN p₂；

类型2：IF p₁ AND p₂ AND…AND p_n THEN p_n+1；

类型3：IF p₁ OR p₂ OR…OR p_n THEN p_n+1；

其中，命题p_i，i＝1，2，......，n，n+1表示模糊命题。

6.根据权利要求5所述的算法，其特征在于，所述用自适应模糊脉冲神经膜系统建立加权模糊产生式规则包括：

类型1：∏₁＝(A，{σ_p1，σ_p2}，{σ_r1}，syn，I，O)；

类型2：∏₂＝(A，{σ_p1，σ_p2，…，σ_pn，σ_p(n+1)}，{σ_r1}，syn，I，O)；

类型3：∏₃＝(A，{σ_p1，σ_p2，…，σ_pn，σ_p(n+1)}，{σ_r1，σ_r2，…，σ_rn}，syn，I，O)。

7.根据权利要求6所述的算法，其特征在于，所述推理规则包括：

类型1： ${\mathrm{\&alpha;}}_2=\left\{\begin{array}{c}{\mathrm{\&alpha;}}_1\&CenterDot;\mathrm{\&gamma;},\mathrm{if}{\mathrm{\&alpha;}}_1\&GreaterEqual;\mathrm{\&tau;}\\ 0,\mathrm{if}{\mathrm{\&alpha;}}_1<\mathrm{\&tau;}\end{array}\right.;$

类型2： ${\mathrm{\&alpha;}}_{n+1}=\left\{\begin{array}{c}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)\&CenterDot;\mathrm{\&gamma;},\mathrm{if}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)\&GreaterEqual;\mathrm{\&tau;}\\ 0,\mathrm{if}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\&CenterDot;{\mathrm{\&omega;}}_i)<\mathrm{\&tau;}\end{array}\right.;$

类型3： ${\mathrm{\&alpha;}}_{n+1}=\left\{\begin{array}{c}(\underset{j\&Element;J}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_j\&CenterDot;{\mathrm{\&gamma;}}_j)/\left(\underset{j\&Element;J}{\mathrm{\&Sigma;}}{\mathrm{\&gamma;}}_j\right),\mathrm{if}{\mathrm{\&alpha;}}_j\&GreaterEqual;{\mathrm{\&tau;}}_j,j\&Element;J\\ 0,\mathrm{if}{\mathrm{\&alpha;}}_j<{\mathrm{\&tau;}}_j,j=\mathrm{1,2}...,n\end{array}\right.;$

其中，J是一个正整数集合，表示的是规则神经元的个数。

8.一种学习算法，应用如权利要求4-7任意一项所述的模糊推理算法，其特征在于，包括：

步骤1：确定训练样本及当前权值，其中，所述训练样本包括输入样本和理想输出样本；

步骤2：依据当前权值应用所述模糊推理算法推理出当前输出，并依据所述当前输出与所述理想输出样本对所述当前权值向量进行修正；

步骤3：当所述当前输出满足预设的输出条件时，输出当前权值向量；否则，执行步骤2。

9.根据权利要求8所述的算法，其特征在于，所述依据当前输出与所述理想输出样本对所述当前权值向量进行修正包括：

W(t+1)＝W(t)+2δ·e(t)·X(t)，e(t)＝y^*(t)-y(t)，

其中，t为修正次数，W(t+1)为修正后的当前权值向量，W(t)为当前权值向量，δ为学习率，X(t)为当前输入样本向量，y^*(t)为理想输出样本，y(t)为修正次数为t时的输出样本。

Images