CN103336992A - 一种模糊神经网络学习算法 - Google Patents

Abstract

本发明公开了一种模糊神经网络学习算法，其中具体包括模糊神经网络的建立、模糊神经网络参数的训练以及对训练好的模糊神经网络进行预测识别，通过实际输出的结果，判断目标所属类别。本发明一种模糊神经网络学习算法通过对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化的方法，以实现对这类误识别数据的准确识别，并且提出了采用倒数法使对分母中变量的偏导求解变成普通变量的偏导求解的方法，减少了系统的运算量，从而提高了系统的效率；最后利用训练好的模糊神经网络对测试数据进行识别预测，与传统模糊神经网络相比识别率有显著提高。

Description

一种模糊神经网络学习算法

技术领域

本发明属于人工智能及模糊识别技术领域，具体涉及一种模糊神经网络学习算法的设计。

背景技术

随着计算机科学技术的飞速发展，人工智能已经形成一门学科，在目标识别邻域的应用也显现了强大的生命力。通过多种智能识别的方法的融合提高了目标的识别率，随着人工智能的发展，越来越多的基于目标识别的智能识别算法被提出，模糊神经网络(FNN：FuzzyNeural Network)也随之出现。模糊神经网络由模糊逻辑和神经网络结合而成，具有处理不确定信息的能力、知识存储和自我学习能力，在目标识别和分类中具有特别的优势，因此如何更好的在目标识别领域应用模糊神经网络技术已经得到各方面的重视，成为了目前目标识别研究中的一个热点。

模糊神经网络的一个研究的重点，就是对学习算法的研究。其学习算法一般采用的是神经网络的学习算法，犹如标准的模糊神经网络的学习算法就是BP算法，但是BP算法有其固有的缺陷。对于传统的学习算法，因为数据中区分度比较高的数据占大部分，为了满足学习效率的要求，学习率和步长多数满足区分度较高的数据训练；因为传统的模糊神经网络算法中学习率和步长是不能改变的，当其对类间距离接近的数据进行学习训练的时候，会因为训练的梯度下降速度过快导致对这类数据的学习不充分，甚至会导致误学习，而且梯度下降速度过快也会导致网络训练中振荡的出现，这个是无法通过其他方法消除的，所以提出其他的模糊神经网络学习算法就势在必行了。并且由于传统模糊神经网络的学习算法存在着固有缺陷，如学习周期长、学习率和步长不能改变等问题，以至于不能很好地对那些维数大且模糊度较高的数据进行识别

发明内容

本发明所要解决的技术问题是提供一种模糊神经网络学习算法，该模糊神经网络学习算法能够对模糊度较高的数据进行准确的识别并且减少网络的运算量。

本发明解决其技术问题采用的技术方案是：一种模糊神经网络学习算法，具体包括如下步骤：

S1.建立模糊神经网络；

S2.根据步骤S1所建立的模糊神经网络，初始化模糊神经网络的网络参数；

S3.输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；

其中所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；

S4.根据步骤S3所得到的y_i，计算如果e≤预设标准误差，则停止训练，并转到步骤S7；如果e>预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤S7，否则进入模糊神经网络参数学习训练；

其中y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；

S5.进行模糊神经网络参数学习训练，其中包括：

a.标准差参数的倒数

的学习训练过程为：

$d_j^i(k+1)-d_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δd}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δd}}_j^i\left(k\right)\·\mathrm{\Δ}{d}_j^i(k-1)]-1)/2$

其中，k为迭代次数，i为第i个输入的训练样本参数，j为第j个神经元，λ为固有学习步长，α(k)为学习率；

是标准差参数

的倒数， ${\mathrm{\Δd}}_j^i\left(k\right)=(y_d-y_i)\×(y_i\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_i\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×{(x_j-c_j^i)}^2\×{\mathrm{\ω}}^i\×d_j^i}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2},$ x_j为神经网络内部输出参数，ωⁱ为输入参数隶属度连乘积，m为神经网络中其中一层的节点数目；

b.均值参数

的学习训练过程为：

$c_j^i(k+1)-c_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δc}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δc}}_j^i\left(k\right)\·\mathrm{\Δ}{c}_j^i(k-1)]-1)/2$

其中， ${\mathrm{\Δc}}_j^i\left(k\right)=(y_d-y_i)\×(y_i\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_i\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×(x_j-c_j^i)\×{\mathrm{\ω}}^i\×{\left(d_j^i\right)}^2}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2},$ x_j为网络输出参数，ωⁱ为输入参数隶属度连乘积；

c.系数参数

的学习训练过程为：

$p_j^i(k+1)-p_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δp}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δp}}_j^i\left(k\right)\·\mathrm{\Δ}{p}_j^i(k-1)]-1)/2$

其中 ${\mathrm{\Δp}}_j^i\left(k\right)=(y_d-y_i){\mathrm{\ω}}^i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\·x_j;$

S6.对训练后的模糊神经网络再次输入训练样本参数x_i，并转到步骤S3；

S7.对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。

进一步的，所述步骤S1中的模糊神经网络包括输入层、模糊化层、规则计算层以及输出层；

输入层：输入变量个数为n，对应的节点数为n，该层的输出为输入变量值，即

i=1,2,…,n，其中：x_i是第i个输入变量值；

模糊化层：采用隶属度函数实现对输入变量的模糊化，节点输入为输入层的输出，通过对应的隶属度函数对节点输入进行模糊化，并将这些值的乘积作为节点的输出，隶属度函数为：

j=1,2,…,k;i=1,2,…,n，其中

是第i个输入样本参数到第j个神经元的隶属度函数，

为均值，是标准差参数

的倒数，n为输入向量的个数；u为本层神经元的个数,

模糊化层是第j个神经元的输出，

为： $O_j^2=\exp (-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i-c_j^i)}^2}{b_j^i}),$ j=1,2,…,u；

规则计算层：每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过式 ${\mathrm{\ω}}^i={\mathrm{\μ}}_{A_j^1}\left(x_1\right)*{\mathrm{\μ}}_{A_j^2}\left(x_2\right)*\·\·\·*{\mathrm{\μ}}_{A_j^k}\left(x_k\right),$ i=1,2,…,n得到输出ω；

输出层：对应得到的模糊神经网络的输出y_i为：

进一步的，所述步骤S2中的网络参数包括模糊化层的均值参数

标准差参数

和输出层的系数参数

进一步的，所述步骤S4中的预设标注误差为千分之一。

进一步的，所述步骤S4中的预设迭代次数为100次。

本发明的有益效果：本发明一种模糊神经网络学习算法通过对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化的方法，以实现对这类误识别数据的准确识别，另外提出了采用倒数法使对分母中变量的偏导求解变成普通变量的偏导求解的方法，减少了系统的运算量，从而提高了系统的效率；最后利用训练好的模糊神经网络对测试数据进行识别预测，与传统模糊神经网络相比识别率有显著提高。

附图说明

图1为本发明实施例的一种模糊神经网络学习算法的流程框图；

图2为本发明实施例的一种模糊神经网络学习算法的具体学习流程图；

图3为本发明实施例的一种模糊神经网络学习算法中模糊神经网络的结构示意图；

图4为现有技术中模糊神经网络的误差变化曲线；

图5为本发明实施例的模糊神经网络的误差变化曲线；

图6为现有技术中模糊神经网络的测试样本实际输出和预测输出；

图7为本发明实施例的模糊神经网络的测试样本实际输出和预测输出。

具体实施方式

下面结合附图和具体的实施例对本发明作进一步的阐述。

如图1所示为本发明实施例的一种模糊神经网络学习算法的流程框图，其中具体包括模糊神经网络的建立、模糊神经网络参数的训练以及对训练好的模糊神经网络进行预测识别，通过实际输出的结果，判断目标所属类别。本发明通过对模糊神经网络参数的学习训练，其中学利率会随着学习过程而不断变化，增加了对模糊度较高的数据的识别。如图2所示为本发明实施例的一种模糊神经网络学习算法的具体学习流程图，下面对其具体的步骤做详细说明，一种模糊神经网络学习算法，具体包括如下步骤：

S1.建立模糊神经网络；

其中，所述模糊神经网络包括输入层、模糊化层、规则计算层以及输出层；

输入层：输入变量个数为n，对应的节点数为n，该层的输出为输入变量值，即

i=1,2,…,n，其中：x_i是第i个输入变量值；

模糊化层：采用隶属度函数实现对输入变量的模糊化，节点输入为输入层的输出，通过对应的隶属度函数对节点输入进行模糊化，并将这些值的乘积作为节点的输出，隶属度函数为：

j=1,2,…,k;i=1,2,…,n，其中是第i个输入样本参数到第j个神经元的隶属度函数，

为均值，

是标准差参数

的倒数，n为输入向量的个数；u为本层神经元的个数,是模糊化层第j个神经元的输出，

为： $O_j^2=\exp (-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i-c_j^i)}^2}{b_j^i}),$ j=1,2,…,u；

规则计算层：每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过式 ${\mathrm{\ω}}^i={\mathrm{\μ}}_{A_j^1}\left(x_1\right)*{\mathrm{\μ}}_{A_j^2}\left(x_2\right)*\·\·\·*{\mathrm{\μ}}_{A_j^k}\left(x_k\right),$ i=1,2,…,n得到输出ω；

输出层：对应得到的模糊神经网络的输出y_i为：

S2.根据步骤S1所建立的模糊神经网络，初始化模糊神经网络的网络参数；

所述网络参数包括模糊化层的均值参数

标准差参数

和输出层的系数参数

S3.输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；

其中所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；

S4.根据步骤S3所得到的y_i，计算

如果e≤预设标准误差，则停止训练，并转到步骤S7；如果e≥预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤S7，否则进入模糊神经网络参数学习训练；

其中y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；

所述预设标准误差是根据不同的对输出结果的要求而认为设定的误差率，在本发明申请方案中所述测预设标准误差为千分之一；同理，预设迭代次数也是根据不同的要求而认为进行设定的，具体可以为100次，200次等等。

S5.进行模糊神经网络参数学习训练，其中包括：

a.标准差参数的倒数

的学习训练过程为：

$d_j^i(k+1)-d_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δd}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δd}}_j^i\left(k\right)\·\mathrm{\Δ}{d}_j^i(k-1)]-1)/2$

其中，k为迭代次数，i为第i个输入的训练样本参数，j为第j个神经元，λ为固有学习步长，α(k)为学习率；

是标准差参数

的倒数， ${\mathrm{\Δd}}_j^i\left(k\right)=(y_d-y_i)\×(y_i\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_i\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×{(x_j-c_j^i)}^2\×{\mathrm{\ω}}^i\×d_j^i}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2},$ x_j为神经网络输入层的输出，ωⁱ为输入参数隶属度连乘积，m为神经网络规则计算层的节点数目；

b.均值参数

的学习训练过程为：

$c_j^i(k+1)-c_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δc}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δc}}_j^i\left(k\right)\·\mathrm{\Δ}{c}_j^i(k-1)]-1)/2$

其中， ${\mathrm{\Δc}}_j^i\left(k\right)=(y_d-y_i)\×(y_i\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_i\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×(x_j-c_j^i)\×{\mathrm{\ω}}^i\×{\left(d_j^i\right)}^2}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2},$ x_j为网络输出参数，ωⁱ为输入参数隶属度连乘积；

c.系数参数

的学习训练过程为：

$p_j^i(k+1)-p_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δp}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δp}}_j^i\left(k\right)\·\mathrm{\Δ}{p}_j^i(k-1)]-1)/2$

其中 ${\mathrm{\Δp}}_j^i\left(k\right)=(y_d-y_c){\mathrm{\ω}}^i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\·x_j;$

在本发明实施例一种模糊神经网络学习算法在参数的学习训练过程中，所述学习率α(k)会根据之前两次的动态量改变的正负发生变化，这种变化都是减小的，一次梯度的相反会使学习率降低25%，这样对训练学习训练中产生的震荡起到了很好的遏制作用。

S6.再次输入训练样本参数x_i，转到步骤S3；

S7.对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。

在现有技术中，由于高斯函数具有良好的平滑性，一般会采用高斯函数在模糊化层作为隶属度函数，其表达式为：

j=1,2,…,k;i=1,2,…,n，其中式

说明了参数

在训练过程中的变化方式，其运算方式是对分母中的变量求偏导，这种方法不仅增加了误差函数关于标准差的计算量，而且也降低了系统的学习效率，如下表达式（1）所示：

${\mathrm{\Δb}}_j^i\left(k\right)=(y_d-y_i)\×(y_i\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i\left(i\right)\×{\mathrm{\ω}}^i)\×\frac{(-2)\×{(x_j-c_j^i)}^2\×{\mathrm{\ω}}^i}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2\·{\left(b_j^i\right)}^3}---\left(1\right)$

针对上述所存在的问题，本发明一种模糊神经网络学习算法提出将标准差参数

的倒数

看作是独立的变量，并以

来完成系统的训练过程，那么隶属度函数则变成

在参数训练过程中就避免了对分母的偏导求解的过程，提高了系统的学习效率，如下表达式（2）和（3）：

${\mathrm{\Δd}}_j^i\left(k\right)=(y_d-y_c)\×(y_c\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_c\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×{(x_j-c_j^i)}^2\×{\mathrm{\ω}}^i\×d_j^i}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2}---\left(2\right)$

${\mathrm{\Δc}}_j^i\left(k\right)=(y_d-y_c)\×(y_c\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_c\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×(x_j-c_j^i)\×{\mathrm{\ω}}^i\×{\left(d_j^i\right)}^2}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2}---\left(3\right)$

由所示参数

和参数

的表达式对比发现式，在式（1）中，

在分母中，而且是三次方，当参数

较小时会引起网络训练过程中的振荡，而式（2）和（3）中的参数

没有出现在分母中，而且只有一次方，这样计算量减小了，也不会因为标准差值较小的情况引起网络的振荡，从而提高了网络的训练效率。

为了本领域的普通技术人员能够理解并且实施本发明的申请方案，下面结合具体的案例对本发明实施例的一种模糊神经网络学习算法作详细说明：

其中采用UCI数据库中的乳腺癌数据集为具体实例，采用本发明一种模糊神经网络学习算法对癌细胞进行识别。该数据集包含569个病例，其中，良性357例，恶性212例。每个病例的一组数据包括采样组织中各细胞核的10个特征量的平均值、标准差和最坏值，其中各特征量的3个最大数据的平均值共30个数据，这30个数据作为网络训练的输入量，输出良性细胞为“-1”，恶性细胞为“1”。

如图4和图5所示分别为现有技术中模糊神经网络的误差变化曲线和采用本发明学习算法的一种模糊神经网络的误差变化曲线。从这两幅图可以看出，原始算法在迭代100次后，总体误差为199.3，这是500个训练样本的总和，改进算法在迭代100次后，总体误差为178.8。而且还可以看出本发明模糊神经网络学习算法在整个迭代的过程中没有出现过振荡，整个曲线是很平滑，而且误差下降很快，在迭代第五次的时候误差总和就已经下降到200以内了，而原始算法在这两个方面就表现的不是很好，并在迭代中误差总和出现了振荡。

如图6所示为现有技术中模糊神经网络的测试样本实际输出和预测输出，图7为本发明实施例的模糊神经网络的测试样本实际输出和预测输出。由图可以看出本发明模糊神经网络学习算法输出区间为[-1.52]，每个数据的误差没有出现很大的变化，误差的方差比较小，而原始算法的输出区间为[-24]，因其过大或者过小的数据出现，导致了网络输出的误差变化较大，误差的方差变大，这样情况出现的原因是原始算法在网络训练和测试过程的没有很好的抑制网络的振荡，对模糊度较高的数据训练和测试都没有达到很好的效果，导致在结果输出中出现误差很大的数据。

在对识别率进行分析之前，因为数据的输出只有两类（-1和1），所以把测试样本的实际输出中大于0的输出都看作“1”类，小于0的输出都看作“-1”类。表1分别给出了原始算法和改进算法测试样本的实际输出和期望输出的具体数值，测试样本共有69组数据，表1中给出前30组的结果。从输出结果分析，因为数据选择的随机性，原始算法的测试数据中共有45个良性细胞数据，24个恶性细胞数据，改进算法的测试数据中共有43个良性细胞数据，26个恶性细胞数据，识别的结果如表2所示。

表1测试样本的输出数据

表2原始算法和改进算法的结果比较

	良性细胞确诊	误诊	确诊率	恶性细胞确诊	误诊	确诊率
							原始算法	43	2	95.6%	22	2	91.7%
改进算法	43	0	100%	25	1	96.2%

由表2可以看出，原始算法对良性和恶性细胞都有误诊，确诊率分别为95.6%和91.7%。而改进算法对良性细胞没有误诊，对恶性细胞的确诊率也到达了96.2%，由此可见，对肿瘤细胞的确诊率有显著提高，进一步的证明了本发明一种模糊神经网络学习算法在实际应用中的意义。

Claims (5)

1.一种模糊神经网络学习算法，其特征在于，具体包括如下步骤：

S1.建立模糊神经网络；

S2.根据步骤S1所建立的模糊神经网络，初始化模糊神经网络的网络参数；

S3.输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；其中，所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；

S4.根据步骤S3所得到的y_i，计算

如果e≤预设标准误差，则停止训练，并转到步骤S7；如果e>预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤S7，否则，进入步骤S5；其中，y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；

S5.模糊神经网络参数学习训练，具体包括如下分步骤：

a.标准差参数的倒数

的学习训练过程为：

$d_j^i(k+1)-d_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δd}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δd}}_j^i\left(k\right)\·\mathrm{\Δ}{d}_j^i(k-1)]-1)/2$

其中，k为迭代次数，i为第i个输入的训练样本参数，j为第j个神经元，λ为固有学习步长，α(k)为学习率；是标准差参数

的倒数， ${\mathrm{\Δd}}_j^i\left(k\right)=(y_d-y_i)\×(y_i\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_i\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×{(x_j-c_j^i)}^2\×{\mathrm{\ω}}^i\×d_j^i}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2},$ x_j为神经网络内部输出参数，ωⁱ为输入参数隶属度连乘积，m为神经网络中其中一层的节点数目；

b.均值参数

的学习训练过程为：

$c_j^i(k+1)-c_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δc}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δc}}_j^i\left(k\right)\·\mathrm{\Δ}{c}_j^i(k-1)]-1)/2$

其中， ${\mathrm{\Δc}}_j^i\left(k\right)=(y_d-y_i)\×(y_i\×\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_i\left(i\right)\×{\mathrm{\ω}}^i))\×\frac{2\×(x_j-c_j^i)\×{\mathrm{\ω}}^i\×{\left(d_j^i\right)}^2}{{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\right)}^2},$ x_j为网络输出参数，ωⁱ为输入参数隶属度连乘积；

c.系数参数

的学习训练过程为：

$p_j^i(k+1)-p_j^i\left(k\right)=-\mathrm{\α}\left(k\right){\mathrm{\Δp}}_j^i\left(k\right),\mathrm{\α}\left(k\right)={(4/3)}^{\mathrm{\λ}}\mathrm{\α}(k-1),$

$\mathrm{\λ}=\left(\mathrm{sign}\right[{\mathrm{\Δp}}_j^i\left(k\right)\·\mathrm{\Δ}{p}_j^i\left(k\right)]-1)/2$

其中， ${\mathrm{\Δp}}_j^i\left(k\right)=(y_d-y_i){\mathrm{\ω}}^i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}^i\·x_j;$

S6.对训练后的模糊神经网络再次输入训练样本参数x_i，并转到步骤S3；

S7.对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。

2.如权利要求1所述的一种模糊神经网络学习算法，其特征在于，所述步骤S1中的模糊神经网络包括输入层、模糊化层、规则计算层以及输出层；

输入层：输入变量个数为n，对应的节点数为n，该层的输出为输入变量值，即

i=1,2,…,n，其中：x_i是第i个输入变量值；

模糊化层：采用隶属度函数实现对输入变量的模糊化，节点输入为输入层的输出，通过对应的隶属度函数对节点输入进行模糊化，并将这些值的乘积作为节点的输出，隶属度函数为：

j=1,2,…,k;i=1,2,…,n，其中

是第i个输入样本参数到第j个神经元的隶属度函数，

为均值，

是标准差参数

的倒数，n为输入向量的个数；u为本层神经元的个数,

为模糊化层是第j个神经元的输出，

为： $O_j^2=\exp (-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i-c_j^i)}^2}{b_j^i}),$ j=1,2,…,u；

规则计算层：每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过式 ${\mathrm{\ω}}^i={\mathrm{\μ}}_{A_j^1}\left(x_1\right)*{\mathrm{\μ}}_{A_j^2}\left(x_2\right)*\·\·\·*{\mathrm{\μ}}_{A_j^k}\left(x_k\right),$ i=1,2,…,n，得到输出ω；

输出层：对应得到的模糊神经网络的输出y_i为：

3.如权利要求1所述的一种模糊神经网络学习算法，其特征在于，所述步骤S2中的网络参数包括模糊化层的均值参数

标准差参数

和输出层的系数参数

4.如权利要求1所述的一种模糊神经网络学习算法，其特征在于，所述步骤S4中的预设标注误差为千分之一。

5.如权利要求1所述的一种模糊神经网络学习算法，其特征在于，所述步骤S4中的预设迭代次数为100次。

Images