CN1987905A - 一种基于模糊逻辑的神经网络输入参数筛选方法 - Google Patents

Abstract

本发明属于纺织领域，涉及一种基于模糊逻辑的神经网络输入参数筛选方法。它包括如下步骤：(1)获取神经网络建模所需数据；(2)对神经网络的输入参数和输出参数进行预处理；(3)计算反映实验数据变化趋势与专家知识吻合程度的特征数值；(4)计算反映输入参数对输出参数敏感程度的特征数值；(5)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值。(6)根据密切程度特征数值大小顺序，对神经网络输入参数进行筛选。本发明可以简便、快捷地对神经网络的输入参数进行筛选，特别适用于纺织领域样本量较小的神经网络建模问题。

Description

一种基于模糊逻辑的神经网络输入参数筛选方法

技术领域

本发明属于纺织领域，涉及一种基于模糊逻辑的神经网络输入参数筛选方法。

背景技术

神经网络是由大量、同时也是简单的处理单元(即神经元)广泛地相互连接而形成的复杂网络系统。各个神经元之间的连接不仅是传送信号的通道，但更重要的是在每对神经元之间的连接上有一个加权系数(即权值)，它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。神经网络有很强的自学习能力和自适应能力，不象统计模型那样对数据有严格的要求，对含有噪声的数据也能实现有效拟合。因此，神经网络技术在系统控制、模式识别、医疗诊断、信息检索、性能预测和工艺优化等领域有比较广泛的应用。

但是，在许多领域，应用神经网络技术的对象往往只有很少的样本，而获取大量的样本不太现实。因此，这时就面临着样本量较小的困难。而神经网络技术对建模的样本量也有一定的要求。为了解决此类小样本量情况下的神经网络建模问题，人们进行了不少探索，其中一条思路就是通过减少输入参数的数量来减小神经网络的规模，也就是对神经网络输入参数进行筛选。有人根据人为判断进行筛选，但该方法过于主观且缺乏普适性。有人利用相关分析法进行筛选，但该方法对输入输出之间的非线性关系不敏感，容易忽略与输出参数有非线性相关关系的重要输入参数。有人采用正交最小二乘法进行筛选，但该方法不适用于连续时间序列数据，且计算过程相当复杂。有人采用基于敏感性的修剪方法，但该方法属于一种试差方法，找到的常常不是全局最优解，且计算也很费时。有人采用主成分分析法，但由于该方法也是一种线性方法，因此会忽略与输出参数有非线性相关关系的输入参数；而且主成分空间没有物理含义，难以深入解释；另外，主成分只是输入参数的简单变换，在变换时也未考虑输出参数的情况，因此，排在前面的主成分不一定与输出参数关系最密切。目前还未看到一种物理意义明确、计算简便快捷的神经网络输入参数筛选方法。

发明内容

本发明的目的是提供一种基于模糊逻辑的神经网络输入参数筛选方法，解决简便、快捷地对神经网络的输入参数进行筛选的技术问题。本筛选方法既从实验数据相互之间关系的角度考虑，考察神经网络输出参数对其输入参数的敏感程度，又从实验数据与专家知识相互关系的角度来考虑，考察实验数据中输出参数相对于输入参数的变化趋势与专家知识的吻合程度，因此是一种主客观结合的方法。而且利用两种方法来确定主客观结合时的权系数。本筛选方法计算工艺简单，物理含义明确，可以方便、快捷地对神经网络的输入参数进行筛选，特别适用于纺织领域样本量较小的神经网络建模问题。

本发明是通过如下技术方案实现的：

一种基于模糊逻辑的神经网络输入参数筛选方法，其特征在于该方法包括如下步骤：

(1)获取神经网络建模所需数据：本方法为非织造布结构参数和断裂强力的关系建立一个神经网络模型，须获取以下数据：纤维长度、纤维细度、孔隙率、重量均匀度、厚度、单位面积重量、纤维体积密度和断裂强力。其中，前七个是非织造布结构参数，也就是神经网络的输入参数，断裂强力是神经网络的输出参数。

(2)对神经网络的输入参数和输出参数进行预处理：为了消除各类参数尺度方面的差异，要将输入参数和输出参数都归一化到-1和1之间。

(3)计算反映实验数据变化趋势与专家知识吻合程度的特征数值：吻合程度特征数值是根据实验数据与专家知识相互关系即实验数据中输出参数相对于输入参数的变化趋势与专家知识的吻合程度计算出来的。

设X_s＝(x_s1，x_s2，…，x_sk…，xs_n)^T为神经网络的输入矢量，Y_s＝(y_s1，y_s2，…，y_sj…，y_sm，)^T为神经网络的输出矢量。下标“s”表示第s个样本(s∈{1，…，i，…，l，…，z})。

如图1所示，将论域y_j平均划分为t个区间C_jp(p∈{1，…，t-1})，根据输出参数y_j的区间C_jp构造出输入参数x_k对应的区间A_kp。

建立如下模糊规则：

(a)如果某输入参数增大，某输出参数也相应增大，那么它们之间的关系数值R为+1。

(b)如果某输入参数增大，某输出参数却相应减小，那么它们之间的关系数值R为-1。

(c)如果某输入参数减小，某输出参数却相应增大，那么它们之间的关系数值R为-1。

(d)如果某输入参数减小，某输出参数也相应减小，那么它们之间的关系数值R为+1。

吻合程度特征数值V由式(1)计算出来：

式中，R(x₁，y₁)是输入参数x₁与输出参数y₁的关系指数，v_p是区间C_jp的吻合程度特征数值，x_kp ^inf和x_kp ^sup是分别区间A_kp的下边界和上边界，I_kp和U_kp分别是区间A_kp和A_kp+1的交集和并集，见图1，φ是空集。V_k越大，则输出参数y_j相对于输入参数x_k的变化趋势与专家知识的吻合程度越高。

(4)计算反映输入参数对输出参数敏感程度的特征数值：敏感程度特征数值S是根据实验数据相互之间关系即神经网络输出参数对神经网络输入参数的敏感程度计算出来的。

建立如下模糊规则：

(e)如果输入参数的很小变化会导致输出参数的很大变化，那么对于该输出参数来说这个输入参数就是敏感的。

(f)如果输入参数的很大变化会导致输出参数的很小变化，那么对于该输出参数来说这个输入参数就是不敏感的。

然后，从欧氏距离及向量空间的概念出发，建立体现以上模糊规则的计算公式，计算出反映各输入参数对各输出参数敏感程度的特征数值S。

${\left(2\right),T}_k=\underset{\underset{1}{i}\≠l}{\overset{z}{\mathrm{\Σ}}}\frac{d(y_{\mathrm{ij}},y_{\mathrm{lj}})}{d_k^{\′}(X_i,X_l)}$

$\left(3\right),S_k=\frac{\underset{k\∈\{1,...,n\}}{\max }\left(T_k\right)-T_k}{\underset{k\∈\{1,...,n\}}{\max }\left(T_k\right)-\underset{k\∈\{1,...,n\}}{\min }\left(T_k\right)}$

式中， $d_k^{\′}(X_i,X_l)=\sqrt{d^2(X_i,X_l)-d_k^2(X_i,X_l)}$

d(X_i，X_l)是输入矢量X_i与X_l之间的欧氏距离，d_k(X_i，X_l)是d(X_i，X_l)在x_k轴方向的投影，d(y_ij，y_lj)第j个输出参数y_i与y_l之间的欧氏距离。S_k越大，则输出参数y_j对输入参数x_k的敏感程度越高。

(5)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值：根据式(4)将吻合程度特征数值和敏感程度特征数值组合起来。

F_k＝g₁·V_k(x_k，y_j)+g₂·S_k(k∈{1，…，n}，j∈{1，…，m})    (4)

利用两种方法确定式(4)中的权系数g₁和g₂。方法1根据V_k和S_k的变异系数计算出它们的权系数，分别记为g₁₁ ^*和g₂₁ ^*，下标“1”代表方法1，其计算公式为式(5)和式(6)。方法2根据离差最大化原则计算出权系数g₁₂ ^*和g₂₂ ^*，下标“2”代表方法2，其计算公式为式(7)和式(8)。以上计算出来的权系数根据式(9)进行归一化。权系数g₁和g₂是两种方法计算出来权系数的代数平均值，由式(10)和式(11)确定。

$\left(5\right),g_{11}^{*}=\frac{\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(V{A}_k-\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{VA}}_k)}^2}}{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}V{A}_k}$

$\left(6\right),g_{21}^{*}=\frac{\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(S_k-\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{S}_k)}^2}}{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{S}_k}$

$\left(7\right),g_{12}^{*}=\frac{\underset{\underset{1}{i}\≠k}{\overset{n}{\mathrm{\Σ}}}|{\mathrm{VA}}_i-{\mathrm{VA}}_k|}{\sqrt{{\left(\underset{\underset{1}{i}\≠k}{\overset{n}{\mathrm{\Σ}}}\right|{\mathrm{VA}}_i-{\mathrm{VA}}_k\left|\right)}^2+{\left(\underset{\underset{1}{i}\≠k}{\overset{n}{\mathrm{\Σ}}}\right|S_i-S_k\left|\right)}^2}}$

$\left(8\right),g_{22}^{*}=\frac{\underset{\underset{1}{i}\≠k}{\overset{n}{\mathrm{\Σ}}}|S_i-S_k|}{\sqrt{{\left(\underset{\underset{1}{i}\≠k}{\overset{n}{\mathrm{\Σ}}}\right|{\mathrm{VA}}_i-{\mathrm{VA}}_k\left|\right)}^2+{\left(\underset{\underset{1}{i}\≠k}{\overset{n}{\mathrm{\Σ}}}\right|S_i-S_k\left|\right)}^2}}$

$\left(9\right),g_{11}=\frac{g_{11}^{*}}{g_{11}^{*}+g_{21}^{*}}$ $g_{21}=\frac{g_{21}^{*}}{g_{11}^{*}+g_{21}^{*}}$ $g_{12}=\frac{g_{12}^{*}}{g_{12}^{*}+g_{22}^{*}}$ $g_{22}=\frac{g_{22}^{*}}{g_{12}^{*}+g_{22}^{*}}$

$\left(10\right),g_1=\frac{1}{2}(g_{11}+g_{12})$

$\left(11\right),g_2=\frac{1}{2}(g_{21}+g_{22})$

将权系数g₁和g₂代入式(4)，就计算出了反映输入参数与输出参数关系密切程度的特征数值F。

(6)根据密切程度特征数值大小顺序，对神经网络输入参数进行筛选：密切程度特征数值F_k，越大，输出参数y_j与输入参数x_k的相关程度就越大。将所有F值按从大到小顺序排列，则越在前面的F值对应的输入参数与该输出参数关系越密切，在对输入参数进行筛选时越应该保留。根据神经网络的实际需要，去除排在后面的几个参数，从而实现神经网络输入参数的筛选。

本筛选方法必须首先将神经网络的输入参数和输出参数都归一化到-1和1之间，以消除各类参数尺度方面的差异。

本筛选方法中吻合程度特征数值是根据实验数据与专家知识相互关系即实验数据中输出参数相对于输入参数的变化趋势与专家知识的吻合程度计算出来的。

吻合程度特征数值的计算是将论域y_j平均划分为t个区间C_jp(p∈{1，…，t-1})，根据输出参数y_j的区间C_jp构造出输入参数x_k对应的区间A_kp。

本筛选方法在计算吻合程度特征数值时必须遵循(a)、(b)、(c)、(d)四条模糊规则。

本筛选方法必须根据式(1)计算吻合程度特征数值。

吻合程度特征数值V_k越大，则输出参数y_j相对于输入参数x_k的变化趋势与专家知识的吻合程度越高。

本筛选方法中敏感程度特征数值是根据实验数据相互之间关系即神经网络输出参数对神经网络输入参数的敏感程度计算出来的。

本筛选方法在计算吻合程度特征数值时必须遵循(e)、(f)两条模糊规则。

本筛选方法必须根据式(2)和式(3)计算敏感程度特征数值。

敏感程度特征数值S_k越大，则输出参数y_j对输入参数x_k的敏感程度越高。

本筛选方法必须根据式(4)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值F。

本筛选方法利用两种方法确定式(4)中的权系数g₁和g₂。

本筛选方法确定式(4)中的权系数的第一种方法是根据V_k和S_k的变异系数来进行计算的，计算公式是式(5)和式(6)。

本筛选方法确定式(4)中的权系数的第二种方法是根据离差最大化原则来进行计算的，计算公式是式(7)和式(8)。

利用两种方法计算出来的权系数根据式(9)进行归一化。

权系数g₁和g₂是两种方法计算出来权系数的代数平均值，由式(10)和式(11)确定。

本筛选方法是将所有密切程度特征数值F按从大到小顺序排列，越在前面的F值对应的输入参数与该输出参数关系越密切，在对输入参数进行筛选时越应该保留。根据神经网络的实际需要，去除排在后面的几个参数，从而实现神经网络输入参数的筛选。

附图说明

图1是输入空间和输出空间关系图。

具体实施方式

下面结合具体实施例对本发明作进一步详细阐述。

利用本发明基于模糊逻辑的神经网络输入参数筛选方法为18个非织造布试样建立结构参数与断裂强力关系的神经网络模型，按照本发明中的步骤依次进行。

(1)获取神经网络建模所需数据

为非织造布结构参数和断裂强力的关系建立一个神经网络模型，获取以下数据：纤维长度、纤维细度、孔隙率、重量均匀度、厚度、单位面积重量、纤维体积密度和断裂强力。其中，前七个是非织造布结构参数，也就是神经网络的输入参数，断裂强力是神经网络的输出参数。

(2)对神经网络的输入参数和输出参数进行预处理

18个非织造布试样的有关结构参数和断裂强力见表1。将所有数据归一化到-1和1之间。

(3)计算反映实验数据变化趋势与专家知识吻合程度的特征数值

根据式(1)计算吻合程度特征数值V。式(1)中关系指数R的取值见表2。计算出的吻合程度特征数值V在表3中。

(4)计算反映输入参数对输出参数敏感程度的特征数值

根据式(2)和式(3)计算敏感程度特征数值S。计算出的敏感程度特征数值S在表3中。

(5)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值

根据式(5)至式(11)计算权系数g₁和g₂，根据式(4)计算密切程度特征数值F。计算出的权系数和密切程度特征数值F在表3中。

(6)根据密切程度特征数值大小顺序，对神经网络输入参数进行筛选

由表3可见，根据密切程度特征数值F的排序，结构参数与断裂强力关系的密切程度顺序为纤维体积密度、纤维细度、重量均匀度、孔隙率、纤维长度、单位面积重量、厚度。根据所建神经网络的需要，保留前5个结构参数作为神经网络的输入参数。

以这5个结构参数和断裂强力分别作为输入参数和输出参数建立神经网络。该神经网络由一个输入层、一个隐层和一个输出层组成。输入层有5个神经元，隐层有2个神经元，输出层有1个神经元。隐层神经元的传递函数采用正切Sigmoid函数，输出层神经元的传递函数采用线性函数。将每组数据轮流作为测试数据，其余17组数据作为训练数据，利用误差反向传播算法对神经网络进行训练和测试。表4给出了测试数据的预测值和预测误差。

表4中纤维直径预测误差的计算公式为

由表4可见，对于这18个非织造布试样，断裂强力预测值与测量值吻合得相当好，预测误差的绝对值最大不超过10％，平均预测误差仅为-0.88％，说明所建立的神经网络通过了测试。本实施例表明，本发明的基于模糊逻辑的神经网络输入参数筛选方法能够方便、快捷地对神经网络的输入参数进行筛选，筛选后建立的神经网络不仅规模小，而且预测精度高。本发明特别适用于样本量较小的神经网络建模问题，也可用于其他建模方法中输入参数的筛选，因而具有比较广阔的应用前景。

表1非织造布试样的有关结构参数和断裂强力

试样	纤维长度(mm)	纤维细度(dtex)	孔隙率(％)	重量均匀度(％)	厚度(mm)	单位面积重量(g/m2)	纤维体积密度(km/m3)	断裂强力(N)
									1	40	2.0	90.46	87.68	0.17	21	791855	39.30
2	40	2.0	89.72	88.70	0.21	25	763126	51.30
									3	40	2.0	89.71	85.59	0.25	29	743590	67.60
4	40	2.0	88.34	87.43	0.24	33	881410	69.90
									5	40	2.0	87.94	87.98	0.35	48	879121	97.20
6	40	2.0	85.00	86.85	0.34	63	1187783	133.00
									7	120	4.1	90.12	85.98	0.11	15	332594	27.50
8	120	4.1	88.85	87.84	0.13	20	375235	41.70
									9	120	4.1	86.41	88.56	0.16	30	457317	68.70
10	120	4.1	84.30	90.64	0.18	39	528455	91.00
									11	120	4.1	80.37	96.74	0.24	65	660569	186.00
12	120	4.1	85.19	99.14	0.45	92	498645	220.00
									13	120	3.3	94.53	82.25	0.265	20	150943	27.60
14	120	3.3	88.50	83.12	0.189	30	317460	53.90
									15	120	3.3	91.15	86.42	0.442	54	244344	99.10
16	120	3.3	89.52	82.04	0.498	72	289157	154.00
									17	120	3.3	89.48	81.56	0.544	79	290441	172.00
18	120	3.3	87.83	80.05	0.643	108	335925	154.00

表2关系指数R的取值

表3吻合程度特征数值、敏感程度特征数值、权系数、密切程度特征数值及其排序

	输入参数	吻合程度							敏感程度						密切程度
																	R	V	g11 *	g12 *	g11	g12	g1	S	g21 *	g22 *	g21	g22	g2	F	排序
		1	纤维长度	1	0	0.7200	0.5669	0.5007	0.4076	0.4542	0.5640	0.7180	0.8238	0.4993	0.5924	0.5458																0.3078	5
2	纤维细度																1	0.1852	0.7710	0.5049	2
		3	孔隙率	-1	0.3490						0.5428											0.4548	4
4	重量均匀度																1	0.4837	0.4683	0.4753	3
		5	厚度	1	0.5079						0.0921											0.2810	7
6	单位面积重量																1	0.6667	0	0.3028	6
		7	纤维体积密度	1	0.1249						1											0.6025	1

表4测试数据的预测值和预测误差

试样	测量值(N)	预测值(N)	预测误差(％)
				1	39.30	35.85	-8.78
2	51.30	55.37	7.93
				3	67.60	72.04	6.57
4	69.90	66.45	-4.94
				5	97.20	104.64	7.65
6	133.00	124.02	-6.75
				7	27.50	24.79	-9.85
8	41.70	37.98	-8.92
				9	68.70	72.19	5.08
10	91.00	98.82	8.59
				11	186.00	174.71	-6.07
12	220.00	203.26	-7.61
				13	27.60	30.06	8.91
14	53.90	49.77	-7.66
				15	99.10	93.16	-5.99
16	154.00	168.05	9.12
				17	172.00	183.26	6.55
18	154.00	139.24	-9.58
				平均预测误差                            -0.88

Claims (19)

1.一种基于模糊逻辑的神经网络输入参数筛选方法，其特征在于该方法包括如下步骤：

(1)获取神经网络建模所需数据：本方法为非织造布结构参数和断裂强力的关系建立一个神经网络模型，须获取以下数据：纤维长度、纤维细度、孔隙率、重量均匀度、厚度、单位面积重量、纤维体积密度和断裂强力。其中，前七个是非织造布结构参数，也就是神经网络的输入参数，断裂强力是神经网络的输出参数。

(2)对神经网络的输入参数和输出参数进行预处理：为了消除各类参数尺度方面的差异，要将输入参数和输出参数都归一化到-1和1之间。

(3)计算反映实验数据变化趋势与专家知识吻合程度的特征数值：吻合程度特征数值是根据实验数据与专家知识相互关系即实验数据中输出参数相对于输入参数的变化趋势与专家知识的吻合程度计算出来的。

设X_s＝(x_s1，x_s2，…，x_sk，…，x_sn)^T为神经网络的输入矢量，Y_s＝(y_s1，y_s2，…，y_sj，…，y_sm，)^T为神经网络的输出矢量。下标“s”表示第s个样本(s∈{1，…，i，…，l，…，z})。

如图1所示，将论域y_j平均划分为t个区间C_jp(p∈{1，…，t-1})，根据输出参数y_j的区间C_jp构造出输入参数x_k对应的区间A_kp。

建立如下模糊规则：

(a)如果某输入参数增大，某输出参数也相应增大，那么它们之间的关系数值R为+1。

(b)如果某输入参数增大，某输出参数却相应减小，那么它们之间的关系数值R为-1。

(c)如果某输入参数减小，某输出参数却相应增大，那么它们之间的关系数值R为-1。

(d)如果某输入参数减小，某输出参数也相应减小，那么它们之间的关系数值R为+1。

吻合程度特征数值V由式(1)计算出来：

$\left\{\begin{array}{c}{V}_k(x_k,y_j)=\frac{1}{t-1}\underset{p=1}{\overset{t-1}{\mathrm{\Σ}}}{v}_p\\ x_{\mathrm{kp}}^{\inf }=\underset{s\∈\{1,...,z\}}{\min }\left\{x_{\mathrm{sk}}\right|y_{\mathrm{sj}}\∈C_{\mathrm{jp}}\}{x}_{\mathrm{kp}}^{\sup }=\underset{s\∈\{1,...,z\}}{\max }\{x_{\mathrm{sk}}|y_{\mathrm{sj}}\∈C_{\mathrm{jp}}\}\\ \mathrm{if}{I}_{\mathrm{kp}}=\mathrm{\φ},\left\{\begin{array}{c}{v}_p=\frac{1}{2}\left|R(x_k,y_j)\right|\×[1+R(x_k,y_j),\mathrm{if}{x}_{\mathrm{kp}+1}^{\inf }\≥x_{\mathrm{kp}}^{\sup }\\ v_p=\frac{1}{2}\left|R(x_k,y_j)\right|\×[1-R(x_k,y_j)],\mathrm{if}{x}_{\mathrm{kp}+1}^{\sup }\≤x_{\mathrm{kp}}^{\inf }\end{array}\right.\\ \mathrm{if}{I}_{\mathrm{kp}}\≠\mathrm{\φ},\left\{\begin{array}{c}{v}_p=\frac{1}{2}\left|R(x_k,y_j)\right|\×[1+R(x_k,y_j)]\×(1-\frac{\left|I_{\mathrm{kp}}\right|}{\left|U_{\mathrm{kp}}\right|})\\ v_p=\frac{1}{2}\left|R(x_k,y_j)\right|\×[1-R(x_k,y_j)]\×(1-\frac{\left|I_{\mathrm{kp}}\right|}{\left|U_{\mathrm{kp}}\right|}),\mathrm{if}{x}_{\mathrm{kp}+1}^{\inf }\≤x_{\mathrm{kp}}^{\inf }\end{array}\right.\end{array},,\mathrm{if}{x}_{\mathrm{kp}+1}^{\sup }\≥x_{\mathrm{kp}}^{\sup }\right.$

式中，R(x₁，y₁)是输入参数x₁与输出参数y₁的关系指数，v_p是区间C_jp的吻合程度特征数值，x_kp ^inf和x_kp ^sup是分别区间A_kp的下边界和上边界，I_kp和U_kp分别是区间A_kp和A_kp+1的交集和并集，见图1，φ空集。V_k越大，则输出参数y_j相对于输入参数x_k的变化趋势与专家知识的吻合程度越高。

(4)计算反映输入参数对输出参数敏感程度的特征数值：敏感程度特征数值S是根据实验数据相互之间关系即神经网络输出参数对神经网络输入参数的敏感程度计算出来的。

建立如下模糊规则：

(e)如果输入参数的很小变化会导致输出参数的很大变化，那么对于该输出参数来说这个输入参数就是敏感的。

(f)如果输入参数的很大变化会导致输出参数的很小变化，那么对于该输出参数来说这个输入参数就是不敏感的。

然后，从欧氏距离及向量空间的概念出发，建立体现以上模糊规则的计算公式，计算出反映各输入参数对各输出参数敏感程度的特征数值S。

$T_k=\underset{\underset{1}{i\≠l}}{\overset{z}{\mathrm{\Σ}}}\frac{d(y_{\mathrm{ij}},y_{\mathrm{lj}})}{d_k^{\′}(X_i,X_l)}---\left(2\right)$

$S_k=\frac{\underset{k\∈\{1,...,n\}}{\max }\left(T_k\right)-T_k}{\underset{k\∈\{1,...,n\}}{\max }\left(T_k\right)-\underset{k\∈\{1,...,n\}}{\min }\left(T_k\right)}---\left(3\right)$

式中， $d_k^{\′}=(X_i,X_l)=\sqrt{d^2(X_i,X_l)-d_k^2(X_i,X_l)}$

d(X_i，X_l)是输入矢量X_i与X_l之间的欧氏距离，d_k(X_i，X_l)是d(X_i，X_l)在x_k轴方向的投影，d(y_ij，y_1j)是第j个输出参数y_i与y₁之间的欧氏距离。S_k越大，则输出参数y_j对输入参数x_k的敏感程度越高。

(5)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值：根据式(4)将吻合程度特征数值和敏感程度特征数值组合起来。

          F_k＝g₁·V_k(x_k，y_j)+g₂·S_k    (k∈{1，…，n}，j∈{1，…，m})           (4)

利用两种方法确定式(4)中的权系数g₁和g₂。方法1根据V_k和S_k的变异系数计算出它们的权系数，分别记为g₁₁ ^*和g₂₁ ^*，下标“1”代表方法1，其计算公式为式(5)和式(6)。方法2根据离差最大化原则计算出权系数g₁₂ ^*和g₂₂ ^*，下标“2”代表方法2，其计算公式为式(7)和式(8)。以上计算出来的权系数根据式(9)进行归一化。权系数g₁和g₂是两种方法计算出来权系数的代数平均值，由式(10)和式(11)确定。

$g_{11}^{*}=\frac{\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{VA}}_k-\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{VA}}_k)}^2}}{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{VA}}_k}---\left(5\right)$

$g_{21}^{*}=\frac{\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(S_k-\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{S}_k)}^2}}{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{S}_k}---\left(6\right)$

$g_{12}^{*}=\frac{\underset{\underset{1}{l\≠k}}{\overset{n}{\mathrm{\Σ}}}|{\mathrm{VA}}_l-{\mathrm{VA}}_k|}{\sqrt{{\left(\underset{\underset{1}{l\≠k}}{\overset{n}{\mathrm{\Σ}}}\right|{\mathrm{VA}}_l-{\mathrm{VA}}_k\left|\right)}^2}+{\left(\underset{\underset{1}{i\≠k}}{\overset{n}{\mathrm{\Σ}}}\right|S_i-S_k\left|\right)}^2}---\left(7\right)$

$g_{22}^{*}=\frac{\underset{\underset{1}{l\≠k}}{\overset{n}{\mathrm{\Σ}}}|S_1-S_k|}{\sqrt{{\left(\underset{\underset{1}{l\≠k}}{\overset{n}{\mathrm{\Σ}}}\right|V{A}_l-V{A}_k)}^2+{\left(\underset{\underset{1}{l\≠k}}{\overset{n}{\mathrm{\Σ}}}\right|S_l-S_k\left|\right)}^2}}---\left(8\right)$

$g_{11}=\frac{g_{11}^{*}}{g_{11}^{*}+g_{21}^{*}}$ $g_{21}=\frac{g_{21}^{*}}{g_{11}^{*}+g_{21}^{*}}$ $g_{12}=\frac{g_{12}^{*}}{g_{12}^{*}+g_{22}^{*}}$ $g_{22}=\frac{g_{22}^{*}}{g_{12}^{*}+g_{22}^{*}}---\left(9\right)$

$g_1=\frac{1}{2}(g_{11}+g_{12})---\left(10\right)$

$g_2=\frac{1}{2}(g_{21}+g_{22})---\left(11\right)$

将权系数g₁和g₂代入式(4)，就计算出了反映输入参数与输出参数关系密切程度的特征数值F。

(6)根据密切程度特征数值大小顺序，对神经网络输入参数进行筛选：密切程度特征数值F_k，越大，输出参数y_j与输入参数x_k的相关程度就越大。将所有F值按从大到小顺序排列，则越在前面的F值对应的输入参数与该输出参数关系越密切，在对输入参数进行筛选时越应该保留。根据神经网络的实际需要，去除排在后面的几个参数，从而实现神经网络输入参数的筛选。

2.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于为非织造布结构参数和断裂强力的关系建立一个神经网络模型，须获取以下数据：纤维长度、纤维细度、孔隙率、重量均匀度、厚度、单位面积重量、纤维体积密度和断裂强力。其中，前七个是非织造布结构参数，也就是神经网络的输入参数，断裂强力是神经网络的输出参数。

3.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法必须首先将神经网络的输入参数和输出参数都归一化到-1和1之间，以消除各类参数尺度方面的差异。

4.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法中吻合程度特征数值是根据实验数据与专家知识相互关系即实验数据中输出参数相对于输入参数的变化趋势与专家知识的吻合程度计算出来的。

5.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的吻合程度特征数值的计算是将论域y_j平均划分为t个区间C_jp(p∈{1，…，t-1})，根据输出参数y_j的区间C_jp构造出输入参数x_k对应的区间A_kp。

6.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法在计算吻合程度特征数值时必须遵循(a)、(b)、(c)、(d)四条模糊规则。

7.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法必须根据式(1)计算吻合程度特征数值。

8.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于吻合程度特征数值V_k越大，则输出参数y_j相对于输入参数x_k的变化趋势与专家知识的吻合程度越高。

9.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法中敏感程度特征数值是根据实验数据相互之间关系即神经网络输出参数对神经网络输入参数的敏感程度计算出来的。

10.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法在计算吻合程度特征数值时必须遵循(e)、(f)两条模糊规则。

11.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法必须根据式(2)和式(3)计算敏感程度特征数值。

12.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于敏感程度特征数值S_k越大，则输出参数y_j对输入参数x_k的敏感程度越高。

13.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法必须根据式(4)将吻合程度特征数值和敏感程度特征数值组合起来，得到反映输入参数与输出参数关系密切程度的特征数值F。

14.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法利用两种方法确定式(4)中的权系数g₁和g₂。

15.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法确定式(4)中的权系数的第一种方法是根据V_k和S_k的变异系数来进行计算的，计算公式是式(5)和式(6)。

16.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法确定式(4)中的权系数的第二种方法是根据离差最大化原则来进行计算的，计算公式是式(7)和式(8)。

17.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的利用两种方法计算出来的权系数根据式(9)进行归一化。

18.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的权系数g₁和g₂是两种方法计算出来权系数的代数平均值，由式(10)和式(11)确定。

19.根据权利要求1所述的基于模糊逻辑的神经网络输入参数筛选方法，其特征在于所述的筛选方法是将所有密切程度特征数值F按从大到小顺序排列，越在前面的F值对应的输入参数与该输出参数关系越密切，在对输入参数进行筛选时越应该保留。根据神经网络的实际需要，去除排在后面的几个参数，从而实现神经网络输入参数的筛选。

Images