基于模糊积分的多神经网络集成信息融合
模糊神经网络噪声解耦MATLAB程序解析
模糊神经网络解耦MATLAB 程序 例用隶属函数型神经网与模糊控制融合的解耦程序 具有耦合的两个相邻子系统的差分方程为 ???++-+-+-=++-+-+-=)()()2()1()1()()()()2()1()1()(2122221212 1211211111k y k k u b k u b k y a k y k y k k u b k u b k y a k y ξξ (7.122) 式中，)(k i ξ随机噪声；)(k y ij 为两个相邻子系统之间的耦合；采用隶属函数型神经网与模糊控制融合的解耦方法（DMFFCNN ）方法实现解耦控制。 1) 开发的程序 p1=0.5; q1=0.5; p2=0.5; q2=0.5; p3=0.5; q3=0.5; p4=0.95; q4=0.5; p5=0.95; q5=0.5; p6=0.95; q6=0.5; p7=0.5; q7=0.5; p8=0.95; q8=0.5; p9=0.5; q9=0.5; p10=0.95; q10=0.5;
p11=0.95; q11=0.5; p12=0.95; q12=0.5; p13=0.65; q13=0.05; %隶属函数型神经网的中心值、尺度因子和权向量初始化部分a10=[-2 0 2]; a11=[-2 0 2]; a20=[-2 0 2]; a21=[-2 0 2]; b10=[1.5 1.5 1.5]; b11=[1.5 1.5 1.5]; b20=[1.5 1.5 1.5]; b21=[1.5 1.5 1.5]; v0=[-1 -0.5 -0.5;-0.5 0 0.5;0.5 0.5 1]; v1=[-1 -0.5 -0.5;-0.5 0 0.5;0.5 0.5 1]; %系统部分的初值 yp0=0; yp1=0; ep0=0; ep1=0; up0=1.05; up1=1.39; x1=0.12; x2=0.24; y0=0; y1=0; u1=0; e0=0; e1=0; sp=10; k=1; se=0.02; sd=0.02; su=0.0522; %开始
模糊神经网络技术研究的现状及展望
模糊神经网络技术研究的现状及展望 摘要：本文对模糊神经网络技术研究的现状进行了综述，首先介绍了模糊控制技术和神经网络技术的发展，然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性，接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述，指出了目前模糊神经网络的研究发展中还存在的一些问题，并对模糊神经网络的发展进行了展望。 关键字：模糊控制；神经网络；模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此，通过模拟人类学习和自适应能力，人们提出了智能控制的思想。控制理论专家Austrom（1991）在IFAC大会上指出：模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法，各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点，避免了两者的缺点，已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年，英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制，提出了模糊控制论。至今，模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮，其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆，分类和优化计算等功能，在解决高度非线性和严重不确定系统的控制问题方面，显示了巨大的优势和潜力模糊控制系统与神经网络系统具有整体功能的等效性[2]，两者都是无模型的估计器，都不需要建立任何的数学模型，只需要根据输入的采样数据去估计其需要的决策：神经网络根据学习算法，而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上，两者具有相同的正规数学特性，且共享同一状态空间[3]。 另一方面，模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射，但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合，后者正好弥补前者的这点不足，而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度。因此，模糊逻辑和神经网络虽然有着本质上的不同，但由于两者都是用于处理不确定性问题，不精确性问题，两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4]；Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT，Fuzzy Approximation Theorem)[5]；Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系，正是由于这类理论上的共性，才使模糊逻辑和神经网络的结合成为可能。 2 模糊神经网络的学习算法 各种类型的模糊神经网络学习算法的共同方面是结构学习和参数学习两部分。结构学习是指按照一定的性能要求确定模糊系统的推理规则的条数，每条规则的前提和结论的隶属度函数以及由清晰化得到具体的规则数。参数学习是指进一步细化各隶属函数的参数以及模糊规则的其他参数，以使系统达到最优。结构学习主要是从输入输出数据中提取规则或由输入空间模糊划分获得规则，主要有启发式搜索、模糊网格法、树形划分法、基于模糊聚类的学习算
神经网络预测控制综述
神经网络预测控制综述 摘要：近年来，神经网络预测控制在工业过程控制中不仅得到广泛的应用，而且其理论研究也取得了很大进展。对当前各种神经刚络预测控制方法的现状及其工业应用进行了较深入地分析，并对其存在的问题和今后可能的发展趋势作了进一步探讨。 关键词：神经网络；预测控制：非线性系统；工业过程控制 Abstract: In recent years, neural network predictive control has not only been widely used in industrial process control, but also has made great progress in theoretical research. The current status of various neural network prediction control methods and their industrial applications are analyzed in depth, and the existing question and possible future development trends are further discussed. Keywords: neural network; predictive control: nonlinear system; industrial process control
20世纪70年代以来，人们从工业过程的特点出发，寻找对模型精度要去不高而同样能实现高质量控制性能的方法，预测控制就是在这种背景下发展起的[1]。预测控制技术最初山Richalet和Cutler提出[2],具有多步预测、滚动优化、反馈校正等机理，因此能够克服过程模型的不确定性，体现出优良的控制性能，在工业过程控制中取得了成功的应用。如Shell公司、Honeywell公司、Centum 公司，都在它们的分布式控制系统DCS上装备了商业化的预测控制软件包．并广泛地将其应用于石油、化工、冶金等工业过程中[3]。但是，预测函数控制是以被控对象的基函数的输出响应可以叠加为前提的，因而只适用于线性动态系统控制。对于实际中大量的复杂的非线性工业过程。不能取得理想的控制效果。而神经网络具有分布存储、并行处理、联想记忆、自组织和自学习等功能，以神经元组成的神经网络可以逼近任意的：线性系统。使控制系统具有智能化、鲁棒性和适应性，能处理高维数、非线性、干扰强、难建模的复杂工业过程。因此，将神经网络应用于预测控制，既是实际应用的需要，同时也为预测控制理论的发展开辟了广阔的前景。本文对基于神经网络的预测控制的研究现状进行总结，并展望未来的发展趋势。 l神经网络预测控制的基本算法的发展[4] 实际中的控制对象都带有一定的菲线性，大多数具有弱非线性的对象可用线性化模型近似，并应用已有的线性控制理论的研究成果来获得较好的控制效果。而对具有强非线性的系统的控制则一直是控制界研究的热点和难点。 就预测控制的基本原理而言，只要从被控对象能够抽取出满足要求的预测模型，它便可以应用于任何类型的系统，包括线性和非线性系统。 由于神经网络理论在求解非线性方面的巨大优势，很快被应用于非线性预测控制中。其主要设计思想是：利用一个或多个神经刚络，对非线性系统的过程信息进行前向多步预测，然后通过优化一个含有这些预测信息的多步优化目标函数，获得非线性预测控制律。在实际应用与理论研究中形成了许多不同的算法。如神经网络的内模控制、神经网络的增量型模型算法控制等，近来一些学者对有约束神经网络的预测控制也作了相应的研究。文献[5]设计了多层前馈神经网络，使控制律离线求解。文献[6]采用两个网络进行预测，但结构复杂，距离实际应用还有一定的距离，文献[7]利用递阶遗传算法，经训练得出离线神经网络模型．经多步预测得出对象的预测模型，给出了具有时延的非线性系统的优化预测控制。将神经网络用于GPC的研究成果有利用Tank．Hopfield网络处理GPC矩阵求逆的算法，基于神经网络误差修正的GPC算法、利用小脑模型进行提前计算的GPC 算法、基于GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预
模糊神经网络的预测算法在嘉陵江水质评测中的应用2
模糊神经网络的预测算法 ——嘉陵江水质评价 一、案例背景 1、模糊数学简介 模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。 模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。 模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 2、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 3、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模
人工神经网络概述及其在分类中的应用举例
人工神经网络概述及其在分类中的应用举例 人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)是目前国际上一门发展迅速的前沿交叉学科。为了模拟大脑的基本特性，在现代神经科学研究的基础上，人们提出来人工神经网络的模型。人工神经网络是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统。 神经网络在2个方面与人脑相似： (1) 人工神经网络获取的知识是从外界环境中学习得来的。 (2) 互连神经元的连接强度，即突触权值，用于存储获取的信息。他既是高度非线性动力学系统，又是自适应组织系统，可用来描述认知、决策及控制的智能行为。神经网络理论是巨量信息并行处理和大规模并行计算的基础。 一人工神经网络的基本特征 1、并行分布处理：人工神经网络具有高度的并行结构和并行处理能力。这特别适于实时控制和动态控制。各组成部分同时参与运算，单个神经元的运算速度不高，但总体的处理速度极快。 2、非线性映射：人工神经网络具有固有的非线性特性，这源于其近似任意非线性映射(变换)能力。只有当神经元对所有输入信号的综合处理结果超过某一门限值后才输出一个信号。因此人工神经网络是一
种具有高度非线性的超大规模连续时间动力学系统。 3、信息处理和信息存储合的集成：在神经网络中，知识与信息都等势分布贮存于网络内的各神经元，他分散地表示和存储于整个网络内的各神经元及其连线上，表现为神经元之间分布式的物理联系。作为神经元间连接键的突触，既是信号转换站，又是信息存储器。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。信息处理的结果反映在突触连接强度的变化上，神经网络只要求部分条件，甚至有节点断裂也不影响信息的完整性，具有鲁棒性和容错性。 4、具有联想存储功能：人的大脑是具有联想功能的。比如有人和你提起内蒙古，你就会联想起蓝天、白云和大草原。用人工神经网络的反馈网络就可以实现这种联想。神经网络能接受和处理模拟的、混沌的、模糊的和随机的信息。在处理自然语言理解、图像模式识别、景物理解、不完整信息的处理、智能机器人控制等方面具有优势。 5、具有自组织自学习能力：人工神经网络可以根据外界环境输入信息，改变突触连接强度，重新安排神经元的相互关系，从而达到自适应于环境变化的目的。 6、软件硬件的实现：人工神经网络不仅能够通过硬件而且可借助软件实现并行处理。近年来，一些超大规模集成电路的硬件实现已经问世，而且可从市场上购到，这使得神经网络具有快速和大规模处理能力的实现网络。许多软件都有提供了人工神经网络的工具箱（或软件包）如Matlab、Scilab、R、SAS等。 二人工神经网络的基本数学模型
模糊神经网络的基本原理与应用概述
模糊神经网络的基本原理与应用概述 摘要：模糊神经网络（FNN）是将人工神经网络与模糊逻辑系统相结合的一种具有强大的自学习和自整定功能的网络,是智能控制理论研究领域中一个十分活跃的分支,因此模糊神经网络控制的研究具有重要的意义。本文旨在分析模糊神经网络的基本原理及相关应用。 关键字：模糊神经网络，模糊控制，神经网络控制，BP算法。 Abstract:A fuzzy neural network is a neural network and fuzzy logic system with the combination of a powerful. The self-learning and self-tuning function of the network, is a very intelligent control theory research in the field of active branches. So the fuzzy neural network control research has the vital significance. The purpose of this paper is to analysis the basic principle of fuzzy neural networks and related applications. Key Words: Fuzzy Neural Network, Fuzzy Control, Neural Network Control, BP Algorithm.
1人工神经网络的基本原理与应用概述 人工神经网络的概念 人工神经网络(Artificial Neural Network,简称ANN)是由大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统,它使用大量简单的相连的人工神经元来模仿生物神经网络的能力,从外界环境或其它神经元获得信息,同时加以简单的运算,将结果输出到外界或其它人工神经元。神经网络在输入信息的影响下进入一定状态,由于神经元之间相互联系以及神经元本身的动力学特性,这种外界刺激的兴奋模式会自动地迅速演变成新的平衡状态,这样具有特定结构的神经网络就可定义出一类模式变换即实现一种映射关系。由于人工神经元在网络中不同的联接方式,就形成了不同的人工神经网络模式,其中误差反向传播网络(Back-Propagation Network,简称BP网络)是目前人工神经网络模式中最具代表性,应用得最广泛的一种模型【1,2】。 人工神经网络研究的发展简史 人工神经网络的研究己有近半个世纪的历史但它的发展并不是一帆风顺的,神经网络的研究大体上可分为以下五个阶段[3]。 (1) 孕育期(1956年之前):1943年Mcculloch与Pitts共同合作发表了“A logical calculus of ideas immanent in Nervous Activity”一文,提出了神经元数学模型(即MP模型)。1949年Hebb提出Hebb学习法则,对神经网络的发展做出了重大贡献。可以说,MP模型与学习规则为神经科学与电脑科学之间架起了沟通的桥梁,也为后来人工神经网络的迅速发展奠定了坚实的基础。 (2)诞生期(1957年一1968年):1960年Widrow提出了自适应线性元件模型,Rossenbaltt在1957年提出了第一种人工神经网络模式一感知机模式,由二元值神经元组成,该模式的产生激起了人工神经网络研究的又一次新高潮。(3)挫折期(1969年一1981年):1969年Minsky等人写的《感知机》一书以数学方法证明了当时的人工神经网络模式的学习能力受到很大限制。之后,人工神经网络的研究一直处于低潮。
基于张量的KFLD-SIFT与RVM模糊积分融合的人体行为识别方法
一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一 ?国家自然科学基金项目(No.51205185,61308066)二江苏省博士后科研资助计划项目(No.1001027B)资助收稿日期:2013-05-20;修回日期:2013-07-23 作者简介一肖迪(通讯作者),女,1975年生,博士,副教授,主要研究方向为模式识别二数据挖掘二系统优化等.E-mail:xiaodi_12@https://www.wendangku.net/doc/ed3106242.html,.南雷光,男,1988年生,硕士研究生,主要研究方向为图像处理二模式识别.基于张量的KFLD-SIFT 与RVM 模糊积分融合的 人体行为识别方法? 肖一迪一一南雷光 (南京工业大学自动化与电气工程学院一南京211816) 摘一要一针对人体行为识别领域中视频序列的大样本及多特征问题,提出一种基于张量的核Fisher 非线性鉴别(KFLD)-尺度不变特征变换(SIFT)与相关向量机(RVM)模糊积分融合的人体行为识别方法.该方法首先通过预处理视频序列得到二值视频,并采用三阶张量表示.然后针对大样本特征提出KFLD-SIFT 局部特征提取算法,对不同初始尺度下的关键点周围的多特征降维,同时提出RVM 模糊积分融合算法进行行为分类.最后应用4种经典评价指标及计算得到的平均识别率对比分析文中方法与其他相关方法的识别效果,数据采用KTH 人体行为数据库中的视频,并采用三重交叉方法验证和测试.实验表明文中方法对多种行为取得较好的识别效果,平均识别率比其他主流方法至少提高2.3%. 关键词一张量,核Fisher 非线性鉴别(KFLD),尺度不变特征变换(SIFT),相关向量机(RVM),模糊积分融合 中图法分类号一TP 391 KFLD-SIFT with RVM Fuzzy Integral Fusion Recognition of Human Action Based on Tensor XIAO Di,NAN Lei-Guang (College of Automation and Electrical Engineering ,Nanjing Tech University ,Nanjing 211816)ABSTRACT Due to the large sample and multiple characteristics of video sequence in the field of human action recognition,a method of kernel Fisher nonlinear discriminant (KFLD)-scale invariant feature transform (SIFT)and relevance vector machine (RVM)fuzzy integral fusion recognition based on tensor is proposed.Firstly,video sequence is pre-processed into binary video sequence,and then it is described as third-order tensor.Furthermore,as for large sample characteristics,a local feature extraction method of KFLD-SIFT is proposed to reduce the dimension around the key points under different initial scales.Meanwhile,RVM fuzzy integral fusion algorithm for behavior classification is presented.Finally,the proposed method and other relevant methods are compared through four kinds of evolution indexes and average recognition rates.The video sequence of KTH human action database and triple-cross verification method are used to test the recognition methods.Experimental results show that the proposed method achieves good recognition effect,and its average recognition rate rises by at least 2.3%compared to other 第27卷一第8期一一一一一一一一一一一一一模式识别与人工智能一一一一一一一一一一一一一一一Vol.27一No.8一2014年8月一一一一一一一一一一一一一一一一PR &AI一一一一一一一一一一一一一一一一一一Aug.一2014
模糊推理神经网络诊断模型案例
模糊推理神经网络诊断模型案例 [摘要]本文基于通用神经网络的自适应性和诊断的建模方法，建立了一种新的故障诊断模型一模糊神经网络诊断模型，并对它的智能诊断机理和突出特点进行了深入分析。最后，将该诊断模型应用于某大型汽轮发电机组故障诊断中，分析得出它具有明显的提高诊断精确度的优越性。 [关键词]神经网络故障诊断智能诊断 1模糊推理神经网络诊断模型建立 1．1通用网络模型自适应动态特性 比较两类典型的神经网络一前向BP网络与反馈Hopfied网络，可以发现其核心是单层神经网络，则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念，对这个通用神经网络模型的特征进行分析得出以下两个结论，证明从略。 定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。 推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn。Rm)。 由推论1表明，通用网络模型所概括的任何开集(如BP网络、Hopfied网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈(Rn，Rm)，因而具有良好的自学习、自适应动态特性。 1．2诊断建模方法 设xjn(j=1，2，...，k)对应反映设备运行状态第n个观测样本的k个特征参数，yin，(i=1，2，...l)对应第n个样本的1种故障模式，共有N个样本xjn∈RN，yin∈RN，[n=1，2，...，N)，则故障模式向量Y={yin，i=1，2，...，l}与特征参数向量x={xin，i=1，2，...，k}间的内在关系用函数P表示，有：X=P(Y)。当N→∞时，函数P的逆函数存在，以函数S表示，有：Y=S(X) 诊断问题建模的实质就是根据有限的样本集，确定函数S(X)的一等价映射关系SS(X)，使得对于任意的ε>0，满足：
模糊神经网络综述
1.模糊神经网络的提出 模糊逻辑(FL)、神经网络理论(NN)、遗传算法(GA)、随机推理(PR),以及置信网络、混沌理论和部分学习理论相融合,形成了一种协作体,这种融合并非杂乱无章地将模糊逻辑、神经网络和遗传算法等进行拼凑,而是通过各种方法解决本领域的问题并相互取长补短,从而形成了各种方法的协作。从这个意义上讲,各种方法是互补的,而不是竞争的。在协作体中,各种方法起着不同的作用。通过这种协作,产生了混合智能系统。模糊逻辑和神经网络都是重要的智能控制方法,将模糊逻辑和神经网络这两种软计算方法相结合,取长补短,形成一种协作体—模糊神经网络。 2.模糊神经网络的研究进展 模糊神经网络的发展经历了一个漫长的过程。MacCulloch-Pitta模型便是早期将模糊集应用到神经网络中的一例。此后,人们对模糊神经网络研究得很少。直到1990年Takagi才综述性地讨论了神经网络与模糊逻辑的结合。Kosko(1992)出版了该领域的第一本专著《Neural Network and Fuzzy Systems》,并在这本专著中提出了模糊联想记忆、模糊认知图等重要概念,促进了模糊神经网络的研究向着多元化深入发展。 （1）引入模糊运算的神经网络———狭义模糊神经网络 狭义模糊神经网络通过调整参数进行学习。其学习算法可以采用通用学习算法,也可以通过对原有神经网络的学习算法进行拓展得到。反向传播学习算法、随机搜索法、遗传算法等是几种与具体神经网络结构无关的通用学习算法。（2）用模糊逻辑增强网络功能的神经网络 这类模糊神经网络不是对神经网络与模糊逻辑直接进行融合,而是通过模糊逻辑改进神经网络的学习算法。首先通过分析网络性能得到启发式知识,然后再将启发式知识用于调整学习参数,从而加快了学习收敛速度。 （3）基于神经网络的模糊系统—神经模糊系统 于神经网络的模糊系统,也被称为神经模糊系统(NFS,Neural-Fuzzy Systems),是利用神经网络学习算法的模糊系统。这类模糊神经网络按照模糊逻辑的运算步骤分层构造,不改变模糊系统的基本功能(如模糊化、模糊推理和解模糊化)。 3.糊神经网络的应用 在基于模糊神经网络的控制器方面,Berenji和Khedker(1992)采用增强式学习方法提出了GARIC控制器结构,该系统通过三个神经网络完成了控制的功能：ASN进行普通模糊控制,AEN评价控制效果,SAM随机综合ASN和AEN的过程,然后产生控制信号;Lin和Lee(1994)提出了一种自动构造模糊系统的方法,该方