一种能自组织的关联模糊神经网络制造技术

本发明专利技术公开了一种能自组织的关联模糊神经网络，包括：输入若干个训练数据；利用所述的若干个训练数据生成模糊规则；裁剪所生成的冗余的模糊规则；识别所述的一种能自组织的关联模糊神经网络中的线性参数，建立起所述的一种能自组织的关联模糊神经网络；将所建立起来的一种能自组织的关联模糊神经网络应用于控制或预测等领域。本发明专利技术在建模过程中考虑了输入数据之间的关联性，能够动态地自动地确定模糊规则的数量，建模精度高，方法简单，模型结构紧凑。

【技术实现步骤摘要】

本专利技术涉及数学建模
，尤其涉及一种能自组织的关联模糊神经网络。
技术介绍
模糊神经网络是一个混合的系统，结合了模糊系统的语义透明度和神经网络的学习能力。近年来，模糊神经网络被越来越多地应用于系统建模和预测等方面，显示出强大的系统建模和控制能力。目前常见的模糊神经网络模型，都认为输入变量是不相关的和独立的，对于那些数据空间是相关联的对象，常见的未考虑数据关联性的模糊神经网络模型就需要生成更多的模糊规则来有效覆盖数据空间，这会产生很大的计算负担，并且耗费时间。关联模糊神经网络是一种全新的模糊神经网络模型，它考虑到了输入变量之间的相关性，因而能够产生相关联的模糊规则来更有效地覆盖相关联的输入空间，进而能更好地拟合实际系统的非线性，建模精度较高。关联模糊神经网络和其他的模糊神经网络有一个共性的问题，那就是如何动态地确定模糊规则的数量并减少冗余的模糊规则。探索一种能自组织的关联模糊神经网络，自动确定模糊规则的数量并裁剪所生成的冗余的模糊规则，使模型的结构更加紧凑，是十分必要的。
技术实现思路
基于此，本专利技术提供了一种能自组织的关联模糊神经网络；一种能自组织的关联模糊神经网络，包括以下步骤：输入若干个训练数据；利用所述的若干个训练数据生成模糊规则；裁剪所生成的冗余的模糊规则；识别所述的一种能自组织的关联模糊神经网络中的线性参数，建立起所述的一种能自组织的关联模糊神经网络；将所建立起来的一种能自组织的关联模糊神经网络应用于控制或预测等领域。与一般的技术相比，本专利技术一种能自组织的关联模糊神经网络在建模过程中考虑了输入数据之间的关联性，能够动态地自动地确定模糊规则的数量，并裁剪冗余的模糊规则，建模精度高，方法简单，模型结构紧凑。附图说明图1是本专利技术一种能自组织的关联模糊神经网络的流程示意图。具体实施方式为更进一步阐述本专利技术所采取的技术手段及取得的效果,下面结合附图及较佳实施例,对本专利技术的技术方案,进行清楚和完整地描述。请参阅图1,为本专利技术一种能自组织的关联模糊神经网络的流程示意图，本专利技术一种能自组织的关联模糊神经网络,包括以下步骤：S101输入若干个训练数据；首先，输入若干个训练数据；S102利用所述的若干个训练数据生成模糊规则；作为其中的一个实施例，所述的关联模糊神经网络是一种三层结构；所述的关联模糊神经网络的结构的第一层是输入层，输入变量为所述的若干个训练数据；记所述的输入层输入变量组成向量X；X＝{X(1),X(2),...,X(n)本文档来自技高网...

【技术保护点】
一种能自组织的关联模糊神经网络，其特征在于，包括以下步骤：输入若干个训练数据；利用所述的若干个训练数据生成模糊规则；裁剪所生成的冗余的模糊规则；识别所述的一种能自组织的关联模糊神经网络中的线性参数，建立起所述的一种能自组织的关联模糊神经网络；将所建立起来的一种能自组织的关联模糊神经网络应用于控制或预测等领域。

【技术特征摘要】
1.一种能自组织的关联模糊神经网络，其特征在于，包括以下步骤：
输入若干个训练数据；
利用所述的若干个训练数据生成模糊规则；
裁剪所生成的冗余的模糊规则；
识别所述的一种能自组织的关联模糊神经网络中的线性参数，建立起所述的
一种能自组织的关联模糊神经网络；
将所建立起来的一种能自组织的关联模糊神经网络应用于控制或预测等领
域。
2.根据权利要求1所述的一种能自组织的关联模糊神经网络，其特征在于，
所述的关联模糊神经网络的模糊规则层利用多变量高斯模糊隶属函数来实现模
糊规则的前件，所述的多变量高斯模糊隶属函数表达式如下：
d2i(X)＝(X-Mi)TΣ-1i(X-Mi)
其中，是第i个模糊规则的隶属函数，X是一组训练数据，Mi和Σi分别是
第i个隶属函数的平均值向量和第i个模糊规则的协方差矩阵，Σ-1i是Σi的逆矩
阵，...

【专利技术属性】
技术研发人员：沈艳霞，高超，陆欣，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32