一、模糊理論

在集合論中，一個對象要么屬于要么不屬于一個集合，僅僅表示的是“非 此即彼”的觀念。但是在現(xiàn)實生活中，“亦此亦彼”和不確定的現(xiàn)象比比皆是，比如：溫水和熱水，物理學中速度的快慢，天氣的好與壞，年輕與年老。這些概念處于過渡狀態(tài)中，相互融合，彼此之間的分界線不清晰，因此很難用精確的尺度來進行劃分。這種現(xiàn)象就被稱為是模糊現(xiàn)象，對于模糊概念，經(jīng)典的數(shù)學理論是無法解決的。

二、模糊神經(jīng)網(wǎng)絡的優(yōu)點

模糊系統(tǒng)和神經(jīng)網(wǎng)絡在處理對象、數(shù)據(jù)的確定性等方面都存在著差異， 神經(jīng)網(wǎng)絡具有自學習的能力、并行處理能力強，但不能處理模糊的知識，因此不能很好利用專家的經(jīng)驗。而模糊系統(tǒng)善于處理不確定的信息，但在數(shù)據(jù)處理時推理速度慢、精度較低，很難實現(xiàn)自適應學習。 如果能夠將兩者有機的結合在一起，便能大大發(fā)揮各自的優(yōu)勢并彌補不足。將模糊化的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡中，通過神經(jīng)網(wǎng)絡的學習能力提取模糊規(guī)則，使得模糊系統(tǒng)具備了泛化能力。使得模型不僅能夠處理精確化的信息，同時也能處理模糊信息，豐富了神經(jīng)網(wǎng)絡與模糊系統(tǒng)的運用。

三、程序

1、 網(wǎng)絡訓練

%循環(huán)開始，進化網(wǎng)絡

for iii=1:maxgen

iii

for k=1:m

x=inputn(:,k);

%輸出層結算

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

%模糊規(guī)則計算

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=sum(w);

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=yi*w';

%網(wǎng)絡預測計算

yn(k)=addyw/addw;

e(k)=outputn(k)-yn(k);

%計算p的變化值

d_p=zeros(M,1);

d_p=xite*e(k)*w./addw;

d_p=d_p';

%計算b變化值

d_b=0*b_1;

for i=1:M

for j=1:I

d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);

end

end

%更新c變化值

for i=1:M

for j=1:I

d_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);

end

end

p0=p0_1+ d_p+alfa*(p0_1-p0_2);

p1=p1_1+ d_p*x(1)+alfa*(p1_1-p1_2);

p2=p2_1+ d_p*x(2)+alfa*(p2_1-p2_2);

p3=p3_1+ d_p*x(3)+alfa*(p3_1-p3_2);

p4=p4_1+ d_p*x(4)+alfa*(p4_1-p4_2);

p5=p5_1+ d_p*x(5)+alfa*(p5_1-p5_2);

p6=p6_1+ d_p*x(6)+alfa*(p6_1-p6_2);

b=b_1+d_b+alfa*(b_1-b_2);

c=c_1+d_c+alfa*(c_1-c_2);

p0_2=p0_1;p0_1=p0;

p1_2=p1_1;p1_1=p1;

p2_2=p2_1;p2_1=p2;

p3_2=p3_1;p3_1=p3;

p4_2=p4_1;p4_1=p4;

p5_2=p5_1;p5_1=p5;

p6_2=p6_1;p6_1=p6;

c_2=c_1;c_1=c;

b_2=b_1;b_1=b;

end

2、網(wǎng)絡預測

%數(shù)據(jù)歸一化

inputn_test=mapminmax('apply',input_test,inputps);

[n,m]=size(inputn_test)

for k=1:m

x=inputn_test(:,k);

%計算輸出中間層

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=0;

for i=1:M

addw=addw+w(i);

end

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=0;

for i=1:M

addyw=addyw+yi(i)*w(i);

end

%計算輸出

yc(k)=addyw/addw;

end

四、結果展示

總結

以上是生活随笔為你收集整理的python模糊神经网络预测_MATLAB模糊神经网络的预测算法--预测水质的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。