文章编号：（2003）模糊神经网络技术概述（华东理工大学自动化研究所，上海）首先讨论了模糊神经网络协作的出现和优越性，然后将模糊神经网络分为狭义模糊神经网络、模糊逻辑增强分别介绍了神经网络和神经模糊系统的网络功能，并介绍了它们各自的网络结构和学习算法。 最后介绍了模糊神经网络的工业应用。 关键词：模糊逻辑； 神经网络; 评论（中国）：首先。 :,,茎。 。

:;;() 系统的复杂性和所需的精度之间存在尖锐的矛盾。 为此，通过模拟人类的学习和适应能力，人们提出了智能控制的思想。 控制理论专家）在IFAC会议上指出：模糊逻辑控制、神经网络和专家控制是三种典型的智能控制方法。 通常专家系统是基于专家经验，而不是基于工业过程产生的操作数据，而一般复杂系统的不准确性和不确定性即使是领域专家也很难掌握，这使得专家系统的构建变得非常困难。 。 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（Fuzzy ）因其吸收了模糊逻辑和神经网络的优点并部分避免了它们的缺点而成为当今智能控制研究的热点之一。 模糊神经网络（Fuzzy ）的提出将模糊逻辑（FL）、神经网络理论（NN）、遗传算法（GA）、随机推理（PR）与信念网络、混沌理论和部分学习理论融为一体网络营销理论，形成协同体。 这种融合并不是模糊逻辑、神经网络、遗传算法等的随意拼凑，而是多种方法协作解决该领域的问题，取长补短。

从这个意义上说，各种方法是互补的而不是竞争的。 不同的方法发挥着不同的作用。 通过这种合作，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两种软计算方法结合起来，取长补短，形成协作体。 模糊逻辑和神经网络各自从不同的角度研究人类的认知问题。 。 模糊逻辑从宏观角度研究认知中的模糊性问题； 神经网络从微观角度模拟人脑神经细胞的结构和功能。 模糊逻辑与神经网络的比较见表12003。 32.收稿日期：2002-07-10 基金项目：国家自然科学基金（）上海市教育发展基金会曙光计划项目（）国家“十五”计划863计划CIMS技术主题项目（）模糊逻辑与神经网络比较选项卡。 Ork神经网络模糊逻辑的基本组件包括神经元模糊规则知识获取样本、算法实例专家知识、逻辑推理知识表示、分布式表示、隶属函数推理机制、学习函数的自控、并行计算、模糊规则快速组合和启发式搜索。 ，推理操作慢，神经元叠加隶属函数的最大值——自然语言实现不清楚，灵活性低，实现清晰，灵活性高，通过调整权重进行自适应学习，归纳学习，容错性低，泛化能力可以利用专家的经验黑盒模型难以表达、难以学习，推理过程的模糊性增加。 从上表可以看出，模糊逻辑与神经网络有本质的不同。 然而，由于模糊逻辑和神经网络都是用来处理不确定性和不确定性、准确性问题，所以两者自然是相关的。

和White(1989)证明了神经网络的函数映射能力。 Kosko (1992) 证明了可加性模糊系统的模糊逼近定理 (FAT, eorem) (FAT, eorem) 1992), and), (1994) 并证明了各种可加性和非可加性模糊系统的模糊逼近定理表明，模糊逻辑和神经网络密切相关，并且都是自适应模型无关的估计器。 正是由于模糊神经网络的这些理论研究进展山东网站推广公司，使得模糊神经网络的发展经历了漫长的过程。 该模型是将模糊集应用于神经网络的早期示例。 从那时起，人们对模糊神经网络进行了大量的研究。 直到1990年，神经网络与模糊逻辑的结合才得到全面的讨论。 Kosko（1992）出版了该领域的第一本专着《Stems》，其中提出了模糊联想记忆。 模糊认知图、模糊认知图等重要概念推动了模糊神经网络研究的多元化和深入发展。 随着研究的深入山东网站推广公司，国际知名学术期刊纷纷出版专版，如）、（1996、1997）。 目前，模糊神经网络是智能控制理论的主要研究对象。 通常所说的模糊神经网络就是指模糊化的概念。 将神经元引入模糊推理的模糊神经网络也指基于神经网络的模糊系统。

前者将模糊成分引入神经网络，以提高原始网络的可解释性和灵活性。 它有两种形式：引入模糊运算的神经网络和利用模糊逻辑增强网络功能的神经网络。 后者采用神经网络结构来实现模糊系统，并使用神经网络学习算法来调整模糊系统的参数。 狭义模糊神经网络 在一些文献中，人们也将这类网络称为模糊神经网络。 相对而言，这类系统只是狭义的模糊神经网络，因此本文将其称为狭义的模糊神经网络。 在狭义模糊神经网络中，领域知识用模糊集来表示网络营销策划，提高了网络的透明度和解释能力。 从微观角度看，狭义模糊神经网络是由普通神经元或模糊神经元组成的。 模糊神经元与普通神经元的结构相同，但采用模糊数学来描述一些参数，因此具有处理模糊信息的能力。 有两种常用的模糊神经元：处理真实输入的模糊神经元和处理模糊输入的模糊神经元。 这两种模糊神经元的具体形式是：Rocha(1993)通过研究模糊逻辑与神经网络结合时的逻辑运算无锡网站推广公司，确定了大量的模型，并将具体问题分为聚合神经元()和指示神经元)。 最终的网络结构与（1993）提出的基于知识的网络（ ）或模糊神经元组成的关系，可以清晰地表达区域分类知识。 从宏观上看，狭义模糊神经网络是在传统的神经网络中添加模糊成分（模糊神经元或模糊网络的参数）而构建的。

列出了窄模糊神经网络的几种结构。 学习算法可以采用通用的学习算法，也可以通过扩展原有神经网络的学习算法得到。 反向传播学习算法、随机搜索法、遗传算法等是几种通用的学习算法，与具体的神经网络结构无关。 432 几种窄模糊神经网络的结构 sense fuzzy 模型名称 模糊方法特点 Fuzzy ML 模糊神经元具有模糊分类功能 Fuzzy CMAC 10] Jou 加权模糊 模糊神经元模仿CMAC的五层结构，提高CMAC的泛化能力 FCM Kosko权重 模糊化使用模糊规则以网络的形式描述知识库（专家系统）。 Fuzzy ART 11]er利用模糊集进行极大值和极小值运算，更好地解决模糊信息存储和记忆的问题。 Fuzzy NN 模糊神经元可以记忆模式之间的模糊相似关系 Fuzzy NN 12] 模糊神经元累积超框模糊集以形成模式类FCP。 模糊竞争神经元的输出解决了宽度因子的选择问题。 FWNN 权重模糊模糊小波神经网络。 模糊神经网络并不直接将神经网络和模糊逻辑结合起来，而是通过模糊逻辑来改进神经网络的学习算法。

首先通过分析网络性能获得启发式知识，然后利用启发式知识调整学习参数，从而加速学习收敛。 这方面的研究才刚刚起步，还没有做太多的研究工作。 基于神经网络的模糊系统，也称为神经模糊系统（NFS），是利用神经网络学习算法的模糊系统。 这类模糊神经网络在不改变模糊系统基本功能（如模糊化、模糊推理和去模糊化）的情况下网站推广目标，按照模糊逻辑的运算步骤进行层次化构造。 模糊系统的实现方法是首先提取模糊规则，然后利用神经网络的学习算法调整神经模糊系统的参数。 由于神经模糊系统是由模糊规则组成的，因此它不仅可以通过先验知识初始化模糊规则，还可以利用训练样本直接建立模糊规则。 因此，模糊神经系统的学习过程既可以是数据驱动的，也可以是知识驱动的，从而体现了模糊神经网络的特点。 通常采用专家经验来获得模糊规则，但这种方法实现起来非常困难。神经网络的引入不仅解决了先验知识不足时模糊规则的自确定问题，

文章原创于金源网络科技有限公司：http://haimianbeibei.com/