在模糊系統中，模糊集、隸屬函數，和模糊規則的設計是建立在經驗知識基礎上的。這種分析方法存在很大的主觀性。將學習機制引入到模糊系統中，使模糊系統能夠通過不斷學習來修改和完善隸屬函數和模糊規則，這是模糊系統的發展方向。

模糊系統和模糊神經網絡既有聯系又有區別，其聯系表現為模糊神經網絡在本質上是模糊系統的實現，其區別表現為模糊神經網絡又具有神經網絡的特征。

?

系統	模糊系統	神經系統
獲取知識	專家經驗	算法實例
推理機制	啟發式搜索	并行計算
推理速度	低	高
容錯性	低	非常高
學習機制	歸納	調整權值
自然語言實現	明確的	不明顯
自然語言靈活性	高	低

?

將神經網絡的學習能力引入到模糊系統中，將模糊系統的模糊化處理、模糊推理、精確化計算通過分布式的神經網絡來表示是實現模糊系統自組織、自學習的重要途徑。在模糊神經網絡中，神經網絡的輸入、輸出節點用來模糊系統的輸入、輸出信號，神經網絡的隱含節點用來表示隸屬函數和模糊規則，利用神經網絡的并行處理能力使得模糊系統的推理能力大大提高。

模糊神經網絡是將模糊系統和神經網絡相結合而構成的網絡，模糊神經網絡在本質上是常規的神經網絡賦予模糊輸入信號和模糊權值，其學習算法通常是神經網絡學習算法或其推廣。模糊神經網絡技術已經獲得廣泛的應用，當前的應用主要集中在模糊回歸、模糊控制、模糊專家系統、模糊矩陣方程、模糊建模和模糊模式識別等領域。

該自適應網絡是一個多層前饋網絡，其中的方形節點需要進行參數學習。

（第一層為輸入變量的隸屬函數層）

?

? ??因此ANFIS可以通過BP算法或BP算法和最小二乘估計法的混合算法來進行學習，來調整系統的前件和后件參數。在混合算法中，前向階段計算到第四層，然后用最小二乘法辨識后件參數。反向階段誤差信號反向傳遞，用BP法更新前件參數。

? ? 當前件參數固定時，用最小二乘法辨識的后件參數是最優的。采用混合法可以減少BP法的搜索空間尺度，從而提高ANFIS的訓練速度。

? （在網絡的的前向學習過程中，采用n組訓練數據的輸入值，求得參數值及輸出值，n個值按最小二乘法原則計算計算值與訓練數據原期望誤差值，并將此誤差值反向傳回，按最大梯度法修正前提參數，在改變這些參數的過程中不斷實現對隸屬函數圖形的修改，以期在設定的循環過程中達到輸出誤差值最小的目的。）

ref:

http://blog.csdn.net/qq_18343569/article/details/50735491

劉金琨《智能控制》

總結

以上是生活随笔為你收集整理的自适应模糊神经网络的设计的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。