模糊神经网络-pytorch官方教程中文版

图 8.10 修正矢量的隶属函数 根据质心或模糊重心可以对修正向量Ck的激励值以及推理过程中的规则后件模糊集合进 行解模糊计算。可以通过在 x 方向解模糊环节的输入中乘以增益变量T 来改善模糊跟踪器的 性能，见图 8.11 所示。通过合适地选择增益（ 1,1,1 321 === TTT ）可以使平均 小均方根误 差（RLSE）从 5 降到接近于 1。 图 8.11 通过在输入输出处增加增益变量来改善模糊跟踪器的性能 8.8 模糊神经网络 在每一时刻，自适应模糊神经网络使用样本数据和神经网络算法来定义一个模糊系统。 连接权值和/或输入信号都可以是模糊集，这样模糊神经网络可以实现以下几种情形： 非模糊输入信号但模糊连接权； 模糊输入信号但非模糊连接权； 模糊输入信号和模糊连接权。 第一类模糊神经网络的一个例子见图 8.2，它是由 Yamakawa 等[15，16]发展起来的一种模 糊神经元。每个神经元包含非模糊输入信号 ix（ 1=i ,…,m）和固定的一些模糊集 iku （ 1=k ,…, n）。这些模糊集用来调整非模糊的权 ikw 。这种模糊神经网络采用启发式学习算法来更新权值。 这个算法所采用的公式类似于 BP 算法。在各模糊集上还加有一个约束，即对某个 xi 而言， 只有相邻的值才能是非零值。 这样，在图 8.12 中如果 )( iik xu 和 )(1, iki xu + 为非零值，则：