综述
对于给定的输入，只有在输入点附近的那些语言变量 才有较大的隶属度值，远离输入点的语言变量值的隶 属度很小（可近似为0）或为0，因此只有少量结点输 出非0，这点类似于局部逼近网络
第三层的每个结点代表一 条模糊规则，用于匹配模 糊规则的前件，计算出每
条规则的适用度
结点数与第三层 相同，实现适用 度的归一化计算
将两者结合起来，在处理大规模的模糊应用问题 方面将表现出优良的效果。
2、模糊神经网络（FNN）
模糊神经网络（Fuzzy Neural Network，简称 FNN）将模糊系统和神经网络相结合，充分考虑了 二者的互补性，集逻辑推理、语言计算、非线性动 力学于一体，具有学习、联想、识别、自适应和模 糊信息处理能力等功能。
3.1 模糊系统的标准模型
模糊系统的规则集和隶属度函数等设计参数只能 靠设计经验来选择，利用神经网络的学习方法， 根据输入输出的学习样本自动设计和调整模糊系 统的设计参数，实现模糊系统的自学习和自适应 功能。
结构上像神经网络，功能上是模糊系统，这是目 前研究和应用最多的一类模糊神经网络。
基于标准模型的模糊系统原理结构
输出量的表达式为 其中
对于给定输入x对 于规则适用度的归
一化
3.2 模糊神经网络的结构
由模糊模型可设计出如下模糊神经网络的结构
第一层为输入层，为 精确值。节点个数为 输入变量的个数。
第二层每个节点代表一 个语言变量值。用于计 算各输入分量属于各语 言变量值模糊集合的隶 属度函数
n是输入变量的维数，mi是 xi的模糊分割数（规则数）
的前件
输入层，第0个结点 的输入值是1，用于 提供模糊规则后件
中的常数项
每个结点代表一条 规则，用于计算每
条规则的后件
计算系统的输出
输出为
4.3 学习算法
基于T-S模型的模糊神经网络简化结构与前述结构完全相同， 故可借用前面的结论
当给定一个输入时，前件网络的第三层的适 用度中只有少量元素非0，其余大部分元素均为0， 因而从x到a的映射与CMAC、B样条及RBF神经网络 的输入层的非线性映射非常类似。所以该模糊神 经网络也是举步逼近网络
模糊神经网络
李华 113320081002013
1、 模糊系统与神经网络比较
从知识的表达方式、存储方式、运用方式、获取方式来比较 模糊系统—可以表达人的经验性知识，便于理解 将知识存在规则集中 同时激活的规则不多，计算量小 规则靠专家提供或设计，难于自动获取 神经网络—只能描述大量数据之间的复杂函数关系 将知识存在权系数中，具有分布存储的特点 涉及的神经元很多，计算量大 权系数可由输入输出样本中学习，无需人来设置
其本质就是将模糊输入信号和模糊权值输入常 规的神经网络。
在模糊神经网络中，神经网络的输入、输出节点 用来表示模糊系统的输入、输出信号，神经网络 的隐含（中间）节点用来表示隶属函数和模糊规 则，利用神经网络的并行处理能力使得模糊系统 的推理能力大大提高。
3、模糊神经网络的分类
基于标准模型的模糊神经网络 基于T—S的模糊神经网络
第五层是输出层， 实现清晰化计算
3.3 学习算法
4、1 模糊系统的T-S模型
输出量为每条 规则输出量的
加权平均
适用度ቤተ መጻሕፍቲ ባይዱ 归一化
4.2 模糊神经网络的结构
后件网络由r个 结构相同的并 列子网络组成， 每个子网络产 生一个输出量
后件网络用 来产生模糊 规则的后件
各层功能与前面 相同
前件网络用来 匹配模糊规则