模糊神经网络的优缺点分析

模糊神经网络（FNN） 是将人工神经网络与模糊逻辑系统相结合的一种具有强大的自学习和自整定功能的网络，是智能控制理论研究领域中一个十分活

跃的分支，因此模糊神经网络控制的研究具有重要的意义。本文旨在分析模糊神经网络的优缺点及其用途。

模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的技术，它是模糊逻辑推理与神经网络有机结合的产物。一般来讲，模糊神经网络主要是指利用神经网络结构来实现模糊逻辑推理，

从而使传统神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义。以下主要讨论神经网络与模糊系统的融合技术、模糊推理神经网络的初步研究、模糊推理神经网络。

神经网络控制的优点

从控制角度看，与传统方法相比，神经网络对自动控制具有多种的特征和优势：

（1）并行分布式信息处理。神经网络具有并行结构，可以进行并行数据处理。这

种并行机制可以解决控制系统中大规模实时计算问题，并且并行计算中的冗余性

可以使控制系统具有很强的容错性和鲁棒性。

（2） 神经网络是本质非线性系统。理论上，神经网络能以任意精度实现任意非线

性映射，网络还可以实现较其他方法更优越的系统建模。这种特性使神经网络在

解决非线性控制问题中具有广阔的前景。

（3） 学习和自适应能力。神经网络是基于所研究系统过去的数据记录来进行训

练的。当提供给网络的输入不包含在训练集中时，一个经过训练的网络具有归纳

能力。神经网络也可以在线进行自适应调节。

（4） 多变量系统。神经网络可以处理很多输入信号，并具有很多输出量，所以很

容易用于多变量系统。

模糊神经网络可用于模糊回归、模糊控制器、模糊专家系统、模糊谱系分析、模糊矩阵方程、通用逼近器。

在控制领域中，所关心的是由模糊神经网络构成的模糊控制器。在这一章中．介绍模糊神经网络的基本结构、遗传算法、模糊神经网络的学习算法，以及模糊神经网络的应用

1．逻辑模糊神经网络

2．算术模糊神经网络

3．混合模糊神经网络模糊神经网络就是具有模糊权系数或者输入信号是模糊量的神经网络。上面三种形式的模糊神经网络中所执行的运算方法不同。模糊神经网络无论作为逼近器，还是模式存储器，都是需要学习和优化权系数的。学习算法是模糊神经网络优化权系数的关键。对于逻辑模糊神经网络，可采用基于误差的学习算法，也即是监视学习算法。对于算术模糊神经网络，则有模糊BP算法，遗传算法等。对于混合模糊神经网络，目前尚未有合理的算法；不过，混合模糊神经网络一般是用于计算而不是用于学习的，它不必一定学习。