[发明专利]一种模糊神经网络学习算法

摘要

本发明公开了一种模糊神经网络学习算法，其中具体包括模糊神经网络的建立、模糊神经网络参数的训练以及对训练好的模糊神经网络进行预测识别，通过实际输出的结果，判断目标所属类别。本发明一种模糊神经网络学习算法通过对所建立的模糊神经网络的训练，得到包含权值的网络分类器，训练过程中学习率采用随着训练过程的梯度变化而变化的方法，以实现对这类误识别数据的准确识别，并且提出了采用倒数法使对分母中变量的偏导求解变成普通变量的偏导求解的方法，减少了系统的运算量，从而提高了系统的效率；最后利用训练好的模糊神经网络对测试数据进行识别预测，与传统模糊神经网络相比识别率有显著提高。

主权项

1.一种模糊神经网络学习算法，其特征在于，具体包括如下步骤：S1.建立模糊神经网络；S2.根据步骤S1所建立的模糊神经网络，初始化模糊神经网络的网络参数；S3.输入训练样本参数x_i到所建立的模糊神经网络，模糊神经网络输出y_i；其中，所述x_i为第i个输入变量值，y_i为对应的模糊神经网络输出值；S4.根据步骤S3所得到的y_i，计算如果e≤预设标准误差，则停止训练，并转到步骤S7；如果e>预设标准误差，并且迭代次数k>预设迭代次数，则停止训练，并转到步骤S7，否则，进入步骤S5；其中，y_d为神经网络的期望输出，e为期望输出和实际输出y_i的误差；S5.模糊神经网络参数学习训练，具体包括如下分步骤：a.标准差参数的倒数的学习训练过程为：dji(k+1)-dji(k)=-α(k)Δdji(k),α(k)=(4/3)λα(k-1),]]>λ=(sign[Δdji(k)·Δdji(k-1)]-1)/2]]>其中，k为迭代次数，i为第i个输入的训练样本参数，j为第j个神经元，λ为固有学习步长，α(k)为学习率；是标准差参数的倒数，Δdji(k)=(yd-yi)×(yi×Σi=1mωi-Σi=1m(yi(i)×ωi))×2×(xj-cji)2×ωi×dji(Σi=1mωi)2,]]>x_j为神经网络内部输出参数，ωⁱ为输入参数隶属度连乘积，m为神经网络中其中一层的节点数目；b.均值参数的学习训练过程为：cji(k+1)-cji(k)=-α(k)Δcji(k),α(k)=(4/3)λα(k-1),]]>λ=(sign[Δcji(k)·Δcji(k-1)]-1)/2]]>其中，Δcji(k)=(yd-yi)×(yi×Σi=1mωi-Σi=1m(yi(i)×ωi))×2×(xj-cji)×ωi×(dji)2(Σi=1mωi)2,]]>x_j为网络输出参数，ωⁱ为输入参数隶属度连乘积；c.系数参数的学习训练过程为：pji(k+1)-pji(k)=-α(k)Δpji(k),α(k)=(4/3)λα(k-1),]]>λ=(sign[Δpji(k)·Δpji(k)]-1)/2]]>其中，Δpji(k)=(yd-yi)ωi/Σi=1mωi·xj;]]>S6.对训练后的模糊神经网络再次输入训练样本参数x_i，并转到步骤S3；S7.对建立的模糊神经网络进行预测识别,对测试样本作归一化处理，并将其输入以上训练好的模糊神经网络中，对该类数据进行识别分类，通过其实际输出结果，判断目标所属类别。