神經網路如何優化模糊規則

1. matlab中自帶的模糊神經網路如何操作的

我上次發給你的程序，只要你從網上下一個matcom45就行了，直接裝在c盤就可以了，你發給我的論文變數太多用一般的遺傳演算法不行，我從網上發現了一個PID神經網路，相當好用，不用計算隱層數目，很適合用遺傳演算法進行優化，我編了一個常式回來發給你。

我真的不會用matlab的工具箱，如果一定要用matlab來做優化，恐怕我幫不了你了。

為什麼一定要用matlab，用C++自己編寫不也很好嗎？

2. 神經網路演算法 遺傳演算法 模糊演算法 哪個好

沒有哪種演算法更好的說法，因為每種演算法都有自己的優勢。只能說某種演算法在處理某種問題時，效果更好更合適。

1. 神經網路不能說是一種演算法，它是一種數學網路結構，各神經元的權值、閾值是用某種訓練演算法計算出來的。神經網路適用於非線性系統，可用於難以用數學表達式來描述的系統。

2. 遺傳演算法在全局尋優問題上效果很好，因其收斂速度較快，且不易陷入局部極小點。其中實數編碼法適合與神經網路結合，例如GA-BP神經網路。

3. 模糊演算法可將一些難以量化的參數模糊處理，並且演算法較簡單，尤其是適用於專家經驗佔主要地位的系統，因為添加一條專家經驗只需往規則庫里添加一條語句即可。用這種演算法要注意區間不能劃得太寬，否則演算法太不精確。
   

3. 模糊神經網路的基本形式

模糊神經網路有如下三種形式：
1．邏輯模糊神經網路
2．算術模糊神經網路
3．混合模糊神經網路
模糊神經網路就是具有模糊權系數或者輸入信號是模糊量的神經網路。上面三種形式的模糊神經網路中所執行的運算方法不同。
模糊神經網路無論作為逼近器，還是模式存儲器，都是需要學習和優化權系數的。學習演算法是模糊神經網路優化權系數的關鍵。對於邏輯模糊神經網路，可採用基於誤差的學習演算法，也即是監視學習演算法。對於算術模糊神經網路，則有模糊BP演算法，遺傳演算法等。對於混合模糊神經網路，目前尚未有合理的演算法；不過，混合模糊神經網路一般是用於計算而不是用於學習的，它不必一定學習。

4. MATLAB模糊神經網路的模糊規則怎麼確定和輸入

1、表5.1是根據經驗規則
2、一條條的敲、可以不用自帶的工具箱直接編m文件編寫響應的程序。

5. 神經網路與模糊控制優劣

(2)由工業過程的定性認識出發，比較容易建立語言控制規則，因而模糊控制對那些數學模型難以獲取，動態特性不易掌握或變化非常顯著的對象非常適用。(3)基於模型的控制演算法及系統設計方法，由於出發點和性能指標的不同，容易導致較大差異；但一個系統語言控制規則卻具有相對的獨立性，利用這些控制規律間的模糊連接，容易找到折中的選擇，使控制效果優於常規控制器 。(4)模糊控制是基於啟發性的知識及語言決策規則設計的，這有利於模擬人工控制的過程和方法，增強控制系統的適應能力，使之具有一定的智能水平。(5)模糊控制系統的魯棒性強，干擾和參數變化對控制效果的影響被大大減弱，尤其適合於非線性、時變及純滯後系統的控制。|||什麼是模糊控制？與傳統控制理論相比有什麼優點？模糊控制是近代控制理論中建立在模糊集合輪上基礎上的一種基於語言規則與模糊推理的控制理論，它是智能控制的一個重要分支。與傳統控制理論相比，模糊控制有兩大不可比擬的優點：第一，模糊控制在許多應用中可以有效且便捷的實現人的控制策略和經驗，這一優點自從模糊控制誕生以來就一直受到人們密切的關注；第二，模糊控制不需要被控對象的數學模型即可實現較好的控制，這是因為被控對象的動態特性已隱含在模糊控制器輸入、輸出模糊集及模糊規則中。所以模糊控制被越來越多的應用於各個領域，尤其是被廣泛應用於家電系列中，基於模糊控制的洗衣機就是其中的一個典型實例。|||模糊控制實質上是一種非線性控制，從屬於智能控制的范疇。模糊控制的一大特點是既具有系統化的理論，又有著大量實際應用背景。|||優點：對於難於建立模型的控制對象不失為一種良好的控制方法。

6. matlab中神經網路的數據歸一化處理就是相當於模糊化嗎

%BP建模
clear;
%原始數據歸一化
p=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;
378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;
527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685]'；
t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];
%定義網路輸入p1和期望輸出t1
p1=p(:,1:13);t1=t(1:13);
[pn,PS]=mapminmax(p1);[tn,TS]=mapminmax(t1);
%設置網路隱單元的神經元數
NodeNum=15;
%建立相應的BP網路
net=newff(pn,tn,NodeNum,{'tansig','purelin'},'traingdm','learngdm');
% 訓練網路
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.epochs=2000;
net.trainParam.goal=1e-4;
%調用TRAINGDM演算法訓練BP網路
net=train(net,pn,tn);
%對BP網路進行模擬
p2=p(:,[14 15]);
p2n=mapminmax('apply',p2,PS);
a2n=sim(net,p2n);
a2=mapminmax('reverse',a2n,TS);
t2=[t([14 15]);
a2]
%我也不知道怎麼回事。我用前13組數據構建網路，去預測後兩組，效果很差。建議你把NodeNum=15;中的數值更改一下看看有沒有變化。

7. 簡單介紹人工神經網路和模糊神經網路

其實網路介紹的很詳細，如「人工神經網路是模擬人腦結構的思維功能，具有較強的自學習和聯想功能，人工干預少，精度較高，對專家知識的利用也較少。但缺點是它不能處理和描述模糊信息，不能很好利用已有的經驗知識，特別是學習及問題的求解具有黑箱特性，其工作不具有可解釋性，同時它對樣本的要求較高;模糊系統相對於神經網路而言，具有推理過程容易理解、專家知識利用較好、對樣本的要求較低等優點，但它同時又存在人工干預多、推理速度慢、精度較低等缺點，很難實現自適應學習的功能，而且如何自動生成和調整隸屬度函數和模糊規則，也是一個棘手的問題。」

即保證人工神經網路自身的學習能力下，採用模糊理論解決模糊信號，使神經網路權系數為模糊權，或者輸入為模糊量。

比如原本神經網路處理的是連續數據（double）不適合求解模糊數據，此時就需要引入模糊理論，來構造適合於求解這類模糊數據的神經網路。

8. 用matlab做模糊神經網路，步驟是什麼 我知道模糊控制包括：模糊化，模糊推理，清晰化等步驟

是用隸屬度值來進行訓練，把演算法訓練好以後再帶入實際值進行模擬模擬！

9. matlab 在神經網路 模糊控制

首先要明白模糊控制的含義及模糊控制器的設計過程，一般包括模糊化，建立規則，模糊推理，清晰化等過程，然後神經網路（重點是BP神經網路的計算過程和BP演算法），然後用matlab編程實現一遍，基本就能弄清楚了。matlab很好學的，又稱傻瓜語言。建議你看模糊控制、神經網路各一本教材，然後嘗試用matlab實現一遍，基本就能學會了。