神经网络如何优化模糊规则

1. matlab中自带的模糊神经网络如何操作的

我上次发给你的程序，只要你从网上下一个matcom45就行了，直接装在c盘就可以了，你发给我的论文变量太多用一般的遗传算法不行，我从网上发现了一个PID神经网络，相当好用，不用计算隐层数目，很适合用遗传算法进行优化，我编了一个例程回来发给你。

我真的不会用matlab的工具箱，如果一定要用matlab来做优化，恐怕我帮不了你了。

为什么一定要用matlab，用C++自己编写不也很好吗？

2. 神经网络算法 遗传算法 模糊算法 哪个好

没有哪种算法更好的说法，因为每种算法都有自己的优势。只能说某种算法在处理某种问题时，效果更好更合适。

1. 神经网络不能说是一种算法，它是一种数学网络结构，各神经元的权值、阈值是用某种训练算法计算出来的。神经网络适用于非线性系统，可用于难以用数学表达式来描述的系统。

2. 遗传算法在全局寻优问题上效果很好，因其收敛速度较快，且不易陷入局部极小点。其中实数编码法适合与神经网络结合，例如GA-BP神经网络。

3. 模糊算法可将一些难以量化的参数模糊处理，并且算法较简单，尤其是适用于专家经验占主要地位的系统，因为添加一条专家经验只需往规则库里添加一条语句即可。用这种算法要注意区间不能划得太宽，否则算法太不精确。
   

3. 模糊神经网络的基本形式

模糊神经网络有如下三种形式：
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。

4. MATLAB模糊神经网络的模糊规则怎么确定和输入

1、表5.1是根据经验规则
2、一条条的敲、可以不用自带的工具箱直接编m文件编写响应的程序。

5. 神经网络与模糊控制优劣

(2)由工业过程的定性认识出发，比较容易建立语言控制规则，因而模糊控制对那些数学模型难以获取，动态特性不易掌握或变化非常显着的对象非常适用。(3)基于模型的控制算法及系统设计方法，由于出发点和性能指标的不同，容易导致较大差异；但一个系统语言控制规则却具有相对的独立性，利用这些控制规律间的模糊连接，容易找到折中的选择，使控制效果优于常规控制器 。(4)模糊控制是基于启发性的知识及语言决策规则设计的，这有利于模拟人工控制的过程和方法，增强控制系统的适应能力，使之具有一定的智能水平。(5)模糊控制系统的鲁棒性强，干扰和参数变化对控制效果的影响被大大减弱，尤其适合于非线性、时变及纯滞后系统的控制。|||什么是模糊控制？与传统控制理论相比有什么优点？模糊控制是近代控制理论中建立在模糊集合轮上基础上的一种基于语言规则与模糊推理的控制理论，它是智能控制的一个重要分支。与传统控制理论相比，模糊控制有两大不可比拟的优点：第一，模糊控制在许多应用中可以有效且便捷的实现人的控制策略和经验，这一优点自从模糊控制诞生以来就一直受到人们密切的关注；第二，模糊控制不需要被控对象的数学模型即可实现较好的控制，这是因为被控对象的动态特性已隐含在模糊控制器输入、输出模糊集及模糊规则中。所以模糊控制被越来越多的应用于各个领域，尤其是被广泛应用于家电系列中，基于模糊控制的洗衣机就是其中的一个典型实例。|||模糊控制实质上是一种非线性控制，从属于智能控制的范畴。模糊控制的一大特点是既具有系统化的理论，又有着大量实际应用背景。|||优点：对于难于建立模型的控制对象不失为一种良好的控制方法。

6. matlab中神经网络的数据归一化处理就是相当于模糊化吗

%BP建模
clear;
%原始数据归一化
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];
%定义网络输入p1和期望输出t1
p1=p(:,1:13);t1=t(1:13);
[pn,PS]=mapminmax(p1);[tn,TS]=mapminmax(t1);
%设置网络隐单元的神经元数
NodeNum=15;
%建立相应的BP网络
net=newff(pn,tn,NodeNum,{'tansig','purelin'},'traingdm','learngdm');
% 训练网络
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.epochs=2000;
net.trainParam.goal=1e-4;
%调用TRAINGDM算法训练BP网络
net=train(net,pn,tn);
%对BP网络进行仿真
p2=p(:,[14 15]);
p2n=mapminmax('apply',p2,PS);
a2n=sim(net,p2n);
a2=mapminmax('reverse',a2n,TS);
t2=[t([14 15]);
a2]
%我也不知道怎么回事。我用前13组数据构建网络，去预测后两组，效果很差。建议你把NodeNum=15;中的数值更改一下看看有没有变化。

7. 简单介绍人工神经网络和模糊神经网络

其实网络介绍的很详细，如“人工神经网络是模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的利用也较少。但缺点是它不能处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习及问题的求解具有黑箱特性，其工作不具有可解释性，同时它对样本的要求较高;模糊系统相对于神经网络而言，具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，很难实现自适应学习的功能，而且如何自动生成和调整隶属度函数和模糊规则，也是一个棘手的问题。”

即保证人工神经网络自身的学习能力下，采用模糊理论解决模糊信号，使神经网络权系数为模糊权，或者输入为模糊量。

比如原本神经网络处理的是连续数据（double）不适合求解模糊数据，此时就需要引入模糊理论，来构造适合于求解这类模糊数据的神经网络。

8. 用matlab做模糊神经网络，步骤是什么 我知道模糊控制包括：模糊化，模糊推理，清晰化等步骤

是用隶属度值来进行训练，把算法训练好以后再带入实际值进行仿真模拟！

9. matlab 在神经网络 模糊控制

首先要明白模糊控制的含义及模糊控制器的设计过程，一般包括模糊化，建立规则，模糊推理，清晰化等过程，然后神经网络（重点是BP神经网络的计算过程和BP算法），然后用matlab编程实现一遍，基本就能弄清楚了。matlab很好学的，又称傻瓜语言。建议你看模糊控制、神经网络各一本教材，然后尝试用matlab实现一遍，基本就能学会了。