人工智能翻译.docx

希望对大家有所帮助，多谢您的浏览！ 10.4并发神经模糊系统 模糊系统和神经网络可以为电厂没有相互合作并行工作在自己。例如,一些日本空调使用FS阻止压缩机从冰冷的冬天,使用神经网络估计指数参数的安慰, 被称为预测意味着投票(PMV)。结构可以被定义为一个函数的空间温度,平均辐射温度、相对气流速度、湿度、热阻用户的衣服,代谢率。有些结构各参数不能使用传感器测量,例如,热电阻的服装和代谢率。神经网络可以用来估计PMV指标从一组测量变量等房间温度、时间微分的房间温度、室外空气温度、空气流量、　　设置温度和气流方向(齐藤et al .,1990)。传感器数据和PVM作为输入和输出 PVM = {房间温度、平均辐射温度、相对气流速度、潮湿　　密度,热阻用户的服装、代谢率} 传感器数据= {房间温度、时间微分的房间温度、室外空气温度、空气流量、设定温度、气流方向} 神经网络进行非线性映射到结构各传感器测量值的索引。松下电气公司所使用的技术已经在他们的空 产品如图10.13所示。 10.5混合神经模糊系统 在任何模糊系统,推论使用规则库和使用不同的方法去模糊化如重心是最耗时的部分。混合方法的想法是解释一个模糊系统的神经网络。这里采用的策略神经模糊系统,首先,取代用神经网络的规则库推理处理简化其次,发现模糊系统的参数学习方法从神经网络的方法。一种常见方法应用学习算法模糊系统是代表在特殊neural-network-like架构,如反向传播学习算法可以用来训练系统。在第一种神经模糊系统,可以有三种类型的模糊神经网络只替换规则库,输入和输出 没有学习算法用于优化MFs或系统的参数。这些都是模糊的三种基本类型　　系统。应用启发式或试错方法优化和调整参数: *与Mamdani-type模糊神经网络的模糊推理系统, 　 *与Takagi-Sugeno-Kang-type模糊神经网络的模糊推理系统, 　　 *与Tsukamoto-type模糊神经网络的模糊推理系统。 在第二种神经模糊系统中,如反向传播或学习算法混合训练应用于系统的优化或调整参数。有不同的类神经模糊系统在1990年代的文献报道。其中的一些详细讨论在下面: *模糊自适应学习控制网络(FALCON), 　 *近似reasoning-based智能控制(ARIC), *广义近似reasoning-based智能控制(GARIC), 　 人工智能翻译全文共11页，当前为第1页。*模糊基函数网络(FBFN), 　 人工智能翻译全文共11页，当前为第1页。 *模糊净(有趣的), *自适应神经模糊推理系统(简称ANFIS), 　 * infuzzy模糊推理和神经网络推理软件(最好), 　 *神经模糊控制器(NEFCON), 　 * MANFIS CANFIS, 　 * Self-constructing神经模糊推理网络(SONFIN), 　 *模糊神经网络(NFN)。 10.5.1模糊神经网络的模糊推理系统与Mamdani-Type 在本节中讨论的模糊神经网络是一种Mamdani-type模糊系统规则库是一个神经网络所取代。的详细描述Mamdani-type模糊在第三章提供推理系统。为简单起见,一个简单的two-input single-output 系统如图10.14所示。图10.14所示的模糊神经网络组成五层,描述如下。 1层：本层的节点表示的模糊隶属度，{ }在X1和AJ，有两个输入。这些节点计算输入的会员等级的X2模糊化操作： 第2层:这一层的每个节点代表一个模糊系统的规则。每个节点的发射强度决定了规则,定义为 这个函数。表示推测操作使用该产品的规则或最小规则。例如,方程(10.4)定义了使用的发射强度产品规则: 人工智能翻译全文共11页，当前为第2页。 人工智能翻译全文共11页，当前为第2页。 归一化权重可以提供相对个人的发射强度的规则。归一化计算方程(10.5)。归一化权重不习惯在上面体系结构。 第三层:这一层中的每个节点表示模糊MF输出。MFs pre-defuzzified和去模糊化操作的输出是表示 去模糊化操作应用于MFsC是每个规则的顺向MFs值。不同类型的去模糊化操作,在第二章所讨论的,可以在这里申请 第四层:这一层中的单一节点产生最终的输出通过聚合解雇规则值,定义为 去模糊化操作应用于MFsC是每个规则的顺向值。不同类型的去模糊化操作,在第二章所讨论的,可以在这里申请 人工智能翻译全文共11页，当前为第3页。第四层:这一层中的单一节点产生最终的输出通过聚合解雇规则值,定义为 人工智能翻译全文共11页，当前为第3页。 10.5.2 Takagi-Sugeno-type模糊模糊神经网络推理系统 在本节讨论的模糊神经网络是一个关野型系统（又称asTakagi - 关野康型模糊系统）。 随着人工智能技术的飞速发展，模糊系统与神经网络的结合为智能控制领域带来了革新性的变化。这种融合形成了并发神经模糊系统和混合神经模糊系统，它们在诸多工业应用中展现出卓越的性能，尤其在诸如空调设备这样的家用电器中，它们能够实现更为精细化和智能化的控制策略。 并发神经模糊系统是一种将模糊逻辑与神经网络并行工作以解决特定问题的系统。在这里，模糊逻辑负责处理那些无法通过传统传感器直接测量的参数，例如人体舒适度指数PMV（预测平均投票）。PMV参数与人体热舒适度密切相关，它考虑了温度、湿度、气流速度等环境因素，以及人体的新陈代谢率和衣着热阻。而神经网络则负责从一组可测量的传感器数据中估计这些参数。例如，一些日本空调产品就利用并发神经模糊系统，在冬季自动调节压缩机的工作状态，避免压缩机过度启动导致的能源浪费，同时利用神经网络预测PMV指数，以确保用户在享受舒适的同时，最大限度地节省能源。 混合神经模糊系统则是另一种技术革新，它试图通过神经网络来提高模糊系统在进行推理时的效率。在传统的模糊系统中，规则库和去模糊化步骤往往需要大量的计算，因此处理速度较慢。混合神经模糊系统通过引入神经网络，对模糊系统的参数进行学习和优化，从而提升推理效率。这类系统大致可以分为两类：第一类是仅替换规则库为神经网络，但不涉及优化模糊系统的参数；第二类则使用如反向传播这样的学习算法对系统进行训练和参数调整。文献中已经报道了多种混合神经模糊系统，包括FALCON、ARIC、GBFN、ANFIS等，它们在智能控制领域被广泛应用。 Mamdani-Type模糊神经网络是混合神经模糊系统中的一个典型代表。在这种系统中，模糊推理过程由神经网络来执行，它包含多个层次。以一个两输入单输出系统为例，该网络分为五层，每层执行特定的任务：首先是模糊化层，将输入数据转化为模糊隶属度；其次是规则层，根据模糊隶属度确定规则的发射强度；第三层为模糊化输出层，处理模糊MF输出；第四层进行去模糊化操作；第五层输出系统的最终结果。这种结构使得模糊逻辑的处理更为高效，同时保留了模糊系统的灵活性。 Takagi-Sugeno-Type模糊神经网络推理系统则在结构和输出上与Mamdani-Type有所不同。在Takagi-Sugeno模型中，模糊规则库由神经网络替代，输出不再是模糊MFs，而是线性函数。这种系统简化了推理过程，因为线性函数的计算相比模糊MFs更为简单快速，尤其适用于需要实时处理的场合。 人工智能翻译技术的应用正在逐步扩展至各个领域，尤其是在控制理论、自动控制和智能翻译等需要处理复杂信息的领域。这些系统通过模糊逻辑的灵活性和神经网络的非线性映射能力，可以有效地处理和分析复杂的数据模式。目前，这些先进的技术已经应用到松下等品牌的空调产品中，它们能够根据用户的需求和环境的变化，智能地调节工作状态，显著提高了设备的智能化水平和用户的舒适度体验。随着技术的不断进步，未来我们可以预见更多人工智能翻译技术在其他领域的应用，为人类带来更加智能和便捷的生活方式。