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）。 【人工智能翻译】涉及的技术主要集中在模糊系统和神经网络的结合，即并发神经模糊系统和混合神经模糊系统。这种技术在工业应用中，如空调设备，能够实现更智能的控制策略。 10.4 并发神经模糊系统：在这种系统中，模糊逻辑用于处理无法直接测量的参数，如人体舒适度指数PMV（预测平均 vote），而神经网络则用于从实际可测量的传感器数据（如室温、空气流量）中估计这些参数。例如，日本空调会利用模糊系统防止压缩机在冬季过度工作，同时利用神经网络预测PMV，确保用户舒适。 10.5 混合神经模糊系统：混合神经模糊系统旨在提高模糊系统的推理效率。传统的模糊系统推理过程中的规则库和去模糊化步骤非常耗时，混合方法通过神经网络来解释模糊系统。这通常分为两种类型：一是仅用神经网络替换规则库，但不优化模糊系统参数；二是将反向传播等学习算法应用到系统中，以优化参数。文献中报告了多种神经模糊系统，如FALCON、ARIC、GBFN、ANFIS等。 - **Mamdani-Type模糊神经网络**：模糊推理系统中，规则库被神经网络取代，模糊推理过程由神经网络执行。以两输入单输出系统为例，系统包含五层，分别处理模糊化、规则推理、模糊MF输出、去模糊化和最终输出。 - **Takagi-Sugeno-Type模糊模糊神经网络推理系统**：与Mamdani-Type不同，这类系统中，模糊规则库由神经网络替代，输出为线性函数，而不是模糊MFs，从而简化了推理过程。 这些技术在控制理论、自动控制和人工智能翻译等领域具有广泛应用，通过模糊逻辑的灵活性和神经网络的非线性映射能力，可以实现复杂环境下的高效智能决策。在实际应用中，如松下空调等产品已经采用了这些技术，提升了设备的智能化程度和用户体验。