[发明专利]一种基于模糊神经网络的区间二型模糊认知图模型

权利要求书

1.一种基于模糊神经网络的区间二型模糊认知图模型，其特征在于，所述模型结构包括四层神经网络：

第一层为样本数据的输入层，该层神经元将初始输入变量通过激活函数传递给下一层的神经元；

第二层为隶属度函数层，用于实现概念模糊化，同时结合区间二型模糊集合理论解决了概念间因果关系的不确定性；

第三层与第二层相对应，通过定义的互函数量化概念之间的因果关系并进行解模糊化过程；

第四层为样本数据降型输出层，将经过解模糊化后得到的区间值降型为一个确定的单值并输出。

2.根据权利要求1所述的一种基于模糊神经网络的区间二型模糊认知图模型，其特征在于，第一层的每一个输入节点x_i分别表示一个概念C_i，此层将初始输入变量X^T＝[x₁,x₂,…,x_i,…x_N]传递给下一层，其中N表示变量的数目，定义第一层的输入变量f_i⁽¹⁾、输出变量x_i⁽¹⁾表示为：

f_i⁽¹⁾＝x_i

x_i⁽¹⁾＝f_i⁽¹⁾

其中，公式中的上标表示神经网络的层数。

3.根据权利要求1所述的一种基于模糊神经网络的区间二型模糊认知图模型，其特征在于，第二层的节点代表输入的语义集，输入变量x_i的第n_i个模糊语义集中的元素表示为其中n_i＝1,…,N_i，该层的节点被分为M组，每组表示一条模糊规则的前件部分，每个节点代表一个对称的区间二型隶属度函数；根据输入变量与均值的关系，该层节点的输出利用区间二型模糊集中不确定迹的上界和下界隶属度函数直接计算得到，表示如下：

式中，μ_ij和分别是下界和上界隶属度函数，和σ分别是隶属度函数的不确定均值和标准差，输出是输入变量x_i⁽¹⁾的隶属等级，它由一个下限和一个上限决定。

4.根据权利要求1所述的一种基于模糊神经网络的区间二型模糊认知图模型，其特征在于，由于模糊神经网络中的输入变量x_i、输出变量y_i对应模糊认知图模型中相同的概念C_i,那么对应地，输出变量y_i的模糊语义集与输入变量x_i的模糊语义集相同，也是用对称的高斯函数来定义，均值和方差分别表示为都为模糊集，由一个上限和下限共同确定；

由于该四层模糊神经网络的第二层和第三层分别是概念节点的原因节点和结果节点，那么概念节点C_i与C_j之间的因果关系，就能够转化为第二、三层对应与与之间的权重W，其中表示模糊语义集与的相似度，在数学领域，用內积的概念表示相似度，数学定义为：

从上式中看出，如果和为两个相同概念的模糊语义集，即当i＝j时，取最大值1，那么权重矩阵W的对角线元素ω_ij＝0；

第i个节点的输入变量和输出变量分别为和则：

5.根据权利要求1所述的一种基于模糊神经网络的区间二型模糊认知图模型，其特征在于，第四层中的每一个输出变量都是输出语义集之间的线性组合，第i个语言变量的m_i类型的权重为本层的输入变量和输出变量为：

输出变量与节点间因果关系的性能指标参数相对应，D^T(d₁(τ),d₂(τ),…,d_N(τ))为期望输出，输出变量Y为X^T(x₁(τ),x₂(τ),…,x_N(τ))的实际输出，模糊神经网络的学习模型使用梯度下降算法，在迭代次数为τ时，定义均方误差函数为：

其中，y_j(τ)表示输出变量Y的第j个元素；最后，通过不断地算法迭代去反馈更新模糊神经网络模型中的μ和σ参数，不断地改进模型以致达到最优状态。