模糊神經網絡的介紹

谷歌人工智能寫作項目：小發貓

簡單介紹人工神經網絡和模糊神經網絡

其實百科介紹的很詳細，如“人工神經網絡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人工神經網絡是深度學習嗎。

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;模糊系統相對于神經網絡而言，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。

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

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

模糊神經網絡的基本形式

模糊神經網絡有如下三種形式：1．邏輯模糊神經網絡2．算術模糊神經網絡3．混合模糊神經網絡模糊神經網絡就是具有模糊權系數或者輸入信號是模糊量的神經網絡。上面三種形式的模糊神經網絡中所執行的運算方法不同。

模糊神經網絡無論作為逼近器，還是模式存儲器，都是需要學習和優化權系數的。學習算法是模糊神經網絡優化權系數的關鍵。對于邏輯模糊神經網絡，可采用基于誤差的學習算法，也即是監視學習算法。

對于算術模糊神經網絡，則有模糊BP算法，遺傳算法等。對于混合模糊神經網絡，目前尚未有合理的算法；不過，混合模糊神經網絡一般是用于計算而不是用于學習的，它不必一定學習。

什么是模糊神經網絡的分類器研究,它是否就是目標識別研究 30

分類和目標識別，還是有一些區別的。分類強調的將一組相似的樣本劃為一類，各類之間有明顯的不同特征。

而目標識別可能是針對個體的，每個個體都有自己的特征，可以將每個樣本分別識別出來，例如字符識別、車牌識別等，這些就是目標識別的例子。

模糊神經網絡就是模糊理論同神經網絡相結合的產物，它匯集了神經網絡與模糊理論的優點，集學習、聯想、識別、信息處理于一體。其比較適用于分類和識別，因為其模糊規則可以保證不受噪聲干擾。

神經網絡主要用于什么問題的求解？

神經網絡的研究可以分為理論研究和應用研究兩大方面。理論研究可分為以下兩類：1、利用神經生理與認知科學研究人類思維以及智能機理。

2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網絡模型，深入研究網絡算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網絡數理理論，如：神經網絡動力學、非線性神經場等。

應用研究可分為以下兩類：1、神經網絡的軟件模擬和硬件實現的研究。2、神經網絡在各個領域中應用的研究。這些領域主要包括：模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。

隨著神經網絡理論本身以及相關理論、相關技術的不斷發展，神經網絡的應用定將更加深入。?fr=ala0_1。

神經網絡到底能干什么？

神經網絡利用現有的數據找出輸入與輸出之間得權值關系（近似），然后利用這樣的權值關系進行仿真，例如輸入一組數據仿真出輸出結果，當然你的輸入要和訓練時采用的數據集在一個范疇之內。

例如預報天氣：溫度濕度氣壓等作為輸入天氣情況作為輸出利用歷史得輸入輸出關系訓練出神經網絡，然后利用這樣的神經網絡輸入今天的溫度濕度氣壓等得出即將得天氣情況當然這樣的例子不夠精確，但是神經網絡得典型應用了。

希望采納！

神經網絡主要解決什么問題？

神經網絡算法 遺傳算法 模糊算法 哪個好

沒有哪種算法更好的說法，因為每種算法都有自己的優勢。只能說某種算法在處理某種問題時，效果更好更合適。神經網絡不能說是一種算法，它是一種數學網絡結構，各神經元的權值、閾值是用某種訓練算法計算出來的。

神經網絡適用于非線性系統，可用于難以用數學表達式來描述的系統。遺傳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絡結合，例如GA-BP神經網絡。

模糊算法可將一些難以量化的參數模糊處理，并且算法較簡單，尤其是適用于專家經驗占主要地位的系統，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。用這種算法要注意區間不能劃得太寬，否則算法太不精確。

?

總結

以上是生活随笔為你收集整理的模糊神经网络应用实例,什么是模糊神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。