专利名称：一种自适应模糊脉冲神经膜系统及推理算法和学习算法的制作方法
技术领域：
本发明涉及自动化控制领域，更具体地说，涉及一种自适应模糊脉冲神经膜系统及推理算法和学习算法。
背景技术：
脉冲神经膜系统(也叫脉冲神经P系统)是一种分布式并行计算模型，它是在膜计算的基础上发展起来的，是脉冲神经元特性与膜计算思想相结合的一种新模型。 脉冲神经膜系统由于具有并行处理能力、易理解、同步性和非线性等特点而使其非常具有实用性，因此近年来为了充分利用脉冲神经膜系统的优点，提出了许多改进型的脉冲神经膜系统，比如用来处理实际应用中模糊知识表达和模糊推理的模糊脉冲神经膜系统，它可以应用到过程控制、专家系统、故障诊断等方面。但是，实际应用中，过程控制、专家系统、故障诊断等应用中的系统多数是动态系统，它们需要根据环境中输入数据的变化而动态的调制自身的参以适应环境的变化，而现有的模糊脉冲神经膜系统因为缺乏这种自适应调节能力(也就是学习能力)而只能处理这些应用中的静态问题，却不能处理应用中的动态问题。
发明内容
本发明的目的是提供一种自适应模糊脉冲神经膜系统及推理算法和学习算法，以使模糊脉冲神经膜系统能够处理应用中的动态问题。为实现上述目的，本发明提供了如下技术方案—种自适应模糊脉冲神经膜系统，其具有如下结构Π= (A, Np, Nr, syn, 1,0),其中，A = {a}为单字母集合，a表示一个脉冲；Np = { O pl, O p2,... , O pm}为命题神经元集，O pi为第i个命题神经元,I彡i彡m ;Nr= {orl, or2,... , oj为规则神经元集，^为第i个规则神经元，syn e (I XiVr)upVr χΛ、)表示命题神经元和规则神经元之间的连接关系，但在
两个命题神经元之间或两个规则神经元之间无连接关系；I e Np为输入神经元集；O e Np为输出神经元集。上述系统，优选的，所述脉冲神经元σ pi具有如下形式σ pi = ( a j, Qi, λ j, Ti),其中，α j e [O, I]为所述命题神经元σ pi中的脉冲值；ωι=(ωη,ωα,...,ω^)为所述命题神经元σ pi的输出权值向量，ω Jj e [O, I]表示第j条输出上的权值，I彡j彡Si, Si表示所述命题神经元O pi上的输出的个数；&表示激发规则，其表示形式为E/a° -aa, a e [O,I],E = {a为激发条件，Xi为激发阈值。上述系统，优选的，所述脉冲神经元σ η具有如下形式
={φ,,γ,α ,θ ),其中，φ, e [OJ]为所述规则神经元σ H中的脉冲值；
Yi e
表示置信度，也表示所述规则神经元σ η的输出权值。Qi表示激发规则，其表示形式为E/a° — a' a，β e [O, I],E = {a彡τ J为激发条件，τ i为激发阈值。一种模糊推理算法，应用如上所述的自适应模糊脉冲神经膜系统，包括用所述自适应模糊脉冲神经膜系统建立加权模糊产生式规则；依据所述加权模糊产生式规则生成推理规则；依据所述推理规则进行推理。上述算法，优选的，所述加权模糊产生式规则的类型包括类型I : IF P1 THEN p2 ；类型2 :IF P1 AND p2 AND…AND pn THEN pn+1 ；类型3 :IF P1 OR p2 OR... OR pn THEN pn+1 ；其中,命题Pi, i = 1,2,......, n, n+1表示模糊命题。上述算法，优选的，所述用自适应模糊脉冲神经膜系统建立加权模糊产生式规则包括类型I :Π ! = (A, { σ ρ1，σ p2}，{ σ rl}, syn, 1,0)；类型2 :Π 2 = (A，{ σ pl，σ p2，...，σ pn，σ p(n+1)}，{ σ rl}，Syn，I，0);类型3 :Π 3 = (A, { σ pl，σ p2，…，σ pn，σ p(n+1)}，{ σ rl，σ r2，...，σ J，Syn，I，0)。上述算法，优选的，所述推理规则包括
α,. γJfa, > τ类型I a, =I '；
—[OjJal <r
itη
CZai ^i)-YJfQ^ai ·ω,)>τ类型2 :αηΦΙ = j ,=1 1=1；
·ω,)< τ
. l=i
「 ^来糾 (Σκ)/(Σ以御,之We J类型3 crn+1 = ] ,JI PJ;
[ OJfai < TjJ =1,2... a其中，J是一个正整数集合,表示的是规则神经元的个数。—种学习算法，应用如上所述的模糊推理算法，包括步骤I :确定训练样本及当前权值，其中，所述训练样本包括输入样本和理想输出样本；
步骤2 :依据当前权值应用所述模糊推理算法推理出当前输出，并依据所述当前输出与所述理想输出样本对所述当前权值向量进行修正；步骤3:当所述当前输出满足预设的输出条件时，输出当前权值向量；否则，执行步骤2。上述算法，优选的，所述依据当前输出与所述理想输出样本对所述当前权值向量进行修正包括W (t+1) = W (t) +2 δ · e (t) · X (t), e (t) = y* (t) -y (t),其中，t为修正次数，ff(t+l)为修正后的当前权值向量，ff(t)为当前权值向量，δ为学习率，x(t)为当前输入样本向量，/(t)为理想输出样本，y(t)为修正次数为t时的输出样本。 通过以上方案可知，本申请提供的一种自适应模糊脉冲神经膜系统，通过设置两类神经元集，使得模糊脉冲神经膜系统能够进行推理，并具有学习能力，能够处理应用中的动态问题。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图I为本申请实施例提供的一种基于自适应模糊脉冲神经膜系统的模糊推理算法的流程图；图2为本申请实施例提供的一种自适应模糊脉冲神经膜系统的模型；图3为本申请实施例提供的一种基于自适应模糊脉冲神经膜系统的学习算法的流程图；图4为本申请实施例提供的对权值ω2的学习情况图；图5为本申请实施例提供的对权值ω4的学习情况图。说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三” “第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。
具体实施例方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本申请实施例提供的一种自适应模糊脉冲神经膜系统的结构定义为Π= (A, Np, Nr, syn, I, O),其中(I)A = {a}为单字母集合，a表示一个脉冲；
(2) Np = { σ ρ1, σ ρ2，…，σ _}为命题神经元集，σ pi为第i个命题神经元，I ^ i ^ m ；优选的，所述脉冲神经元σ pi可以具有如下形式Opi= ( a j, Qi, λ j, Ti),其中，a j e [O, I]为所述命题神经元σ pi中的脉冲值，a j用来表示与命题神经元σ pi相关的命题的模糊真值；ω,. =…)为所述命题神经元Opi的输出权值向量，ω Jj e [O, I]表示第
j条输出上的权值，I彡j彡Si, Si表示所述命题神经元σ pi上的输出的个数；!Ti表示激发规则(或点火规则)，其表示形式为E/a° — a°, a e [O, I], E ={a ^ AJ为激发条件(或点火条件)，比如，当α彡λ i时激发规则被使能，Ai e [O, I]为激发阈值。(3) Nr = {orl, σ r2, . . . , oj为规则神经元集，Qri为第i个规则神经元，I ^ i ^ η ；优选的，所述规则神经元集σ Η可以具有如下形式
权利要求
1.一种自适应模糊脉冲神经膜系统，其特征在于，具有如下结构
2.根据权利要求I所述的自适应模糊脉冲神经膜系统，其特征在于，所述脉冲神经元ο pi具有如下形式 OPi = (Cti, Wi, λ J, Ti), 其中， a i e [O, I]为所述命题神经元σ pi中的脉冲值； ω, =co!S)为所述命题神经元opi的输出权值向量，Coij e [O, I]表示第j条输出上的权值，I彡j彡Si, Si表示所述命题神经元σ pi上的输出的个数； A表示激发规则，其表示形式为E/aa — aa，a e
, E= {a ^ AJ为激发条件，λ i为激发阈值。
3.根据权利要求I或2任意一项所述的自适应模糊脉冲神经膜系统，其特征在于，所述脉冲神经元σ Η具有如下形式 ， φ, € [OJ j为所述规则神经元σ η中的脉冲值； Yi e
表示置信度，也表示所述规则神经元σ Η的输出权值； Qi表示激发规则，其表示形式为E/Ve [O,I],E= {a ^ τ J为激发条件，τ i为激发阈值。
4.一种模糊推理算法，应用如权利要求1-3任意一项所述的自适应模糊脉冲神经膜系统，其特征在于，包括 用所述自适应模糊脉冲神经膜系统建立加权模糊产生式规则； 依据所述加权模糊产生式规则生成推理规则； 依据所述推理规则进行推理。
5.根据权利要求4所述的算法，其特征在于，所述加权模糊产生式规则的类型包括 类型 I : IF P1 THEN p2 ；类型 2 :IF P1 AND p2 AND…AND pn THEN pn+1 ；类型 3 :IF P1 OR p2 OR... OR pn THEN pn+1 ； 其中，命题Pi, i = 1，2，......, n, n+1表示模糊命题。
6.根据权利要求5所述的算法，其特征在于，所述用自适应模糊脉冲神经膜系统建立加权模糊产生式规则包括类型 I :n I = (A, { O ρ1,σ p2}，{ σ rl}，syn, 1,0)；类型 2 :Π 2 = (A, { σ pl,σ p2,…，σ ρη, σ ρ(η+1)}，{ σ rl}，syn, I, O)；类型 3 Π 3 — (A，{ σ pi，σ ρ2，…，0 ρη，0 ρ(η+1)1， 0 rl 0 r2，…，0 rrJ sYn I，〇)。
7.根据权利要求6所述的算法，其特征在于，所述推理规则包括
8.一种学习算法，应用如权利要求4-7任意一项所述的模糊推理算法，其特征在于，包括 步骤I :确定训练样本及当前权值，其中，所述训练样本包括输入样本和理想输出样本； 步骤2:依据当前权值应用所述模糊推理算法推理出当前输出，并依据所述当前输出与所述理想输出样本对所述当前权值向量进行修正； 步骤3 :当所述当前输出满足预设的输出条件时，输出当前权值向量；否则，执行步骤2。
9.根据权利要求8所述的算法，其特征在于，所述依据当前输出与所述理想输出样本对所述当前权值向量进行修正包括 W (t+1) = W (t) +2 δ · e (t) · X (t), e (t) = y*(t) -y (t), 其中，t为修正次数，W(t+1)为修正后的当前权值向量，W(t)为当前权值向量，δ为学习率，X(t)为当前输入样本向量，/(t)为理想输出样本，y(t)为修正次数为t时的输出样本。
全文摘要
本发明实施例公开了一种自适应模糊脉冲神经膜系统，其具有如下结构∏＝(A，Np，Nr，syn，I，O)，其中，A＝{a}为单字母集合；Np＝{σp1，σp2，...，σpm}为命题神经元集，σpi为第i个命题神经元，1≤i≤m；Nr＝{σr1，σr2，...，σrn}为规则神经元集，σri为第i个规则神经元，1≤i≤n；表示命题神经元和规则神经元之间的连接关系，但在两个命题神经元之间或两个规则神经元之间无连接关系；I∈Np为输入神经元集；O∈Np为输出神经元集，本申请提供的一种自适应模糊脉冲神经膜系统，通过设置两类神经元集，使得模糊脉冲神经膜系统能够进行推理，并具有学习能力，能够处理应用中的动态问题。
文档编号G06N3/02GK102831477SQ20121033878
公开日2012年12月19日 申请日期2012年9月13日 优先权日2012年9月13日
发明者王军, 彭宏, 涂敏 申请人:西华大学