一、模糊理论

在集合论中，一个对象要么属于要么不属于一个集合，仅仅表示的是“非 此即彼”的观念。但是在现实生活中，“亦此亦彼”和不确定的现象比比皆是，比如：温水和热水，物理学中速度的快慢，天气的好与坏，年轻与年老。这些概念处于过渡状态中，相互融合，彼此之间的分界线不清晰，因此很难用精确的尺度来进行划分。这种现象就被称为是模糊现象，对于模糊概念，经典的数学理论是无法解决的。

二、模糊神经网络的优点

模糊系统和神经网络在处理对象、数据的确定性等方面都存在着差异， 神经网络具有自学习的能力、并行处理能力强，但不能处理模糊的知识，因此不能很好利用专家的经验。而模糊系统善于处理不确定的信息，但在数据处理时推理速度慢、精度较低，很难实现自适应学习。 如果能够将两者有机的结合在一起，便能大大发挥各自的优势并弥补不足。将模糊化的数据输入到神经网络中，通过神经网络的学习能力提取模糊规则，使得模糊系统具备了泛化能力。使得模型不仅能够处理精确化的信息，同时也能处理模糊信息，丰富了神经网络与模糊系统的运用。

三、程序

1、 网络训练

%循环开始，进化网络

for iii=1:maxgen

iii

for k=1:m

x=inputn(:,k);

%输出层结算

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

%模糊规则计算

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=sum(w);

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=yi*w';

%网络预测计算

yn(k)=addyw/addw;

e(k)=outputn(k)-yn(k);

%计算p的变化值

d_p=zeros(M,1);

d_p=xite*e(k)*w./addw;

d_p=d_p';

%计算b变化值

d_b=0*b_1;

for i=1:M

for j=1:I

d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);

end

end

%更新c变化值

for i=1:M

for j=1:I

d_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);

end

end

p0=p0_1+ d_p+alfa*(p0_1-p0_2);

p1=p1_1+ d_p*x(1)+alfa*(p1_1-p1_2);

p2=p2_1+ d_p*x(2)+alfa*(p2_1-p2_2);

p3=p3_1+ d_p*x(3)+alfa*(p3_1-p3_2);

p4=p4_1+ d_p*x(4)+alfa*(p4_1-p4_2);

p5=p5_1+ d_p*x(5)+alfa*(p5_1-p5_2);

p6=p6_1+ d_p*x(6)+alfa*(p6_1-p6_2);

b=b_1+d_b+alfa*(b_1-b_2);

c=c_1+d_c+alfa*(c_1-c_2);

p0_2=p0_1;p0_1=p0;

p1_2=p1_1;p1_1=p1;

p2_2=p2_1;p2_1=p2;

p3_2=p3_1;p3_1=p3;

p4_2=p4_1;p4_1=p4;

p5_2=p5_1;p5_1=p5;

p6_2=p6_1;p6_1=p6;

c_2=c_1;c_1=c;

b_2=b_1;b_1=b;

end

2、网络预测

%数据归一化

inputn_test=mapminmax('apply',input_test,inputps);

[n,m]=size(inputn_test)

for k=1:m

x=inputn_test(:,k);

%计算输出中间层

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=0;

for i=1:M

addw=addw+w(i);

end

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=0;

for i=1:M

addyw=addyw+yi(i)*w(i);

end

%计算输出

yc(k)=addyw/addw;

end

四、结果展示