学习的网络和训练的步驟 1)选择输入-输出变量和训练数据 y为输出变量; 输入输出数据分成训练数据(RD) x=1,2,…,m是输入变量 估计 和校验数据(CHD 结论部分 (x;) °(x1) 前提部分8 输入变量X1
学习的网络和训练的步骤 8
2)将数据聚类分成类即有r条规则TRD的数据有N1个 3)训练规则的前提部分网络NNmn ①对每个TRD输入向量x,定义一个向量: (m2,m12,mn)使m}=1,m4=0,≠k ②对数据对(x;m1),=12…,N1进行训练, ③推断校验数据(CHD)x;对R的隶属度m6 1.2.N F 4)训练对应于规则R的后件部分(Then部分)MN NN输入(TDR):xi,x2,…,x NN输出(TDR):yi 训练以后,将校验数据(CH)x-2,…,m1=12,…,N 送到NNs,计算误差:
2) 将数据聚类.分成r 类.即有r 条规则.TRD的数据有N t 个. 3) 训练规则的前提部分网络NNm.。 4）训练对应于规则R s的后件部分（Then部分）NN s 6 6
E=∑1-H(xA(x)2或 l=」 m=∑A(x)y-(MA(x)2(加权□6 i=1 5)简化后件部分 在MN的输入端,任意消去ⅹ。,比较误差: N Em=∑{y;-4,(x;)4A.(x;)} 消去前误差 i=1 Em1=∑{y1-2(x1)A(x1)}2消去后误差 如果Em>Em-1,则xp可以消去,否则另选变量 6)最终输出 A.(x;)(x;) S=1
（加权） 或 ( ){ ( ) ( )} { ( ) ( )} 2 1 2 1 s i A i N i A i i s m s i A i N i i s m E x y x x E y x x s c s s c = − = − = = 5）简化后件部分 在NN S的输入端，任意消去x p ，比较误差： 6）最终输出 6
●神经网络的模糊建模 有三种模型: (1)后件为恒值: R(:x1是41和x2是42, Then y=f(=12,,m) ∑H∑始=∑A42=12,3 A(x)=(x)24(x) (2)后件为一阶线性方程 R:fx是41和x2是42, Then y=f(x1,x2) ∑H1(x,x2)∑=∑(xx2 f(x1,x2)=40+a1x1+a12x2a(=012)是常数
●神经网络的模糊建模 有三种模型： ⑴ 后件为恒值： i n i i n i i i n i i i i i i f f R If x A x A Then y f i n = = = = = = = 1 1 1 * 1 1 2 2 y / ˆ : , ( 1,2,..., ) 1 2 是 和 是 i 1 ,i 2 =1,2,3 ⑵ 后件为一阶线性方程 ( , ) (j 0,1,2) ( , ) ˆ ( , ) 1,2,..., : , ( , ) 1 2 0 1 1 2 2 1 2 1 1 1 2 1 * 1 1 1 2 2 2 1 2 是常数 是 和 是 = + + = = = = = = = = i i i i ij n i i i n i i n i i i i i i i f x x a a x a x a y f x x f x x i n R If x A x A Then y f x x = = n i i i i i i i x x x 1 ˆ ( ) ( )/ ( )
0 前提 结论