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=2 ViAs(i/ a(r,)32 或 i=1 ∑AA(x)y-(x)HA4()2(加权)□6 5)简化后件部分 在N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:fx1是41和x2是A,2, Then y=f1(i=1,2,,n) y=∑∑始=∑A12=12,3 A(x)=(x)24(x) (2)后件为一阶线性方程 R:Jx是41和x2是4,2, Then y=f(x1,x2) i=1.2 =∑112)/∑=∑A1(1n f(x1,x2)=410+a1+a12x2=02)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