基于云变换的云神经网络.doc

《基于云变换的云神经网络.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于云变换的云神经网络一、引言云神经网络具有良好的性能，原因在于：⑴BP短发对初始权值非常敏感，而云变化能从样本数据中提取初始的网络权值，这大大提高了训练速度。⑵云神经网络能较好的体现随机性、模糊性和两个样本之间的相关性基于云变换的云神经网络实现步骤：⑴通过云变换，把连续数据离散化，实现定量与定性之间不确定的转换。从而得到云的数字特征。⑵用前一步得到的云数字特征来初始化云神经网络的权值。⑶云神经网络训练：训练云神经网络，通过训练样本来调整权值。模型的准确度达到规定要求后，训练结束。⑷把测试样本输入网络，

2、进行预测。二、云变换的步骤：⑴对属性的论域中的每一个可能属性值，计算数据库中含有该属性值的记录个数，得到的频率分布函数。⑵寻找数据分布函数分波峰所在位置，将其属性值定义为云的质心位置（期望），计算用于拟合的，以为期望的云模型的熵，计算云模型的分布函数。⑶从中减去已知云模型的数据分布，得到新的数据分布函数，并在此基础上重复⑵、⑶，得到多个基于云的数据分布函数。⑷根据已知的，最后得到的拟合误差函数及各个云模型的分布函数，计算基于云模型的定性概念的3个特征值。三、云神经网络结构图①第一层：输入层，设输入值输入

3、：，输出：，②第二层：前向云发生器层，每个节点代表一个语言变量，产生隶属度输入：输出：（；）③第三层：软与层，每个节点代表“软与”运算，功能是匹配云规则及产生每个规则的隶属度。“软与”操作可通过多维正态云来表示。...输入：输出：其中（为规则数）是第个输入元素相对于第条规则的超熵。④第四层：标准化层。它的功能是标准化确定度。输入：，输出⑤第五层：后向云发生器层。它的功能是反模糊化，并输出计算的值。输入：输出：四、网络的学习算法参数的自适应调节算法采用BP算法。网络输出误差的学习函数为，其中是理想输出，是

4、实际输出。①后向云发生器层。反传误差项为参数修正项其中②标准化层。反传误差项为其中③软与层。反传误差项为当是第个规则节点的一个输入时否则②前向云发生器层。反传误差项为得到所求的一阶梯度为a)在求得所需的一阶梯度后，最后给出参数调整的学习算法为其中为学习速率。b)的调整方法如果，确定了，则定性概念的中心和宽度就确定了，那我们就可以利用反向云算法来获得超熵的值。反向云算法为：输入：定性概念的样本点输出：每个定性概念的超熵步骤：（1）计算属于定型概念的样本方差。设，则样本方差为。（2）计算超熵。。