神经网络中的模糊性

人工神经网络 (ANN) 是一种高效的计算系统网络，其核心思想借鉴了生物神经网络的类比。ANN 也被称为“人工神经系统”、“并行分布式处理系统”、“连接主义系统”。ANN 拥有大量相互连接的单元，这些单元以某种模式连接，以便单元之间可以进行通信。这些单元，也称为节点或神经元，是简单的并行运行的处理器。

每个神经元都通过连接链路与其他神经元连接。每个连接链路都与一个权重相关联，该权重包含有关输入信号的信息。这是神经元解决特定问题最有用的信息，因为权重通常会抑制正在传递的信号。每个神经元都有其内部状态，称为激活信号。输出信号是在组合输入信号和激活规则后产生的，可以发送到其他单元。它还包含一个偏置“b”，其权重始终为 1。

为什么在神经网络中使用模糊逻辑

正如我们上面所讨论的，ANN 中的每个神经元都通过连接链路与其他神经元连接，并且该链路与一个包含有关输入信号信息的权重相关联。因此，我们可以说权重包含解决问题的有用输入信息。

以下是在神经网络中使用模糊逻辑的一些原因：

• 模糊逻辑主要用于在神经网络中从模糊集定义权重。

• 当无法应用清晰值时，使用模糊值。

• 我们已经学习过，训练和学习有助于神经网络在意外情况下表现更好。那时，模糊值比清晰值更适用。

• 当我们在神经网络中使用模糊逻辑时，值不必是清晰的，并且可以并行进行处理。

模糊认知图

这是神经网络中的一种模糊形式。基本上，FCM 就像一个具有模糊状态（不仅仅是 1 或 0）的动态状态机。

在神经网络中使用模糊逻辑的困难

尽管模糊逻辑具有许多优点，但在神经网络中使用它也存在一些困难。困难与隶属规则有关，需要构建模糊系统，因为有时很难根据给定的复杂数据集推导出它。

神经网络训练的模糊逻辑

神经网络和模糊逻辑之间的反向关系，即使用神经网络训练模糊逻辑也是一个很好的研究领域。构建神经网络训练的模糊逻辑的两个主要原因如下：

• 借助神经网络可以轻松学习新的数据模式，因此它可以用于预处理模糊系统中的数据。

• 神经网络由于其学习新输入数据新关系的能力，可以用来改进模糊规则以创建模糊自适应系统。

神经网络训练的模糊系统的示例

神经网络训练的模糊系统正在许多商业应用中使用。现在让我们看几个应用神经网络训练的模糊系统的例子：

• 日本横滨的国际模糊工程研究实验室 (LIFE) 拥有一个反向传播神经网络，可以推导出模糊规则。该系统已成功应用于外汇交易系统，大约有 5000 条模糊规则。

• 福特汽车公司已经为汽车怠速控制开发了可训练的模糊系统。

• 国家半导体公司的神经模糊软件产品 NeuFuz 支持使用神经网络为控制应用生成模糊规则。

• 德国 AEG 公司在其节水节能机器中使用神经网络训练的模糊控制系统。它总共有 157 条模糊规则。