7、具有不对称隶属函数的递归区间2型模糊神经网络解析

具有不对称隶属函数的递归区间2型模糊神经网络解析

1. 引言

近年来，模糊系统与控制成为模糊逻辑系统应用最为广泛的领域。传统模糊系统模型采用1型模糊集，将论域中的元素映射到单位区间[0, 1]内的精确数值。而2型模糊集由Zadeh提出，作为对典型1型模糊集的扩展。Mendel和Karnik进一步发展了区间2型模糊逻辑系统（iT2FLSs）。

2型模糊逻辑系统（T2FLSs）比1型更为复杂，但其在前件和后件集上的差异，使其在函数逼近、建模和控制应用中表现更优。同时，神经网络在预测、分类和控制等领域有众多实际应用，其关键在于通过训练过程获得连接权重。基于T2FLSs和神经网络的优势，2型神经模糊系统被提出，用于处理系统不确定性、减少规则数量和计算量。此外，递归神经网络具有存储过去信息和加速收敛的优点。

模糊分区和规则引擎的设计通常会影响系统性能。为简化设计，常使用对称和固定的隶属函数（MFs），如高斯、三角隶属函数，但要达到指定的逼近精度，往往需要大量规则，或导致较大的逼近误差。一些方法被用于优化模糊MFs和选择有效的结构与参数学习方案，其中，不对称模糊MFs（AFMFs）的研究表明，使用AFMFs可提高逼近能力。

本文旨在介绍一种具有不对称隶属函数的递归区间2型模糊神经网络（RiT2FNN - A）。不对称高斯函数作为一种新型隶属函数，逼近效果出色，能为模糊神经网络提供更高的灵活性，更准确地逼近最优结果。此前虽有文献提出具有AFMFs的T2FNN（T2FNN - A）可提升系统性能，但网络结构为静态模型。本文提出的RiT2FNN - A结合了区间2型模糊不对称隶属函数和递归神经网络系统，是T2FNN的改进版本，能捕捉系统动态信息，扩展应用领域至时间相关问题。 <