本文介绍了一种能够构建具有自适应形状的不可分离模糊规则的新间隔-2模糊神经网络。为了反映不确定性,模糊集的形状被认为是不确定的。因此,提出了一种基于能够构造不同形状(包括三角形,钟形,梯形)的通用高斯模型的新形式的间隔类型-2模糊组。要考虑输入变量之间的相互作用,输入向量将转换为新的特征空间,具有用于定义每个模糊规则的不相关变量。接下来,使用具有自适应形状的所提出的间隔类型-2模糊组来馈送到模糊化层。因此,考虑变量和不确定性的局部相互作用,因此形成具有适当形状的间隔类型-2不可分离的模糊规则。对于缩短的缩小,每个模糊规则的上部和下射击强度的贡献自适应地单独选择。为了培训网络的不同参数,利用Levenberg-Marquadt优化方法。在清洁和嘈杂的数据集上调查了所提出的方法的性能,以表明考虑不确定性的能力。此外,所提出的范式,成功地应用于现实世界的时间序列预测,回归问题和非线性系统识别。根据实验结果,我们提出的模型的性能优于具有更加规模的结构的其他方法。
translated by 谷歌翻译