模糊神经网络(Fuzzy Neural Network, FNN)

背景

系统复杂度的增加，人工智能深度化发展

• 模糊数学创始人L. A. Zadeh, 1921. 当系统的复杂性增加时，我们使它精确化的能力将减小。直到达到一个阈值，一旦超过它，复杂性和精确性将互相排斥。
• 模糊集理论：集合讨论一个对象具有某种性质时记作A，不具有这种性质时记作非A，且两者必居其一，决不允许模棱两可，而没有考虑这种性质的程度上的差异。

神经网络

分布式➡️容错、学习，无法利用系统信息、专家知识

• 只能描述大量数据之间的复杂函数关系
• 将知识存在权系数中，具有分布存储的特点
• 涉及的神经元很多(并行工作)，计算量大
• 权系数可由输入输出样本中学习，无需人来设置
• 黑箱模型，参数不直观，物理意义不明确。

模糊系统

系统性、专家知识➡️推理，建库困难、自适应困难

• 表达人的经验性知识，便于理解
• 将知识存在规则中

模糊神经网络

神经网络与模糊系统的结合，在处理大规模的模糊应用问题方面将表现出优良效果。

模糊神经网络本质是将模糊输入信号和模糊权值输入常规的神经网络。其结构上像神经网络，功能上是模糊系统。

学习算法是模糊神经网络优化权系数的关键。

总结：模糊神经网络虽然也是局部逼近网络，但是它是按照模糊系统模型建立的，网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统或定性的知识来加以确定，然后利用上述的学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比前面单纯的神经网络的优点所在。同时由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。

References:

模糊神经网络背景、理论、应用综述https://wenku.baidu.com/view/22590c72cc17552706220818.html

浅析模糊神经网络https://wenku.baidu.com/view/94f77a7384868762cbaed58f.html