模糊神经网络优缺点精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的模糊神经网络优缺点主题范文，仅供参考，欢迎阅读并收藏。

第1篇：模糊神经网络优缺点范文

1模糊系统的Takagi?Sugeno模型

模糊系统理论［11］是沟通经典数学的精确性与现实世界中大量存在的不精确性之间的桥梁。它是以模糊集合的形式表示系统所含的模糊性并能处理这些模糊性的系统理论，能够有效地处理系统的不确定性、测量的不精确性等模糊性。Takagi－Sugeno模糊系统（T－S模糊系统）作为函数模糊系统的一种特例，由于构成的各条规则采用线性方程式作为结论，使得模型的全局输出具有良好的数学表达特性，这在处理多变量系统时能有效地减少模糊规则个数，具有很大的优越性［12］。其规则表达如下［13］：式中：Rj为第j条模糊规则；xi为模糊语言变量；Aij（xi）为xi的第j个语言变量值，它是定义在xi论域上的一个模糊集合，相应的隶属度函数为μjAi（xi）；pkji为模糊系统参数；yj为根据模糊规则得到的输出；If部分是前提或前件，then部分是结论或后件。

2T?S模糊神经网络

模糊系统在模糊建模的过程中常存在学习能力缺乏，辨识过程复杂，模型参数优化困难等问题。而人工神经网络具有自学习、自组织和自适应的能力，具有强大的非线性处理能力。二者的结合构成模糊神经网络，可以有效地发挥模糊逻辑与神经网络的各自优势，弥补各自的不足［14］。

2．1T?S模糊神经网络的结构基于标准型的T－S模糊神经网络结构如图1所示。第5层是输出层，它所实现的是清晰化计算。T－S模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，其结构与图1的前4层结构完全相同；后件网络用来产生模糊规则的后件，由N个结构相同的并列子网络组成［15］。

2．2T?S模糊神经网络的学习算法T－S模糊神经网络需要学习的参数主要有后件网络的连接权pkki以及前件网络第二层各结点隶属函数的中心值ckj及宽度σkj。令上述T－S模型的参数pkji固定，则T－S模糊神经网络结构可简化为图1。简化结构本质上也是一种多层前馈网络，所以可仿照BP网络用误差反传的方法来设计调整参数的学习算法［15］。

3应用研究

以下通过实例介绍T－S模糊神经网络在地下水水质评价中的应用。

3．1研究区概况吉林省西部地区位于松嫩平原的西南部，地理坐标为东经123°09′～124°22′，北纬44°57′～45°46′。研究区东接吉林省长春市，南接四平市及辽宁省，西邻，北接黑龙江省，东北以嫩江、松花江和拉林河与黑龙江省为界。吉林省西部属半干旱半湿润的大陆性季风气候区，四季变化明显。该区多年平均气温3～6℃，多年平均降雨量为400～500mm。研究区大部分属于松嫩盆地，该盆地为一个巨大的含水层系统，埋藏有多层含水层，包括孔隙潜水含水层和承压水含水层（分别为浅层、中深层）、上第三系大安组、泰康组孔隙－裂隙含水层（深层）和白垩系下统及上统裂隙孔隙含水层（深层）。研究区的地下水补给来源主要为降水入渗，排泄以潜水蒸发和人工开采为主。

3．2原始数据原始数据取自于吉林西部2005年50个地下水水化学监测点的水质监测数据，结合研究区地下水水质状况，有针对性地选择了铁、氨氮、硝酸盐、亚硝酸盐、硫酸盐、氯化物、溶解性总固体、氟化物和总硬度共9项指标作为评价因子。地下水水

3．3神经网络的准备工作（1）训练样本、检验样本及其期望目标的生成。采用Mat－lab7．0的linspace函数在各级评价标准之间按随机均匀分布方式内插生成训练样本。各级评价标准之间生成500个，共2000个训练样本，以解决仅利用各级评价标准作为训练样本，导致训练样本数过少的问题［16］。检验样本用生成训练样本同理的方法生成400个样本。小于一级标准的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的0～1．5之间的数值；一、二级标准之间的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的1．5～2．5之间的数值；同理，二、三级和三、四级标准之间的训练样本和检验样本的期望目标为2．5～3．5、3．5～4．5之间的数值。（2）水质评价等级的划分界限。据上述生成训练样本与检验样本目标输出的思路可以确定一、二、三、四、五各级水的网络输出范围分别为：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始数据的预处理。利用Matlab7．0中的mapminmax函数将原始数据归一化到0与1之间。

3．4T?S模糊神经网络的建立、训练、检验及水质评价

3．4．1T?S模糊神经网络的建立模糊神经网络的构建根据训练样本维数确定模糊神经网络输入／输出结点数、模糊隶属度函数个数。由于输入数据为9维，输出数据为1维，通过试错法确定模糊神经网络结构为9－18－1，即有18个隶属度函数。选择10组系数p0－p9，模糊隶属度函数中心和宽度c和σ随机得到，通过动态BP算法对网络的权值在线调整。隶属度函数采用高斯函数，模糊推理采用sum－product［14］，解模糊采用加权平均法。网络模型的概化如图1所示。T－S模糊神经网络的第3层输出为输入数据的隶属度函数；第4层输出为第条规则的平均激活度；后件网络实现了T－S模型模糊规则空间到输出空间的映射，输出为yj＝pkj0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。

第2篇：模糊神经网络优缺点范文

【关键词】温室；环境控制；智能控制；遗传算法

Abstract：Aiming at the importance of environment control technology in greenhouse，this paper summarized the research status on the development of greenhouse environment control methods at home and abroad，and analyzed the features and structures of greenhouse control systems.The main methods of greenhouse environmental control include PID，Expert System，Fuzzy Control，Neural Network，Evolutionary Algorithm and so on.Each control algorithm has its own advantages and disadvantages，the adoption of a single control algorithm can not satisfy the precision requirements of the environmental control of the greenhouse.Hybrid control algorithm that combined different algorithms can meet the control demands of modern greenhouse environment intelligent control well or to seek new robust control method.Their drawbacks were pointed out，and the development tendency of greenhouse environment control was expected too.

Key words：greenhouse；environmental control；intelligent control；genetic algorithm

1.引言

温室作物生产是高度集约化的设施农业产业，在解决我国三农问题和提高农业生产效率中的作用越来越突出。目前我国已是世界设施作物栽培第一大国，设施作物栽培面积超过了300万公顷。但与国外先进水平相比，目前最突出的问题是温室作物生产的产量低、能耗等生产成本高，因而经济效益较低。

温室是一个包括作物、设施、环境、栽培管理措施等诸多因子及其相互作用的复杂系统。如何协调这些因子的关系，以最小的投入为温室作物提供适宜的生长环境，从而达到高产、优质、高效和生态安全的温室生产目标，一直是国内外设施农业领域中研究的重点与热点问题。

温室环境控制即通过对相关的设施（如加热、通风、CO2施肥、肥水灌溉等设备）对温室环境进行自动调控，获得作物生长所需的适宜环境，从而大大提高作物产量与质量。因此，温室环境控制是解决以上突出问题的核心技术手段之一。本文对目前国内外温室环境控制的研究进展和成果进行综述，指出温室环境控制中的现存问题和发展方向。

2.温室环境控制研究现状

温室环境控制有3个不同的层次，即人工控制、自动控制和智能控制。3种控制方法在我国的生产生活中均有应用，其中自动控制在现代温室环境控制中应用最多，而智能控制具有处理非线性、时变和不确定信息等优点，理想的智能控制系统除了满足一般控制系统的性能要求外，还应具有自学习、自适应、自组织和自结构等功能。现代温室环境的智能控制[1]是目前的研究热点。

2.1 温室控制技术概况

温室智能控制系统作为一种资源节约型的高效农业技术，主要是在计算机综合控制下，创造适宜于作物生长的环境，实现优质、高效、低耗的工业化规模生产。要提高测控系统的性能除了硬件系统以外，控制算法也不可缺少。只有采用合理的控制算法，才能使温室环境的综合因子达到最优的控制效果，才能使温室控制系统达到智能化的水平。

目前温室环境控制中普遍采用的智能控制方法包括专家控制、模糊控制、神经网络、遗传算法和混合控制等。其中，混合控制将基于知识和经验的专家系统、基于模糊逻辑推理的模糊控制和基于人工神经网络的神经网络控制等方法交叉并融合，相互优势互补，使智能控制系统性能更理想，成为当今智能控制方面的研究热点之一。

2.2 控制算法在温室环境控制中的应用

温室环境控制系统是一个非线性、大滞后、多输入和多输出的复杂系统，其问题可以描述为：给定温室内植物在某一时刻生长发育所需的信息，该信息与控制系统检测部件所检测的信息比较，在控制器一定控制算法的决策下，各执行机构合理动作，创造出温室内植物最适宜的生长发育环境，实现优质、高产、低成本和低能耗的目标。

2.2.1 PID控制算法及应用

PID控制是自动控制中产生最早、应用最广的一种控制方法，在温室环境控制中应用最早。PID调节的实质是根据输入的偏差值，按比例、积分、微分的函数关系进行运算，将其结果用于输出控制。

PID控制适合一些较为简单的单输入、单输出线性系统，它靠控制目标与实际状态之间的误差来确定消除此误差的控制策略。采用常规PID控制器，参数不易在线调整，容易产生超调，抗干扰能力差，不能满足现代温室环境参数监控的要求。因此，在温室实际控制过程中，为了提高系统动态调节品质和控制精度，通常对常规PID控制进行改进。

朱虹通过对历史温室环境数据的合理分析，将温室的温度控制模型近似为一阶惯性加时滞环节，基于该温度近似模型用时间为权误差积分指标最优的参数自整定公式来整定PID控制器参数，将整定后的PID控制器应用于温室控制。余泳昌等研究的改进型PID控制算法在现代温室参数控制中进行了应用，其抗干扰能力方面比传统PID算法有一定的提高，使参数得到较精确的调整，使温室温度保持在最适宜的范围。Albert Setiawan等[2]在研究了温室控制算法PI控制器后，提出了拟微分反馈（PDF）控制方案，实验结果表明，PDF的控制效果在性能上（温室控制过程的静态误差，过渡过程时间，最大超调量）优于PI控制器的性能。但这种控制器的设计还是基于被控对象的数学模型，把温室的控制系统对象建模成一阶惯性滞后环节。这样对象模型的参数不同程度上随温室内空气流速，光照强度而变化，也随时间的变化而变化。因此被控对象是一个时变的对象，同时也是若干变量的函数，要想获得优化控制，创造一个适合作物生长的最佳环境有一定的难度。因此国内外学者目前大多采用智能控制方法对现代温室环境进行智能控制，并做了很多的研究，以下是温室环境智能方法控制方面的研究工作。

2.2.2 专家系统及应用

专家系统作为一种知识的载体，所表现出来的可靠性、客观性、永久性及其易于传播和复制的特性，是人类专家所不及的，因此在处理与解决某些领域问题时具有不可取代的重要作用。在温室生产中，影响作物生长的有室内和室外各种环境因子，作物和环境因子之间的关系非常复杂，难以模型化与定量描述。因此，在现代温室中可以利用专家经验知识建立作物生长参数与环境因素之间的关联系数。专家系统是应用人工智能技术，根据一个或多个专家提供的领域知识进行推理，模拟农业专家做决定的过程来解决那些复杂问题。

专家系统的基本结构由知识库、推理机、数据库、人机接口、解释机构及知识获取6部分组成[3]。专家系统善于解决不确定性的、非结构性的问题；它是靠知识和推理来解决问题，是基于知识的智能问题求解系统；它内部的知识和推理是相分离的，系统具有很好的灵活性和扩展性；它不仅能回答用户提出的问题，而且能够对最后的结论或处理问题的过程做出解释；它还有自学习能力，能不断的对自己的知识进行扩充、完善和提炼。沈天飞等在温室计算机控制系统的基础上，构建了一种专家控制平台，采用可组态的规则库和推理机制，以温室作物的生长指标作为依据，使农业科研人员能通过专家系统软件平台建立具体温室作物的计算机控制专家系统。龙利平等研究的加热实时专家控制系统，在外温的强扰动作用下，系统精度控制在0.5℃左右，完全满足温室温度控制的要求。文献[4]从工程实际出发，分析了温室气候计算机控制系统的要求，系统研究了温室气候计算机专家控制系统的设计与实现技术，对于提高温室气候的控制质量具有重要意义。

2.2.3 模糊控制算法及应用

温室环境系统是一个多变量，多耦合，非线性，大滞后的复杂动态系统，很难建立精确的数学模型。模糊控制不需要建立被控对象的精确数学模型，它是通过计算机完成人们用自然语言所描述的控制活动，其控制算法是把各种环境参数综合起来分析考虑，然后进行模糊控制[5]。模糊控制有许多良好的特性，它不需要事先知道对象的数学模型，具有响应速度快、超调小、过度时间短等优点，比PID控制调节速度快、鲁棒性好，但模糊控制稳态精度欠佳，只能实现粗略控制。

于海业等提出一种基于模糊控制算法的温室分季节、分时段的变温管理的控制方法。该系统能够很好的适应北方温室科学生产和自动化管理的要求，可满足温室作物栽培的需要。胥芳等建立了温室环境温度模糊专家控制系统的MATLAB仿真模型，仿真结果证明了该温室环境温度模糊控制策略的有效性及合理性。卢佩等采用模糊控制方法，通过建立模糊控制系统模型和对模糊控制器的设计，引入解耦参数，实现系统的温湿度解耦控制，提高了温湿度控制的精度。杨泽林等通过数据挖掘，利用采集的温室内、外温度及室内湿度数据对温室状态进行分类，提出一种基于各类别中的温室温、湿度变化率相关性进行模糊解耦控制。黄力栎等针对温室气候控制方法中温湿度之间的耦合作用，提出以温度控制为主、湿度控制为辅的控制策略，并建立两变量输入、三变量输出的控制主回路和补偿回路模糊控制系统，从而为温湿度控制提供了一种行之有效的方法。程昱宁等研究了温室冬季加热模式控制，采用Smith预测器先补偿掉系统大的延时，然后在Smith预测器前增加了模糊控制器，实现对温室的模糊控制。这种控制方式要比简单的模糊控制方式[6]在动态性能上有所改善。

2.2.4 神经网络控制算法及应用

神经网络采用黑箱方法能把复杂的系统通过有限的参数进行表达，具有自组织、自学习、非线性动态处理等特征，具有联想推理和自适应识别能力，不需要建立精确模型。神经网络优点是具有灵活性，适用于非线性和非物理数据，主要缺点是训练需要大量多维数据集，以减少推断风险[7]。

采用最常用的BP网络能对环境因子达到良好的控制效果。BP网络基本思想是最小二乘法，它采用梯度搜索技术，使网络的实际输出值与期望输出值的均方差最小。它由输入层、输出层和隐含层组成，隐含层可能含有一个或多个，每层由若干神经元组成。BP神经网络确实给温室检测系统模型的建立带来了方便，但神经网络是非线性的，进行稳定性分析相当困难。

Fathi Fourati等采用递归神经网络对温室进行直接动力学仿真，逆向神经网络与神经网络模型相结合以使系统的输出所需数值，给出仿真结果对温室的控制性能进行验证。R.Linker等建立可靠的温室环境和作物响应模型，通过消除不必要的输入，分别预测温度和CO2浓度使模型最简化，利用在小温室中两个夏季收集到的数据训练神经网络温室模型，实现温室内CO2注入和通风之间的平衡，达到了良好的CO2优化控制效果。P.M.Ferreira等[8]对混合离散训练方法和在线学习算法进行了分析，将离线方法应用于在线学习，利用线性非线性结构建立径向基函数神经网络，预测温室温度。

2.2.5 进化算法及应用

遗传算法是一种基于自然选择和群体遗传机理的搜索算法，它模拟了自然选择和遗传过程中的繁殖、和变异现象，遗传算法对复杂的优化问题不需要进行复杂的计算，只用遗传算法的3种算子就能得到最优解[9]。它的优点在于：通过参数空间编码并用随机选择的方法引导搜索向更高效的方向发展，对寻优函数基本无限制；通过目标函数来计算适配值而不需要其他推导和辅助信息，对问题的依赖性小；采用全局搜索，不易陷入局部最优点，更适合复杂大规模问题优化。

同济大学徐立鸿团队从97年开始在引进的荷兰温室中进行消化吸收其先进方法并针对本国温室环境系统特点进行研究工作，先后提出了基于栽培经验和参数辨识的温室环境多因子协调控制方法和基于温室环境动态模型和进化计算参数估计的多因子协调控制方法；基于Pareto最优的思想，利用多目标遗传算法对温室环境节能控制方法进行了有益的探讨，提出了相容优化控制算法；提出了对系统状态初值的不确定性鲁棒的温室环境系统相容优化控制方法；提出了基于温室环境动态模型对理想环境目标和能耗目标进行综合优化控制的新方法等。邓璐娟等采用多级控制策略，优化设定系统目标值来解决温室环境系统中多个时间响应常数相差过大的问题。设定系统优化目标值时，白天使植物获得最大的光合速率，夜间在满足植物生长和积温要求的前提下使温室处在能耗最小的状态下运行。构建了能量消耗为零（无加热、无制冷和无机械通风）时计算温室内部温度的模型，采用遗传算法对最优目标值进行搜索。计算结果取得了较高的效率又能节能。Hartmut Pohlheim等利用进化算法来计算温室系统的最优控制状态，每隔15-60分钟综合模型（短时间尺度模型）检测一下温室内的温度、湿度、CO2浓度，在约束条件下利用进化算法来优化温室环境控制以实现最大利润。

2.2.6 混合算法

（1）模糊PID控制算法

PID算法简单，可以实现精细控制，使系统准确跟踪设定值。模糊控制可充分利用现场和专家的经验，调节速度快，鲁棒性好，但只能实现粗略控制。对此将PID控制和模糊控制相结合，互补不足，采用混合模糊PID控制方法，解决温室环境调控中存在的时滞和模糊性问题。温室系统的延迟问题应该说是调控中很难处理的问题，任雪玲等运用预测技术解决了延迟问题，采用具有优化技术的PI和模糊控制混合技术进行调节，解决了粗调问题和细调问题。屈毅等针对温室控制对象存在的大滞后、大惯性等属性，传统控制方法的控制效果不甚理想的问题，在温室控制系统中，引入模糊PID控制方法。该方法能使温室温度控制系统根据季节的交替，时令的变化，实现优化控制，为农作物的生长发育提供合适的温度环境。

（2）基于遗传算法的优化模糊控制算法

遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。GA相比其它优化方法能更有效的求解复杂的寻优问题，为了解决模糊控制器设计中的困难，很多学者采用GA优化模糊控制规则，采用二进制编码法对控制规则进行编码，从而设计出具有自学习能力的模糊控制器。用GA调控模糊控制规则，既避免了GA优化过程的早熟现象，又可提高优化控制规则的速度。江苏大学毛罕平团队采用遗传算法优化隶属函数实现模糊控制器优化设计的方法，并将这种优化设计的模糊控制器应用于温室集散控制系统中[10]。

（3）模糊神经网络控制算法

模糊控制与神经网络相结合是一种新的技术，其主要特点是利用神经网络调整模糊推理系统的隶属度函数和推理规则，利用模糊推理规则的形式构造前向传播结构。另外，两者具有各自特性的互补性，神经网络完成的是从输入到输出的“黑箱”式非线性映射，但不具备象模糊控制那样因果规律以及模糊逻辑推理较强的知识表达能力。将两者有机地结合起来，神经网络强大的学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度，能更好的适应温室系统的非线性和时变特性。李等利用模糊神经网络控制器调节温室的温度因子，采用遗传算法优化高斯隶属函数的中心值和阈宽，用BP算法优化网络权值，提高了控制器的学习和调整能力。

2.2.7 其它方法的应用

Rodr’guez F.等采用分层控制法对温室作物生长进行控制，并进行了试验研究。第一个试验用自适应和反馈算法控制温室显示出良好的性能，第二个试验通过模型预测控制算法控制执行机构以获得良好的跟踪性能同时减小燃料消耗费用。J.P.Coelho等提出用粒子群优化算法设计基于模型的温室空气温度预测控制器，并与用遗传算法和逐步二次规划算法设计的控制器进行了比较，仿真结果显示用粒子群优化算法设计的基于模型的温室空气温度预测控制器效率更高。刘东利等采用神经网络模糊PID算法对温室内温度进行控制，取得了较好的动静态特性、鲁棒性和抗干扰能力。沈敏等考虑开关设备组合作用下温室测控系统的非线性动态特性，提出结构简单、不需复杂数值计算的离散预测模型，对设备组合进行滚动优化预测控制，大大简化温室测控系统预测控制算法的复杂性，缓解了测控系统分布大时滞问题。Tetsuo Morimoto等提出基于作物生长需求（Speaking Plant Approach），以及预测环境模型（PEM）方法来调控温室环境。这种做法[11]早在1980就提出了。只是当时的智能控制这一技术还没引起农业界的高度重视。随着科学技术的发展，现在基于神经网络，专家系统控制，模糊控制等技术使得基于SPA或PEM模型的温室调控成为可能。

3.存在的主要问题

各种控制算法各有优缺点，单一的采用某种控制算法，不能满足温室环境控制的精度要求。如模糊控制响应速度快、超调小、过渡时间短，但稳态精度欠佳，只能实现粗略控制。神经网络确实给温室系统模型的建立带来了方便，但神经网络是非线性的，进行稳定性分析相当困难。

国内有效的温室环境输入输出动态模型成果不多，并且在作物生长对温室环境反馈作用的方面研究的还不深入，所采用的模型在很大程度上进行了简化和近似，由于温室系统的复杂性以及存在的不确定性等因素，大大影响了实际中的控制效果，此外控制方法也是针对系统的部分特点难点有效，综合控制效果并不明显。

目前国内温室环境控制主要针对温度和湿度的控制进行研究，温室环境调控指标含糊，控制精度低，不能做到多环境因子综合控制。另外，国内外越来越重视对能源的节约，但是在节约能源的具体实现方法上还有待进一步研究。

4.展望

通过对目前国内外温室环境控制的研究现状进行分析，提出了今后温室环境控制系统的发展方向：

控制算法集成。由于现代温室环境控制系统是一个非线性、大滞后、多输入和多输出的复杂系统，单一的控制算法很难满足现代温室环境智能控制的要求，将多种智能控制算法集成，能进一步提高智能控制系统的性能，有效地为温室内作物创造最适宜的生长发育环境。

深入研究作物对温室环境的反馈作用机制，建立面向控制的适合我国温室的多环境因子综合环境控制输入输出动态模型。

进一步研究环境控制目标间冲突问题（如温度和湿度，CO2施肥的影响），环境控制精度和能耗目标冲突问题，对环境因子综合控制，并实现节能。

总之，未来的温室环境控制系统必将越来越以植物生长的最适宜环境为中心，以高效、节能为目标，大大促进设施农业的全面发展。

参考文献

[1]李锡文，杨明金，杨仁全.现代温室环境智能控制的发展现状及展望[J].农机化研究，2008（4）：9-13.

[2]Albert Setiawan，Louis D.A.，Richard M.P..Application of Pseudo-derivative-feedback Algorithm in Greenhouse Air Temperature Control[J].Computers and Electronics in Agriculture，2000，26（3）：283-302.

[3]李军，邹志荣，程瑞锋等.农业专家系统及其在园艺业中的研究与应用[J].陕西农业科学，2002（11）：22-25.

[4]郑秀莲.现代温室气候的专家控制系统[J].机电工程， 2003，20（3）：42-45.

[5]蓝淑渊，璩柏青.自寻优模糊控制器及其在温室温控中的应用[J].计算机时代，2005（10）：20-21.

[6]朱伟兴，毛罕平，李萍萍等.基于模糊控制的温室加热器的研究[J].农业工程学报，2002（3）：72-75.

[7]Ido Seginer.Some Artificial Neural Network Applications to Greenhouse Environmental Control[J].Computers and Electronics in Agriculture，1997，18：167-186.

[8]索兴梅，王崇桃.人工神经网络在农业中的应用研究[J].计算机与农业，2002（2）：6-7.

[9]任雪玲.温室环境多因子协调控制方法研究[D].上海：同济大学，2001.

[10]朱伟兴，毛罕平，李萍萍等.遗传优化模糊控制器在温室控制系统中的应用[J].农业机械学报，2002，33（3）：76-78.

[11]Tetsuo Morimoto，Yasushi Hashimoto.An Intelligent Control for Greenhouse Automation Oriented by The Concepts of SPA and SFA-an application to a post-harvest process[J].Computers and Electronics in Agriculture，2000，29（1-2）：3-20.

第3篇：模糊神经网络优缺点范文

1．1多源信息融合技术

信息融合是现代信息技术与多学科交叉、综合、延拓产生的新的系统科学研究方向，随着微电子技术、信号检测与处理技术、计算机技术、网络通信技术以及控制技术的飞速发展，各种面向复杂应用背景的多传感器系统大量涌现。

1．2多源信息融合技术在预警系统中的应用

目前信息融合技术在预警系统中已经取得了较为显著的成果，王刚毅为了实现对尾矿库进行实时监测和评估的功能，提出一种基于多源信息融合的预警和安全评估方法，对降低尾矿库溃坝风险及控制灾情损伤范围具有重要的意义。高强提出了一种基于T－S模型的模糊神经网络信息融合算法应用在赤潮的预测预警中，研究各种理化因子与赤潮藻类浓度间非线性对应规律和有效预测赤潮藻类浓度。苏晓燕提出了基于多因素信息融合的中国粮食安全预警系统，邓军提出了矿井火灾多源信息融合预警方法的研究。和前述其它系统一样，水上交通系统也具有很大的不确定性，如果能够采集各个影响因素的信息，则可以通过多源信息融合技术，从而实现有效船舶通航风险预警。

2水上交通安全预警的研究进展

2．1水上交通安全预警信息采集

水上交通安全单个预警信息包括水文、气象、船舶、交通流信息。水文和气象信息采集目前相对较为成熟，且在长江已经建立了相应的信息传感器，而对于船舶尺度和船舶交通流信息采集，取得了一定的成果。（1）船舶尺度采集。由于航运船舶通常为不规则形状的几何体，必须选测多个规定点的几何距离，计算出船体的若干个近似截面积，再结合船舶的航行速度计算出船舶的近似容积。因此，必须采用合适的非接触式测距技术，构造一个多传感器系统，测出船舶的相关几何距离。（2）交通流信息采集。严新平通过比较了多种交通流信息采集手段的优缺点，提出了一种多源信息融合的长江在航船舶交通流状态信息采集系统三层构架，其中由IC卡子系统、GPS子系统、CCTV子系统、雷达子系统、AIS子系统、RFID子系统以及激光扫描子系统组成信息采集层，依托现有的长江航运信息网络与公共通信网络设施组成信息传输层，由交通流数据库、电子航道图以及信息处理系统组成信息处理层。

2．2多源传感技术在水上交通安全预警应用前景

随着通讯与传感器技术的飞速发展，数据（如AIS信息、VTS信息等）的采集，推动了水上交通安全研究的发展；由此不断改进在水上交通安全事故的统计与机理模型。信息融合技术为水上交通安全预警提供了一个良好的平台，它将分布在不同位置的多个同类或异类传感器（水文、气象与通航环境信息）所提供的局部不完整的观测信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，降低其不确定性，形成对水上交通事故有个相对完整的感知与描述，从而提高水上交通事故预警决策与应急响应的准确性与效率。

3研究展望

3．1理论与方法研究

在船舶事故致因机理和系统安全工程理论研究基础上，分析船舶事故演化规律，及船舶事故与其影响因子的相关关系，明确船舶通航风险预警的概念、特征、功能与预警等方面内容；构建基于多源信息融合技术的船舶通航风险预警的基本理论框架与方法体系。

3．2信息采集技术研究

对于船舶通过桥梁通航风险，主要受到外部通航环境、桥梁尺度和船舶尺度因素影响，对于外部通航环境信息，宋成果提出了一种基于多功能航标的信息采集方法，目前内河航标配备间距约为1km左右，在该航段内的水文、气象信息相对稳定，可以为船舶通过桥区的外部通航环境提供信息来源，对于船舶的尺度，主要包括船舶的长度和宽度，考虑到需要提前获取船舶尺度信息从而实现桥梁主动预警，选取毫米波雷达作为船舶尺度的采集传感器，将毫米波雷达安装在桥梁上，并通过返回的图像信息获取船舶尺度信息。

3．3船撞桥预警模型建立

船撞桥多源预警模型的建立步骤如下：①在多源船撞桥预警信息收集与预处理基础上，构造完整的、相互独立船撞桥预警指标体系；②利用多源信息融合技术，建立多源船撞桥预警信息处理的贝叶斯决策法、人工神经网络法、无监督学习模式分类法、D－S证据推理算法和模糊推理算法等；③建立基于多源信息融合技术的船撞桥预警模型库。在上述多源信息融合方法中，论文考虑采用模糊推理的方法实现外部通航环境的信息融合，建立船撞桥通航风险预警指标体系（见图1）。在上述通航风险预警系统中，通过将风速传感器采集的风速信息、流速传感器采集的流速信息、能见度采集的能见度信息、毫米波雷达采集的船舶尺度信息和桥梁自身的相关信息进行融合，建立船撞桥预警系统。

3．4案例验证

本案例采用模糊推理的信息融合方法，分别建立了能见度、水流、风速、桥梁轴线法向与水流夹角和通航尺度的隶属度函数。通过建立相应的模糊推理规则可以获得船撞桥预警信息，以在不同风、流条件下的超尺度船舶预警进行验证，分别建立了小尺度、中等尺度、超尺度的10艘典型船舶进行计算，与《内河通航标准》船舶所需航迹带宽度进行比较，可以获得预警结果。

4结论

第4篇：模糊神经网络优缺点范文

【关键词】桥型选择；模糊综合评判法；隶属度矩阵

Study of Bridge Type Selection Based on the Fuzzy Comprehensive Evaluation Method

TIAN Chang-sheng ZHANG Qi

（CCCC Highway Survey & Design Co.， Ltd.， of Fhec， Beijing 100024， China）

【Abstract】As for the phenomenon of subjective desire and insufficient systematic evaluation existed in the selection of bridge type， a theoretical derivation based on fuzzy comprehensive assessment method is established in this passage. Meanwhile， the influence of security， feasibility， economical efficiency ，durability， aesthetics and environment protection are considered and a membership function matrix was established. Then， the contrastive analysis in corporate with practical engineering based on the continuous beam bridge， continuous rigid frame bridge and half-through concrete filled steel tube arch bridge is carried out， so that the quantitative value of each alternative bridge type could be obtained， and the appropriate type is determined.

【Key words】Bridge type selection；Fuzzy comprehension assessment method；Membership function matrix

0 引言

桥梁工程的建设对我国经济的飞速发展起到举足轻重的地位。目前我国的桥梁建设中，桥型选择仅有在桥梁养护规范中提到了桥梁评定的概念，且存在不完善之处，因此对桥型适应性与桥型选择技术是一个值得深入和系统研究的课题。

针对桥型的选择，国外的学者做出了研究，葛耀君等[1]从桥梁美学设计、概念设计出发同时结合桥梁结构防灾和耐久性、桥梁结构体系及其关键力学问题以及新材料新工艺新设备等多因素对桥梁设计及选型进行了分析，弥补中国桥梁在创新理念、工程质量和美学三方面的不足；周念先[2]对典型中小跨、大跨度、超大跨度桥梁的设计方案选择进行了系统论述，提出了依据桥位具体条件进行桥型方案合理选择的基本原则；孙吉书等[3]以模糊数学理论为基础，建立模糊综合评判模型，将桥梁美学、施工难度等定性指标用隶属度和权重来合理定量化，实现定量化的综合分析，最终得到最佳桥型方案；马士宾等[4]根据突变理论，建立桥型方案突变模型，通过对评价目标进行多层次分解，根据突变论归一公式进行量化递归运算，分别计算出不同桥型方案总突变隶属函数值，从而实现对桥型方案的分析与评判；姜忻良等[5]引入改进层次分析法的综合评价指标法，与灰色选型理论和模糊理论作比较，定性与定量相结合，计算简便、判读准确，是一种较科学、合理的桥梁型式选择方法。

以上研究都是针对国内的公路桥梁的桥型适应性研究主要局限于单座桥或单个项目，没有全国范围内具有较普遍意义的研究成果；对影响桥型适应性因素研究不够深入，缺乏系统性评价方法，主观性较强，难以准确地评价桥型的适应性。

因此本文在建立适合我国的公路桥梁桥型适应性评价方法与评价指标的基础上，运用模糊综合评判法，进一步分析环境条件对于桥型选择的影响，研究具体桥型综合适应性评价在桥型选择过程中的应用，通过逐层分析，归纳演绎，建立桥型选择模型，从而建立适合我国国情的公路桥梁桥型选择原则与选择方法。

1 模糊综合评判法

1.1 单级模糊综合评判

模糊综合评判是模糊决策中最常用的一种有效方法，在实际中，常常需要对一个事物做出评价（或评估），一般都涉及到多个因素或多个指标。它是以模糊数学理论为基础，建立模糊综合评判模型，将桥梁美学、施工难度等定性指标用隶属度和权重来合理定量化，实现定量化的综合分析，最终得到最佳桥型方案[6]。

模糊综合评判法的实质在于先利用模糊数学理论中的隶属度函数确定方法先确定出隶属度矩阵，在结合模糊算子，得出分数值，根据分数值的大小进行评判[7-8]。

单级模糊综合评判的一般方法步骤：

（1）确定因素集U={u1，u2，…，un}，即被评判的对象的品质是由哪些因素确定的；

（2）确定评判集V={v1，v2，…，vm}，为诸因素的m种评判所构成的评判集（或评语集、评价集）；

（3）求出评判矩阵R=（rij）n×m，R可以看为集合U到集合V的模糊关系，即对每个因素ui根据评判集作一个评判（ri1，ri2，…，rim），rij∈[0，1]，i=1，2，…，n从而确定出评判矩阵R=（rij）n×m，并且称（U，V，R）为模糊综合评判模型，U，V，R称为该模型的三要素；

（4）综合评判：对于权重A=（a1，a2，…，an），用模型M（∧，∨）取大-取小合成运算，可以得到综合评判B=A。R（bj=■ai∧rij）j=1，2，…m）。

1.2 多级模糊综合评判

由于实际问题的复杂性，运用1.1中的一级模糊综合评判法得不到准确的结果。在对复杂问题进行分析时，由于要考虑的因素较多，且各因素往往层次不同并具有模糊性，采用一般的单级模糊综合评判法只能解决单指标层的方案选择问题，即首先分为一级指标层，一级指标层中保护若干影响因素，然后一级指标层中的因素又可以细分为二级指标，最后先将每个因素拿出来单独对其评判，评判完后，再用模糊综合评判法对各级准则层中的每个因素实施评判，最后得到想要的评判结果[7]。

多级模糊综合评判的一般方法步骤：

（1）将因素集U={u1，u2，…，un}分成若干组U1，U2，Uk（1≤k≤n）使得U=■U■，且U■∩Uj=Φ（i≠j），称U={u1，u2，…，uk}为一级指标层的因素集。不妨设：

Ui={u1（i），u2（i），…，u■（i）}（i=1，2，…k；■n■=n） （1）

我们称Ui为二级指标层的因素集。

（2）设评判集V={v1，v2，…，vm}，由上述可知Ui={u1（i），u2（i），…，u■（i）}，我们对Ui中的ni个因素以某种方法（专家调研法或者隶属度函数法）进行单因素评判以后，即建立f：UiF（V），uj（i）fi（uj（i））=（rj1（i），rj2（i），…，rjm（i））（j=1，2，…ni）于是得到模糊综合评判中的隶属度矩阵为：

Ri = ■ （2）

设Ui={u1（i），u2（i），…，u■（i）}权重集表示为Ai={a1（i），a2（i），…，a■（i）}，由上述两个集合可得模糊综合评价矩阵Bi为：Bi=Ai 。Ri{b1（i），b2（i），…，bm（i）}（i=1，2，…k），其中bj（i）由模型M（∧，∨）确定，或根据模糊综合算子M（？，∨）、M（∧，+）、M（？，+）运算得到综合评判矩阵B=A。R（b1，b2，…，bm）∈F（V）。

（3）进行综合评价

通过权系数矩阵W与评价矩阵R的模糊变换得到模糊评判集S。设W=（μ）1×m，R=（rij）m×n那么：

S=w？R=（μ1，μ2，…，μm）？ ■=（S1，S2，…，Sn） （3）

其中“ 。”为模糊算子，我们只有用适合的模糊算子才能对矩阵进行模糊变换，为我们常用的几种模糊算子类型如下所示：

①M（∧，∨）算子

Sk=■μj∧rjk）=■{min（μj，rjk）} ，k=1，2，…n （4）

符号“∧”为取小，“∨”为取大。运算过程为首先对每个下标j求出μj与rjk的最小值，然后从这些最小值里面取最大值。

②M（・，∨）算子

Sk=■μj・rjk）=■{μj・rjk}， k=1，2，…n （5）

③M（∧，？茌）算子

“？茌”是有界限的和运算，即比普通的加法运算多了个条件界限。对t个实数x1，x2，…，xt有x1？茌x2 ？茌…？茌xt =min1，■x■，利用M（∧，？茌）算子，有

Sk=min1，■min（μj，rjk）， k=1，2，…n （6）

④M（・，？茌）算子

Sk=min1，■μj rjk， k=1，2，…n （7）

上述四种模糊综合评价算子的优缺点如下表1所示：

表1 综合评价算子

Table 1 Comprehensive assessment operator

2 工程实际

2.1 工程概况

某桥桥位中心线与河流成860右交角。跨越河流，高速公路规划路，二环路。主桥全长为234m。该河为浅滩型河流，为中顺联围内河流，其水位、流量受联围控制，桥位处河面宽约140m，河道最深处高程-3.11m，两侧直立浆砌片石护岸，没有明显高堤坝。地层由海陆交互沉积岩（Q4mc）、冲洪积层（Q4al+pl）、下伏加里东期（Pzl）和燕山期（AY） 基层组成石英、云母，岩芯呈柱状、块状。本桥采用桩基础，选择中风化花岗岩作为桩端持力层。

2.2 主要技术标准

①公路等级：高速公路。

②设计车速：100km/h。

③设计车辆荷载：公路Ⅰ级。

④桥面宽度：全桥按六车道设计，由分离式左、右幅桥组成，桥面净宽2×15.40m，两幅桥间净距离0.7m。桥面内外侧设0.5m墙式防撞护栏，全桥总宽度33.50m。

⑤设计洪水频率：1/100。

⑥地震烈度：地震峰值加速度为0.1g，反应谱特征周期为0.40s，相应地震烈度为Ⅶ度。主桥按Ⅷ度进行抗震计算。

⑦通航要求：为Ⅳ级航道，航道净宽90m，净空8m。

2.3 方案拟定

该公路等级为高速公路，所处的桥位断面属于浅滩型，有通航要求，地基条件良好，有中风化花岗岩做为持力层，本桥无特殊景观要求，现选定三种桥型作为比较桥型：

方案一：三跨连续梁桥，跨径62m+110m+62m

方案二：三跨连续刚构桥，跨径62m+110m+62m

方案三：中承式系杆拱结构，跨径17m+200m+17m

表2 三种桥型比较

Table 2 Comparative analysis of three bridge types

3 桥型评价指标体系权重的确定

利用专家评价法构造两两比较矩阵[9]。

表3 一级指标层各因素的两两比较表

Table 3 Pairwise comparison of factors in first-grade index

表4 二级指标层各因素的两两比较表

Table 4 Pairwise comparison of factors in second-grade index

4 模糊综合评价值的计算

（1）本文是将定性的评价指标通过定量来进行描述。评价的结果是评语集C中的一个评语，最后将得到的各个指标的评语通过以下根据实际经验和推理得到的一个Fuzzy映射，得到评判矩阵R。

表5 由因素集到评语集的Fuzzy映射

Table 5 Fuzzy mapping from factor gather to comment gather

表6 隶属度评价指标量化表

Table 6 The assessment index quantification of membership

注：上表Fuzzy映射是根据实际经验和推理得到的。

（2）连续梁桥、连续刚构桥和拱桥的评语表[7-11]

表7 种桥型评价等级汇总

Table 7 The assessment grade summarizing of

three bridge types

（3）由表5和表6同时结合公式（3）可得连续梁桥的隶属度矩阵

S1= ■ = ■

得出了模糊评价矩阵后，进行模糊矩阵的复合运算，这里采用M（・，？茌）加权平均型算子通过：

Y1=W*S1=（0.309，0.168，0.121，0.229，0.086，0.086）*

■

=（0.0142，0.0782，0.2267，0.3722，0.3076）

最后得出连续梁桥的模糊综合评价分数：

F1=Y1*N=（0.0142，0.0782，0.2267，0.3722，0.3076）*■=0.8808

同理可得连续刚构桥的分数值为0.8424，拱桥的分数值为0.7493。

综上，采用多级模糊综合评价法评价，通过加权平均型算子计算结果如下：

表8 比选桥型的模糊综合评价分值

Table 8 Fuzzy comprehensive assessment grades of

three bridge type comparison

通过对三个桥型的对比分析发现连续梁桥的模糊综合值最高为0.8808，连续钢构次之为0.8224，拱桥最后为0.7493，该桥型选择结果与实际相符合。

5 结论

本文运用模糊综合评价法对特定环境下的备选桥型进行评价打分，得出以下结论：

（1）将定性分析与定量分析结合起来。把桥型适应性选择中的所有定性的问题通过科学的数学定量的办法来刻画，利用模糊运算又转化为怎么样定性地表示各个指标层地评价等级的问题，这样可以把定性分析的问题与定量分析问题的方法有机地结合起来，这样解决问题就保证了桥型适应性评价过程中的客观实际性；

（2）现有统计信息的不完善性使得对钢筋混凝土桥梁桥型选择的还存在一定的不确定性，但是这些不确定性又是在实际的分析过程中不可或缺的；

（3）通过三个方案的比较以及结合工程实际来分析，得到利用算出的模糊综合值来对选择桥型是比较符合实际的；

（4）本文所给出的是以专家评价为基础，通过工程调研以及理论计算得出的计算结果，在此过程中是以抽样的形式进行，难免会存在一定的误差，这将是我们下一步研究的重点。

【参考文献】

[1]葛耀君，项海帆.桥梁工程可持续发展的理念与使命[C]//第全国桥梁学术会议论文集（上册）.2010.GE Yao-jun，XIANG Hai-fan.The philosophy and mission of bridge engineering sustainable development [C]//The 19th national Bridge academic conference proceedings（volume one）.2010.

[2]周念先.桥梁方案比选[M].上海：同济大学出版社，1997：10.ZHOU Nian-xian.Bridge scheme comparison[M].Shanghai：Tongji University Press，1997：10.

[3]孙吉书，杨春风，艾忠华，等.模糊综合评价方法在桥型多方案选择中的应用[J].河北工业大学学报，2009，38（4）：99-102. SUN Ji-shu， YANG Chun-feng，AI Zhong-hua，ZHOU Ji.Application of Fuzzy Comprehensive Evaluation Method in Bridge Type Multi-scheme Selection[J].JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGY，2009，38（4）：99-102.

[4]马士宾，王选仓，魏连雨，等.突变优选理论在选择桥型方案中的应用[J].公路交通科技，2007，4（10）：68-71.MA Shi-bin，WANG Xuan-cang，WEI Lian-yu，CUN Hong-jun.Bridge Scheme Selection Based on Mutation Theory[J]. JOURNAL OF HIGHWAY AND TRANSPORTATION RESEARCH AND DEVELOPMENT，2007，24（10）：68-71.

[5]姜忻良，王丙兴，窦远明，等.综合评价指标体系在桥梁选型中的应用研究[J].土木工程学报，2009，42（7）：65-68.Jiang Xin-liang， Wang Bing-xing， Dou Yuan-ming， Sun Li-shan. Application of comprehensive indicator system for optimization of bridge schemes [J]. China Civil Engineering Journal，2009，42（7）：65-68.

[6]郭钊.模糊信息下既有钢筋混凝土桥梁时变可靠度评估[D].长沙：长沙理工大学，2012.Guo Zhao. Time-Dependent Reliability Assessment of Existing Reinforced Concrete Bridge under Fuzzy Information[D].Changsha：Changsha University of Science and Technology，2012.

[7]陈贻源.模糊数学[M].武汉：华中工学院出版社，1984.Chen Yi-yuan.Fuzzy mathematics[M].Wuhan：Huazhong institute of technology press，1984.

[8]尹宏宾，徐建闽，黄仕进.基于模糊神经网络的信号交叉通量预测方法研究[J].中国公路学报，2000，13（3）：78-81.YIN Hong-bin，XU Jian-min，HUANG Shi-jin.Traffic flow prediction of signalized intersections using fuzzy-neural approach[J]. CHINA JOURNAL OF HIGHWAY AND TRANSPORT，2000，13（3）：78-81.

[9]叶珍.基于AHP的模糊综合评价方法研究及应用[D].广州：华南理工大学，2010.Ye Zhen. Study and application of fuzzy comprehensive evaluation based on AHP[D].Guangzhou：south China university of technology，2010.

[10]陈守煜.工程水文水资源系统模糊集分析理论与实践[M].大连：大连理工大学出版社，1998：65-69.Chen Shou-Yu. The Fuzzy Sets Theory and Practice For Engineering Hydrology and Water Resources System[M].Dalian：Dalian university of technology press，1998：65-69.

[11]王怡.基于模糊层次分析法的环境综合评价[J].大庆石油学院学报，2008，32（2）：100-106.WANG Yi. Comprehensive appraisal of environment based on method of fuzzy and AHP[J]. Journal of Daqing Petroleum Institute，2008，32（2）：100-106.