模糊神经网络技术研究的现状及展望
模糊神经网络技术研究的现状及展望
摘要：本文对模糊神经网络技术研究的现状进行了综述，首先介绍了模糊控制技术和神经网
络技术的发展，然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性，接着对
模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述，指出了目前模糊神经网络
的研究发展中还存在的一些问题，并对模糊神经网络的发展进行了展望。
关键字：模糊控制；神经网络；模糊神经网络
引言
系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此，通过模拟人类学习和自适应能
力，人们提出了智能控制的思想。控制理论专家Austrom（1991）在IFAC大会上指出：模糊
逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验
上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定
性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种
典型的智能控制方法，各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取
了模糊逻辑和神经网络的优点，避免了两者的缺点，已成为当今智能控制研究的热点之一了。
1 模糊神经网络的提出
模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年，英国著名学者
E.H.Mamdani将模糊逻辑和模糊语言用于工业控制，提出了模糊控制论。至今，模糊控制已
成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。
人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮，其基本思想是从仿生
学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆，分类和优化计
算等功能，在解决高度非线性和严重不确定系统的控制问题方面，显示了巨大的优势和潜力
模糊控制系统与神经网络系统具有整体功能的等效性[2]，两者都是无模型的估计器，都不
需要建立任何的数学模型，只需要根据输入的采样数据去估计其需要的决策：神经网络根据
学习算法，而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上，两者
具有相同的正规数学特性，且共享同一状态空间[3]。
另一方面，模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是
从输入到输出的“黑箱式”非线性映射，但不具备像模糊控制那样的因果规律以及模糊逻辑
推理的将强的知识表达能力。将两者结合，后者正好弥补前者的这点不足，而神经网络的强
大自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。
因此，模糊逻辑和神经网络虽然有着本质上的不同，但由于两者都是用于处理不确定性问题，
不精确性问题，两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射
能力[4]；Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT，Fuzzy Approximation
Theorem)[5]；Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots和Grabish(1993)、
Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和
神经网络有着密切联系，正是由于这类理论上的共性，才使模糊逻辑和神经网络的结合成为
可能。
2 模糊神经网络的学习算法
各种类型的模糊神经网络学习算法的共同方面是结构学习和参数学习两部分。结构学习是指
按照一定的性能要求确定模糊系统的推理规则的条数，每条规则的前提和结论的隶属度函数
以及由清晰化得到具体的规则数。参数学习是指进一步细化各隶属函数的参数以及模糊规则
的其他参数，以使系统达到最优。结构学习主要是从输入输出数据中提取规则或由输入空间
模糊划分获得规则，主要有启发式搜索、模糊网格法、树形划分法、基于模糊聚类的学习算
法等[7]。参数学习方法主要有共轭梯度法、最速下降法、BP算法等其他方法。吴艳辉等提
出了一种在结构学习中用竞争算法优化隶属函数，保证规则前件提取高效，在参数学习中采
用梯度下降法调整网络参数[8]。刘瑞兰等[9]提出了一阶TSK模糊神经网络的混合学习算法，
算法由三部分组成：基于模糊聚类的网格初始化；基于梯度下降的规则前件的学习算法；基
于部分最小二乘的规则后件的学习算法。该混合算法可以根据训练样本的分布自动确定模糊
神经网络的初始值，当输入变量个数多时不会出现模糊规则数爆炸现象，训练速度快，模型
精度高。将混合学习算法应用到PTA工业过程中4-CBA含量的软测量建模中，取得了令人满
意的效果。
3模糊神经网络的结构及确定
典型的模糊神经网络一般由输入层，输出层，模糊化单元，规则层等等组成的多层前向网络，
其中输入和输出层分别代表状态和控制与输出信号。隐层节点能产生隶属函数和控制规则，
并可以将专家知识置入网格结构之中。网络的结构确定，包括隐层数，每层节点数，互连方
式，连接权系数。目前模糊神经网络的结构多种多样，一种是用现成的网络，如选用BP网
络，RBF网络，CMACM网络等。另一种是专门用途的网络，大概十多种。
对于模糊神经网络结构的确定有传统方法和自动方法[10]。传统方法常用经验来设计，用梯
度方法来学习权系数，再根据经验不断调整网格结构。自动设计有两种，即连接主义设计方
法和演化设计方法。连接主义设计方法，包括增补算法和削减算法。增补算法先由一个简单
的网络开始，然后在训练中不断根据需要添加隐层节点和连接。削减算法则从一个较大的网
络开始，在训练过程中剪除那些不必要的节点和连接。主要的研究成果有：Fukuda用遗传
算法对模糊神经网络进行了优化，并保证了模糊规则的修正与初始状态无关[11]。方建安、
邵世煌提出一种自组织神经网络模糊控制器，可以实现模糊控制器的最小且结构最优[12]。
4模糊规则的提取
最早模糊规则是从专家经验中得到，常常不够准确，主要集中在两个方面：一是基于神经网
络的研究，它利用了神经网络的自适应特点，并同时解决了网络的“黑箱”问题，如KBANN
系统和FU的KT方法。近些年来，一些学者提出了从输入输出数据中产生模糊规则。Kosko
提出空间聚类法，Lin用BP网络辨识模糊规则和调整隶属函数，Ishibuchi建立了一个带有模
糊权和模糊阈值的多层前馈神经经络。Wang等提出了构造一个接近最小构成的模糊系统来
逼近非线性函数的方法。荣莉莉等从知识的角度考察阶层型神经网络的结构及参数[13]，该
方法不用精简网络结构，不改变网络以往的BP学习算法，即使不学习也能大致跟踪样本[14]。
另一种方法，直接利用遗传算法对规则编码，遗传进化得到系统规则。
5模糊神经网络的发展现状
目前，将模糊神经网络用于控制一般都是与其他控制方法相结合。如，将模糊神经网络与自
学习控制结合[15]；将模糊神经网络与变结构控制结合[16];将模糊神经网络与自适应控制结
合[17]等。其中大多数关于模糊神经网络控制方面的文献都是关于模糊神经网络在自适应控
制中的应用。在自适应控制中引入模糊神经网络建模工具，将进一步改善神经网络自适应控
制的鲁棒性和实时性，特别适用于具有不确定性的非线性系统跟踪控制问题。但这类控制器
的结构一般都是固定不变的，有可能造成如下两个问题。
神经网络本身的结构和性能不一定最佳，有时甚至会出现局部最优问题，造成学习的效果不
理想。同时不利于模糊控制规则的增减，有可能造成模糊规则的冗余或欠缺，影响控制量计
算速度或控制精度。
由于模糊规则的获取在一定程度上取决于先验知识，即有关被控制对象特征的知识，这对复
杂的控制对象来说具有很大的困难。
针对问题（1），可以用具有动态结构的神经网络[18]进行推理，自动地选择最理想的神经网
络结构来进行控制。对问题（2），自从Procyk和Mamdani最早提出自组织方法以来，出现
了许多调整方案[19]可以很好地解决它。正是因为自组织控制在这方面的优势，使得在近几
年中，变结构自组织模糊神经网络控制方案[20]出现得较多。现在的自组织控制一般都是通
过神经网络的结构和参数的学习，在线调整模糊神经网络的结构、增减模糊控制规律，调整
控制规则参数来改善控制性。
6展望
一般工业过程复杂又存在严重的非线性，而模糊神经网络在解决非线性控制的问题上具有许
多优点。因此，模糊神经网络和自适应控制及预测控制等先进控制思想结合，必将在工业生
产领域取得巨大的发展。模糊神经网络技术的未来研究发展方向应集中于一下几个方面：
研究模糊逻辑和神经网络的对应关系，将模糊控制器的调整转化为对阶的神经元网络学习，
利用等价的模糊逻辑来初始化神经元网络。
拓展模糊神经元网络的应用范围，寻找一般模糊集的模糊神经元网络的学习算法。
利用模糊逻辑加快神经元网络的学习速度，然后用此神经元网络来构造高性能的模糊控制器。
开发模糊神经元网络的相关硬件产品。
开发工程化应用的模糊神经网络开发平台。可以预见，随着理论的向前发展，随着工程应用
的进一步深入，模糊神经网络技术必将不断丰富和完善，从而获得更加广泛的应用。
参考文献
[1] . Zadeh L A.Fuzzy Sets.Information and Control,1965,8:338-353
[2]. Buckley J J.On the Equivalence of Neural Nets and Fuzzy Expert Systems.Fuzzy Sets and Systems,1993,53:129-134
[3]. Kosko Bart.Neural Networks and Fuzzy Systems.Prentice-Hall Inc,1992
[4].Homik K,Stinchcombe M,White H.Multiplayer feedforward networks are universal
approximator[J].Neural Computing,1990,2:210~215
[5].Kosko B.Fuzzy systems as universal approximators[J].IEEE Transactions on
Computers,1994,43(11):1329~1333
[6].Wang L,Mendel J.Fuzzy basis functions,approximation and orthogonal least squares
learning[J].IEEE Trans.on Neural Network,1992,3(5):807~814
[7].李人厚，智能控制理论和方法[M].西安：西安电子科技大学出版社，2007
[8].吴艳辉，陈雄，多输入模糊神经网络机构优化的快速算法[J].复旦学报：自然科学版
2005,44（1）
[9].刘瑞兰，苏红业，褚健.模糊神经网络的混合学习算法及其软件测量建模[J].系统仿真学报，
2005,17（12）
[10].虞和济，基于神经网络的智能诊断[M].北京：冶金工业出版社，2000
[11].周金荣，黄道.遗传算法的改进及其应用研究[J].控制与决策，1995,7（3）
[12].荣莉莉，王众托.从样本数据中获取规则的一种算法[J].计算机仿真，2005,22（9）.
[13].刘坤，遗传算法自适应模糊神经网络控制[J].计算机仿真，2005,22（9）.
[14].方建安，邵世煌.采用遗传算法自组织神经网络模糊控制器[J].中国纺织大学学报，
1997,23（6）：29-35
[15]. 王晓晔，李少远.神经网络自学习模糊控制及其在合成氨生产中的应用.控制与决策，
1999,14（增）：613-616
[16].葛红，毛宗源.变结构神经网络模糊控制器的研究.控制理论与应用，1999，16（5）：
687-690
[17].廖俊，林建亚.基于神经网络的自适应模糊控制器.1995,24（5）：313-315
[18].叶其革，吴捷.一种自组织模糊神经网络控制器.控制与决策，1998,13（6）：694-698
[19].毛宗源，狄狰.自调整比例因子FUZZY控制燃烧炉燃烧过程.自动化学报，1991,16（2）：
184-189
[20].叶其革.基于自组织模糊神经网络电力系统稳定器的设计.控制理论与应用，1999,16（5）：687-690