11.3.6　混合方法

11.3.6　混合方法

混合模型集成了两种或多种软计算技术来解决问题，例如与GA相结合的神经网络（神经遗传），与模糊逻辑相结合的神经网络（神经模糊），并入GA的模糊逻辑系统（模糊）遗传算法以及结合了模糊逻辑和遗传算法（神经模糊遗传算法）的神经网络。在神经遗传模型中，神经网络调用遗传算法来优化其结构参数，从而优化模型的性能。在神经模糊模型中，ANN根据给定的输入—输出信息为模糊逻辑系统开发了可接受的if-then规则和隶属函数。混合系统同时利用了神经网络和模糊逻辑系统。软计算技术的集成提供了互补的推理和搜索方法，这些方法与领域知识和经验数据相结合，以开发灵活的计算工具并解决复杂的问题。

典型的混合模型是自适应神经模糊推理系统（ANFIS），其中在自适应网络的框架中实现了模糊推理系统。它的优点是神经网络的学习特性和模糊推理系统的专家知识。ANFIS模型是基于多层神经网络的模糊系统，共有五层。具有两个输入的ANFIS的结构如图10-7所示，输入和输出节点分别代表输入状态和输出响应。

图11-7　ANFIS模型结构图

如图11-7所示，第一层中的节点O1，i是具有隶属函数μ（x）的自适应节点：

式中，μAi和μBi-2分别是模糊集Ai和Bi的隶属度；{ai，bi，ci}是参数集，称为前提参数。

第二层中的节点O2，i将输入信号相乘，然后将乘积发送出去。每个节点输出代表规则的触发强度：

第三层中的节点O3，t是固定节点，并计算归一化的强度：

第四层中的节点O4，i是具有节点功能的自适应节点，并计算第i条规则对模型输出的贡献：

式中，是第3层的输出；{pi，qi，ri}是参数集，称为后继参数。

第五层中的单个节点O5是固定节点，并计算所有输出作为所有传入信号的总和：