「神經網路」之後，「模糊控制」會成為ai領域的下乙個引領理論嗎?
這篇文章中說到模糊控制最早應用於自動化控制方面，為的是能夠讓專家經驗量化，實現更加專業的自動化控制。同時它以全自動烤地瓜爐為例，將模糊控制和機器學習進行對比。同時提出模糊控制依然可用於家用電器這類資料難以量化的領域，其取得的結果與機器學習差異不大。而且模糊控制在對感情傾向的研究中占有絕對優勢
搜尋模糊控制和神經網路差別的時候，出現了模糊神經網路，在百度百科中的發展動向中，對其差別進行了解釋：
人工神經網路是模擬人腦結構的思維功能，具有較強的自學習和聯想功能，人工干預少，精度較高，對專家知識的利用也較好。但缺點是它不能處理和描述模糊資訊，不能很好利用已有的經驗知識，特別是學習及問題的求解具有黑箱的特性，其工作不具有可解釋性，同時它對樣本的要求較高;模糊系統相對於神經網路而言，具有推理過程容易理解、專家知識利用較好、對樣本的要求較低等優點，但它同時又存在人工干預多、推理速度慢、精度較低等缺點，很難實現自適應學習的功能，而且如何自動生成和調整隸屬度函式和模糊規則，是乙個棘手的問題。如果將二者有機地結合起來，可起到互補的效果。
既然出現了模糊神經網路，那就要了解下它的效能
**模糊神經網路 這個ppt講的比較詳細
對該ppt進行總結：
1.模糊基本概念
* 隸屬函式：刻畫處於中間過渡的事物對差異雙方所具有的傾向性。常見的隸屬函式有三角函式、梯形函式和高斯函式
* 隸屬度：表示元素隸屬於集合的程度
2.模糊系統
* 該系統以模糊規則為基礎而具有模糊資訊處理能力的動態模型，構成為下圖
* 模糊化介面(fuzzification)主要將檢測輸入變數的精確值根據其模糊度劃分和隸屬度函式轉換成合適的模糊值
* 知識庫(knowledge base)中存貯著有關模糊控制器的一切知識，包含了具體應用領域中額知識和要求的控制目標，它們決定著模糊控制器的效能，是模糊控制器的核心，如專家經驗，if…then…
* 模糊推理機(fuzzy inference engine)根據模糊邏輯法則把模糊知識庫中的模糊「if-then」規則轉換成某種對映。模糊推理則是模擬人基於模糊概念的推理能力
* 反模糊化其(defuzzification)把輸出的模糊量轉化為實際用於控制的清晰量
3.兩者區別
* 從知識的表達方式看：模糊系統可以表達人的經驗性知識，便於理解，而神經網路只能描述大量資料之間的複雜函式關係，難於理解
* 從知識的儲存方式看：模糊系統將知識存在規則集中，神經網路將知識存在權係數中，都具有分布儲存的特點
* 從知識的運用方式看：模糊系統和神經網路都具有並行處理的特點，模糊系統同時啟用的規則不多，計算量小，而神經網路設計的神經元很多，計算量大
* 從知識的獲取方式看：模糊系統的規則靠專家提供或設計，難於自動獲取。而神經網路的權係數可由輸入輸出樣本中學習，無需人來設定
4.模糊神經網路(fuzzy neural network,fnn)
* 本質是向常規的神經網路輸入模糊訊號和模糊權值。
* 在fnn中，nn的輸入、輸出節點用來表示模糊系統的輸入、輸出訊號，神經網路的隱含節點用來表示隸屬函式和模糊規則，利用神經網路的並行處理能力使得模糊系統的推理能力大大提高
* fnn典型結構：
* 模糊系統的規則集合隸屬度函式等設計引數只能靠設計經驗來選擇，利用神經網路的學習方法，根據輸入輸出的學習樣本自動設計和調整模糊系統的設計引數，實現模糊系統的自學習和自適應功能。
* 結構上像神經網路，功能上是模糊系統
* 該網路共分5層，根據模糊系統的工作過程來設計，是神經網路實現的模糊推理系統。第二層為隸屬函式引數和三四層及四五層間的連線權是可以調整的
* 第一層：輸入層，為精確值。節點個數為輸入變數的個數
* 第二層：輸入變數的隸屬函式層，實現輸入變數的模糊化
* 第三層：「與」層，節點個數為模糊規則數。該層每個節點只能與第二層中每個輸入變數的隸屬函式節點中的乙個相連
* 第四層：「或」層，節點數為輸出變數模糊度劃分的個數，與第三層的連線為全互連
* 第五層：清晰化層，節點數為輸出變數的個數。與第四層全互連，將第四層各個節點的輸出轉換為輸出變數的精確值。
* fnn無論作為逼近器還是模式儲存器，都需要學習和優化權係數。而學習演算法是優化權係數的關鍵，演算法多來自神經網路，如bp演算法、rbf演算法等。
然而對fnn理解及應用還有一定距離，選擇在cnki中查詢相關**並進行實際應用。
模糊神經網路
pid proportion integration differentiation pid 閉環控制，比例積分微分 p 比例控制，僅比例控制系統輸出存在穩態誤差 i 積分控制，為消除穩態誤差 d 微分控制，抑制誤差 模糊性 由於事物類屬劃分的不分明而引起的判斷上的不確定性。模糊數學 研究和處理模糊...
神經網路的認識（一）神經網路的認識
特徵提取 我的理解就是將物體資料化，將乙個實體盡可能的描述成計算機可以懂得話，就比如定義乙個人，姓名 性別 愛好 出生地 出生日期 這樣可以給他打足夠多的標籤，就可以定義他是誰了，這個標籤就是特徵。使用神經網路有4個步驟 提取問題中實體的特徵向量作為神經網路的輸入，不同實體可以提取不同的特徵向量 定...
模糊神經網路 第41期 AI演算法 模糊神經網路
關注人工智慧教師，拓展人工智慧教育新認知 演算法在人工智慧 ai 領域非常重要，我們需要把實際問題抽象成數學問題，再讓機器對數學問題進行求解。而演算法的選擇直接導致了能否解決問題，以及以多少成本解決問題。第01期 什麼是人工智慧 第3期 圖靈測試 第5期 神經網路 第8期 機器學習 第10期 大資料...