防辐射服评测模糊神经网络
一、模糊理论
在集合论中，一个对象要么属于要么不属于一个集合，仅仅表示的是“非 此即彼”的观念。但是在现实生活中，“亦此亦彼”和不确定的现象比比皆是，比如：温水和热水，物理学中速度的快慢，天气的好与坏，年轻与年老。这些概念处于过渡状态中，相互融合，彼此之间的分界线不清晰，因此很难用精确的尺度来进行划分。这种现象就被称为是模糊现象，对于模糊概念，经典的数学理论是无法解决的。
二、模糊神经网络的优点
模糊系统和神经网络在处理对象、数据的确定性等方面都存在着差异， 神经网络具有自学习的能力、并行处理能力强，但不能处理模糊的知识，因此不能很好利用专家的经验。而模糊系统善于处理不确定的信息，但在数据处理时推理速度慢、精度较低，很难实现自适应学习。 如果能够将两者有机的结合在一起，便能大大发挥各自的优势并弥补不足。将模糊化的数据输入到神经网络中，通过神经网络的学习能力提取模糊规则，使得模糊系统具备了泛化能力。使得模型不仅能够处理精确化的信息，同时也能处理模糊信息，丰富了神经网络与模糊系统的运用。
三、程序
1、 网络训练
%循环开始，进化网络
for iii=1:maxgen
iii
for k=1:m
x=inputn(:,k);
%输出层结算
for i=1:I
for j=1:M
u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));
end
end
%模糊规则计算
for i=1:M
w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);
end
addw=sum(w);
for i=1:M
yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);
end
addyw=yi*w’;
%网络预测计算
yn(k)=addyw/addw;
e(k)=outputn(k)-yn(k);
%计算p的变化值
d_p=zeros(M,1);
d_p=xite*e(k)*w./addw;
d_p=d_p’;
%计算b变化值
d_b=0*b_1;
for i=1:M
for j=1:I
d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);
end
end
%更新c变化值
for i=1:M
for j=1:I
d_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);
end
end
p0=p0_1+ d_p+alfa*(p0_1-p0_2);
p1=p1_1+ d_p*x(1)+alfa*(p1_1-p1_2);
p2=p2_1+ d_p*x(2)+alfa*(p2_1-p2_2);
p3=p3_1+ d_p*x(3)+alfa*(p3_1-p3_2);
p4=p4_1+ d_p*x(4)+alfa*(p4_1-p4_2);
p5=p5_1+ d_p*x(5)+alfa*(p5_1-p5_2);
p6=p6_1+ d_p*x(6)+alfa*(p6_1-p6_2);
b=b_1+d_b+alfa*(b_1-b_2);
c=c_1+d_c+alfa*(c_1-c_2);
p0_2=p0_1;p0_1=p0;
p1_2=p1_1;p1_1=p1;
p2_2=p2_1;p2_1=p2;
p3_2=p3_1;p3_1=p3;
p4_2=p4_1;p4_1=p4;
p5_2=p5_1;p5_1=p5;
p6_2=p6_1;p6_1=p6;
c_2=c_1;c_1=c;
b_2=b_1;b_1=b;
end
2、网络预测
%数据归一化
inputn_test=mapminmax(‘apply’,input_test,inputps);
[n,m]=size(inputn_test)
for k=1:m
x=inputn_test(:,k);
%计算输出中间层
for i=1:I
for j=1:M
u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));
end
end
for i=1:M
w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);
end
addw=0;
for i=1:M
addw=addw+w(i);
end
for i=1:M
yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);
end
addyw=0;
for i=1:M
addyw=addyw+yi(i)*w(i);
end
%计算输出
yc(k)=addyw/addw;
end
四、结果展示
以往文章：
MATLAB编程—GRNN广义回归神经网络数据预测
MATLAB图像处理—计算角点算法SUSAN算子
MATLAB比较图像的相似度—图像搜索算法
MATLAB图像处理—CSS算子计算图像角点
MATLAB编写的声音均衡器的设计
MATLAB–小波神经网络-短时交通车流量预测
基于OpenCV的表情识别–通过识别眼镜和嘴唇
基于OpenCV的手势的实时检测与跟踪
毕业设计–机器学习–支持向量机–数据分类预测
机器学习–遗传算法优化BP神经网络（三）–非线性函数拟合
机器学习–BP神经网络（一）–语音特征信号–分类
使用OPenCV完成四路车道车流量统计
MATLAB编程——-Foerstner算子计算角点MATLAB图像处理计算图像角点——Moravec算法实现
基于OpenCV检测血液分层界面—-图像处理
