1、基于云變換的云神經網絡一、引言云神經網絡具有良好的性能，原因在于：BP短發對初始權值非常敏感，而云變化能從樣本數據中提取初始的網絡權值，這大 大提高了訓練速度。云神經網絡能較好的體現隨機性、模糊性和兩個樣本之間的相關性基于云變換的云神經網絡實現步驟：通過云變換，把連續數據離散化，實現定量與定性之間不確定的轉換。從而得到云 的數字特征。用前一步得到的云數字特征來初始化云神經網絡的權值。云神經網絡訓練：訓練云神經網絡，通過訓練樣本來調整權值。模型的準確度達到 規定要求后，訓練結束。把測試樣本輸入網絡，進行預測。二、云變換的步驟：對屬性Ak的論域中的每一個可能屬性值X，計算數據庫中含有該屬性值的記錄

2、個數，得到Ak的頻率分布函數f（X）。尋找數據分布函數 f（x）分波峰所在位置，將其屬性值定義為云的質心位置（期望）fi(x)。EXi，計算用于擬合f（x）的，以EXi為期望的云模型的熵，計算云模型的分布函數從f（X）中減去已知云模型的數據分布fi（x），得到新的數據分布函數f（X），并在此基礎上重復、，得到多個基于云的數據分布函數。根據已知的f（X），最后得到的擬合誤差函數f（X）及各個云模型的分布函數，計算基于云模型的定性概念的三、云神經網絡結構圖3個特征值。FirstSecond rhirdForth卜 itihFigure 2.Cloud neural nehvoric structu

3、re第一層：輸入層，設輸入值x x1 x2.xn輸入：fiXi（0）Xi，輸出：Xi gi(0)fi，i 1,2,n第二層：前向云發生器層，每個節點代表一個語言變量，產生隸屬度Ennijrandn (1)*2 En輸入:fij（2）仕EXij)2Enn2輸出:Xi（2）g(2)ef(X EXj)2Enn2( i 1,2,., n ； j 1,2,.,mi)第三層：軟與層,每個節點代表“軟與”運算，功能是匹配云規則及產生每個規則的隸屬度。“軟與”操作可通過多維正態云C(1,Enx11, Hex11,1,Enx；2, Hex；2,.,1, Enx, Hex' )來表示。Enn；1randn

4、 (1)* Hex：Enx11Enn?randn (1)* Hex；Enx22Ennrandn (1)* HexEnx輸入:i1j exp(荷(Enn,)22 1(En n22)2inn（Enn：戶輸出:x(3)ajg(3)fj其中i11,2,., m, ,i21,2,., m2 ,im1,2,., mnn1,2,., m; m mi ( m 為規則數)i 1Hexiik是第i個輸入元素相對于第 k條規則的超熵。第四層：標準化層。它的功能是標準化確定度。輸入：fixi，輸出x(4)ajgjfj4,j1,2,., m第五層：后向云發生器層。它的功能是反模糊化,并輸出計算的值。輸入：fjWijXj

5、1m _WijBjj 1輸出：Xi（5）yigi（5）fi,i 1,2,., r四、網絡的學習算法 參數的自適應調節算法采用BP算法。網絡輸出誤差的學習函數為后向云發生器層。反傳誤差項為參數修正項ij其中 i 1,2,., r標準化層。反傳誤差項為(ti y )2Efiij，其中ti是理想輸出，yi是實際輸出。(tiyjaj其中 j 1,2,., m軟與層。當 gij(2)否則反傳誤差項為E7(3)TjE14) jr E fi(5) g(4)-74)7(4)gj fjr(5)i 1 Tifkgk 1 fk g(3)fjij是第k個規則節點的一個輸入時SjfTk 7(2) gijij前向云發生器

6、層。反傳誤差項為E產'ij得到所求的一階梯度為Sjf Tkgijrk 1 Tkcgijgyij ' ij1mai)1fTkji-(2Q k Sijaik ak)ij jf eijk時e(Xi EXj)2EnnfEEXij旦T! fij EXijij2(X EXj)Enq2fij EngE EEnfij Enn Enijija)在求得所需的一階梯度后，最后給出參數調整的學習算法為ij(k 1)ij(k)E一，|ij1,2,., r, j 1,2,., mExij(k 1)Exij(k)E iExij ,I1,2,., n,j 1,2,., miEn ij(k 1)Enij(k)E iEnij ,I1,2,., n, j 1,2,., m其中為學習速率。b) He的調整方法如果Exj，Enj確定了，則定性概念的中心和寬度就確定了，那我們就可以利用反向云算法來獲得超熵的值。 反