模糊神经网络是将人工神经网络与模糊逻辑系统相结合的一种能处理抽象信息的网络,是智能控制理论研究领域中一个十分活跃的分支。典型的模糊神经网络,就是被称为模糊多层感知器的模糊神经网络。这种网络主要是根据模糊系统的结构来决定等价构造的神经网络,也就是说,使神经网络的每层,每个节点对应模糊系统的一部分。模糊神经网络规则层节点的数目决定了整个网络的规模和性能,包含冗余规则的节点太多会导致网络结构的庞大;从输入到输出的响应变慢;增加网络的计算复杂度;以及使它所表示的模糊规则库难以理解,对实际控制产生很大影响。当网络规模过于庞大、学习效率不高或容易陷入局部极值时,改变控制器的结构,可以改善系统的性能,并使模糊神经网络完成网络结构的学习,得到能满足系统性能要求意义下的最佳的网络结构。因而对模糊神经网络的结构进行优化是一种必然。该论文一共分5章,第1章引言主要介绍了关于模糊神经网络基本的概念、发展现状以及本文的主要研究内容。第2章探讨了目前比较常见的几种模糊神经网络优化算法,包括穷举法、增长法、剪枝法和进化算法。第3章针对模糊神经网络控制结构的选择一般凭借经验,冗余节点往往占据较大比例问题,运用了模糊神经网络增长算法,使网络从简单的很小的规模开始增长,直到达到性能要求目标为止。并且改进了增长法,在进行一定步数的训练后计算网络误差衰减率并判断是否增加节点,避免了由于连续增长导致的网络瞬间膨胀,同时也减小了一定的计算量。第4章利用模糊神经网络剪枝算法,根据两个节点的相关程度对节点进行合并,对参与合并操作节点相关的节点的阈值进行调整,然后计算节点合并后的模糊神经网络的每一个节点的分散度,对分散度过小的节点进行删除操作,同时调整相关节点的阈值,保证网络性能。第5章针对增长法、剪枝法各自优、缺点。将剪枝法和增长法联合运提出一种可行的增长剪枝联合算法,即:网络从初始小规模开始增长,达到性能指标后,再通过合并与修剪,以运算的开销换取全局最优。通过普通结构、增长法、剪枝法以及本文提出的联合算法四者得到的模糊神经网络的大量对比实验表明,联合算法规则层节点数仅为普通模糊神经网络的25%,训练时间缩短61.5%;且在同样的优化程度上联合算法的训练时间也比单纯增长法、剪枝法分别缩短40.6%和72.9%