Рис. 2. Схема нейронной идентификации
Допустим, имеются статистические нечеткие данные, полученные
на основе экспериментов. На основе этих входных и выходных данных
составляем пары для обучения сети
( ˜
X,
˜
T
)
. Для построения модели
процесса на вход НС подаются входные сигналы
˜
X
(рис. 2), а выходы
его сравниваются с эталонными выходными сигналами
˜
T
.
После сравнения вычисляется значение отклонения
˜
E
=
1
2
k
X
j
=1
( ˜
Y
j
−
˜
T
j
)
2
.
С применением
α
-среза для левой и правой части значения откло-
нения вычисляются по формулам:
E
1
=
1
2
k
X
j
=1
[
y
j
1
(
α
)
−
t
j
1
(
α
)]
2
;
E
2
=
1
2
k
X
j
=1
[
y
j
2
(
α
)
−
t
j
2
(
α
)]
2
;
E
=
E
1
+
E
2
,
где
˜
Y
j
(
α
) = [
y
j
1
(
α
)
, y
j
2
(
α
)]
;
˜
T
j
(
α
) = [
t
j
1
(
α
)
, t
j
2
(
α
)]
.
Если для всех обучающих пар значение отклонения
E
меньше
заданного, то обучение (коррекция) параметров сети заканчивается
(рис. 3). В противном случае обучение продолжается до тех пор, пока
значение
E
не достигнет минимума.
Коррекция параметров сети для левой и правой частей осуществля-
ется следующим образом:
a
н
rs
1
=
a
c
rs
1
+
γ
∂E
∂a
rs
,
a
н
rs
2
=
a
c
rs
2
+
γ
∂E
∂a
rs
.
102 ISSN 0236-3941. Вестник МГТУ им. Н.Э. Баумана. Сер. “Машиностроение”. 2006. № 2
