模糊神经网络是模糊逻辑系统与神经网络有机结合的产物，在对信息的加工 处理过程中表现出很强的容错能力；在处理和解决问题时，不需要对象的精确数 学模型，充分利用了两者的共性，并在功能上实现互补。 然而由于非线性系统本身固有的特性，如模型的不确定性、高度的非线性等， 使得非线性系统研究受到很大的限制。模糊逻辑系统和人工神经网络作为两种有 效的智能方法，在处理这类问题时也存在一些悬而未决的根本性问题，如网络结 构问题、信息接口问题、参数初值问题、收敛速度问题、全局优化问题和数据泛 化问题等。 为此，我们提出了广义模糊神经网络(GFNN，General Fuzzy Neural Network)。 广义模糊神经网络是从系统本身的物理背景出发，根据系统本身的内在特性和先 验知识与经验建立合适的系统辨识模型，这样一个模型应具有以下优点： 1.合理的网络知识结构。 2.可扩展的知识库和较强的智能能力。 3.合理的宽信息接口。 4.较快的辨识收敛速度。 广义模糊神经网络充分地融合了模糊逻辑系统和人工神经网络的优点，在模 糊逻辑系统明确的物理背景基础上，将其强大的知识表达能力和模糊推理能力有 效地融入神经网络的网络知识结构中，利用神经网络优异的自学习能力等智能特 性来完善模糊神经网络的知识结构，满足其处理复杂对象或者复杂环境的自适应 性需求。 本文由以下几部分主要内容组成： 1.利用模糊逻辑系统的物理背景以及宽信息接口特性，对传统的神经元进 行了改进，提出了广义模糊神经元。由于采用了新型的知识表达方法， 这种神经元能有效地吸纳各种有用信息，包括数据信息和语言信息。同 时将模糊逻辑系统的模糊推理能力有效地融合进这种神经元中，使其具 有模糊逻辑推理和信息加工处理能力。 2.在广义模糊神经元的基础上，借鉴人工神经网络的BP网络结构，提出了 信息匹配度和信息置信度两个概念，导出了GFNN的网络结构参数模型， 从而构建了广义模糊神经网络(GFNN)。 3.提出了GFNN的结构自组织和参数自学习算法。由于GFNN也具有神经 网络的优点，如自学习和分布式计算能力等，它同样具有较强的自学习、 自适应性。这种性质与信息匹配度和信息置信度有效地融为一体，并在 预先设定的辨识精度下自动完成辨识系统的网络结构与参数自学习过 程，完成GFNN网络结构的真正在线自组织。这种在线自组织过程是一 个规模可调整的辨识过程。它从一个较小的网络结构开始，在线学习系 统信息，逐步调整网络结构以至于在设定精度上完全逼近系统的本质结 构。 4.分析并证明了GFNN的函数逼近定理。由于GFNN的结构自组织和参数 自学习能力，使得它与模糊逻辑系统中的万能逼近定理以及人工神经网 络的BP逼近定理不同，GFNN不再只是一个存在性定理，它给出了GFNN 的实现过程。 5.针对不同种类的非线性系统作了大量的仿真工作，各种仿真结果表明， 对于不同的非线性对象，如慢时变对象以及温室系统中的温室对象， GFNN表现出了很强的非线性逼近能力。 论文表明，GFNN是模糊逻辑系统与人工神经网络两类方法的比较成功的融 合。这种有机融合是在确定的物理背景下，实现了仿人的某种智能功能。这些都 表明，模糊逻辑系统、人工神经网络以及高效的优化方法等基本的智能算法，必 将在更高的层次上趋于融合，走向统一。 关键词：模糊神经网络 辨识逼近定理 时变非线性 结构自组织 参数自学习