基于云模型的模糊神经网络算法研究

针对模糊神经网络不能同时处理随机性和模糊性且人为影响严重等问题,提出采用云模型进行不确定性表达,建立云模糊神经网络模型。针对黄金分割法的误差问题,提出使用高斯拟合算法计算云模型的数字特征。利用云模型计算属性的确定度,作为隶属函数;使用改进的"软与"算法完成云规则生成及匹配;通过云模型对BP算法进行优化,避免出现局部最优解;根据输出数值及确定度判断数据所属类别。实验结果表明,云模糊神经网络对不确定性的处理具有更高的准确性。