神经模糊控制在SAW压力传感器温度补偿中的应用
鉴于BP神经网络训练过程需要对所有权值和阀值进行修正，是一种全局逼近神经网络，但训练速度较慢，不适用实时性较强场合，故采取了局部逼近网络——径向基网络。算法训练关系式如下：
节点输出为
式中a1为节点输出;b为神经元阀值;Wij为接点连接权值;f为传递函数。
权值修正
式中z为新学习因子;h为动量因子;Ej为计算误差。
误差计算
式中tPI为i节点期望输出值;aPI为i节点计算输出值。
由于神经网络的神经元个数不确定性，经大量数据的实验验证，本文选取输入层有2个神经元，隐含层有4个神经元。输出层只有1个神经元。采用只有1个隐含层的三层网络对控制基进行学习记忆。把每条控制规则作为神经网络的样本进行训练学习，从而能实现这个规则基的神经网络权系数。
基于神经网络在推理方面不足，故借助于模糊控制强大的推理功能，提取有效的条件语句，进而加快网络的训练速度。选取偏差E和偏差变化率△E作为输入和控制量U作为输出。偏差E和偏差变化率△E的模糊量分别为大(L)，中(M)，小(S)，创立描述条件推理表格如表1。
横行元素表示E的模糊量，竖行表示△E的模糊量，两者交叉为控制量U的模糊量。根据表中数据，可知共有3×3种推理语句，采用推理法将条件语句表简化得出以下4条语句：
将产生贡献的语句选出，可能存在的个数为20，21，…，2n。这样，减少了冗余的推理语句，有利于网络训练速度的快速进行。
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码