基于k-means聚类的模糊神经网络市场清算电价预测(2)
2014-02-12 01:01
导读：输入层对应的输入变量 x 是一个n维的特征向量。 模糊化层节点的个数为m×n，输入变量为 x i，i=1，2…，n，输出为n个变量的m个模糊化值，高斯型隶属函数
输入层对应的输入变量
x是一个n维的特征向量。 模糊化层节点的个数为m×n，输入变量为
xi，i=1，2…，n，输出为n个变量的m个模糊化值，高斯型隶属函数具有光滑平稳的过渡特性，是应用最多的一种隶属度形式，故本文采用高斯型隶属函数，公式为：
c表示函数的中心，
表示函数的宽度，
m表示模糊规则的数目
。在FNN中参数
c、
被看作是网络模糊化层和模糊规则层的连接权值，在网络训练过程中不断得到调整。 模糊推理层每个节点对应一个模糊规则，其节点的输出是隶属函数的乘积。
该层节点的数目通过对样本的k-means聚类得到，并可以根据误差要求调整聚类的个数。聚类个数不宜多也不宜少，一般为4或5。 反模糊化层采用中心平均反模糊化法节点个数为1，即预测时刻的电价
y。
Wj是模糊推理层第
j个节点与反模糊化层的连接权值。 与NFNN模型相比较，本文提出的模型不需要专家的经验，是数据驱动的模型；同时网络的规模也比NFNN模型简单的多，假设NFNN有8个输入变量，每个变量有3个模糊分割数，那么网络节点数为6594个；同样假设改进的FNN也有8个输入变量，模糊推理层节点个数为5个，那么网络节点数才有54个。共2页: 1 [2] 下一页 论文出处(作者):
基于SVM输出概率建模的微钙化点检测算法
粒子群优化算法及其在神经网络中的应用
