模糊神經網絡優(yōu)缺點精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的模糊神經網絡優(yōu)缺點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：模糊神經網絡優(yōu)缺點范文

1模糊系統(tǒng)的Takagi?Sugeno模型

模糊系統(tǒng)理論［11］是溝通經典數(shù)學的精確性與現(xiàn)實世界中大量存在的不精確性之間的橋梁。它是以模糊集合的形式表示系統(tǒng)所含的模糊性并能處理這些模糊性的系統(tǒng)理論，能夠有效地處理系統(tǒng)的不確定性、測量的不精確性等模糊性。Takagi－Sugeno模糊系統(tǒng)（T－S模糊系統(tǒng)）作為函數(shù)模糊系統(tǒng)的一種特例，由于構成的各條規(guī)則采用線性方程式作為結論，使得模型的全局輸出具有良好的數(shù)學表達特性，這在處理多變量系統(tǒng)時能有效地減少模糊規(guī)則個數(shù)，具有很大的優(yōu)越性［12］。其規(guī)則表達如下［13］：式中：Rj為第j條模糊規(guī)則；xi為模糊語言變量；Aij（xi）為xi的第j個語言變量值，它是定義在xi論域上的一個模糊集合，相應的隸屬度函數(shù)為μjAi（xi）；pkji為模糊系統(tǒng)參數(shù)；yj為根據(jù)模糊規(guī)則得到的輸出；If部分是前提或前件，then部分是結論或后件。

2T?S模糊神經網絡

模糊系統(tǒng)在模糊建模的過程中常存在學習能力缺乏，辨識過程復雜，模型參數(shù)優(yōu)化困難等問題。而人工神經網絡具有自學習、自組織和自適應的能力，具有強大的非線性處理能力。二者的結合構成模糊神經網絡，可以有效地發(fā)揮模糊邏輯與神經網絡的各自優(yōu)勢，彌補各自的不足［14］。

2．1T?S模糊神經網絡的結構基于標準型的T－S模糊神經網絡結構如圖1所示。第5層是輸出層，它所實現(xiàn)的是清晰化計算。T－S模糊神經網絡由前件網絡和后件網絡兩部分組成。前件網絡用來匹配模糊規(guī)則的前件，其結構與圖1的前4層結構完全相同；后件網絡用來產生模糊規(guī)則的后件，由N個結構相同的并列子網絡組成［15］。

2．2T?S模糊神經網絡的學習算法T－S模糊神經網絡需要學習的參數(shù)主要有后件網絡的連接權pkki以及前件網絡第二層各結點隸屬函數(shù)的中心值ckj及寬度σkj。令上述T－S模型的參數(shù)pkji固定，則T－S模糊神經網絡結構可簡化為圖1。簡化結構本質上也是一種多層前饋網絡，所以可仿照BP網絡用誤差反傳的方法來設計調整參數(shù)的學習算法［15］。

3應用研究

以下通過實例介紹T－S模糊神經網絡在地下水水質評價中的應用。

3．1研究區(qū)概況吉林省西部地區(qū)位于松嫩平原的西南部，地理坐標為東經123°09′～124°22′，北緯44°57′～45°46′。研究區(qū)東接吉林省長春市，南接四平市及遼寧省，西鄰，北接黑龍江省，東北以嫩江、松花江和拉林河與黑龍江省為界。吉林省西部屬半干旱半濕潤的大陸性季風氣候區(qū)，四季變化明顯。該區(qū)多年平均氣溫3～6℃，多年平均降雨量為400～500mm。研究區(qū)大部分屬于松嫩盆地，該盆地為一個巨大的含水層系統(tǒng)，埋藏有多層含水層，包括孔隙潛水含水層和承壓水含水層（分別為淺層、中深層）、上第三系大安組、泰康組孔隙－裂隙含水層（深層）和白堊系下統(tǒng)及上統(tǒng)裂隙孔隙含水層（深層）。研究區(qū)的地下水補給來源主要為降水入滲，排泄以潛水蒸發(fā)和人工開采為主。

3．2原始數(shù)據(jù)原始數(shù)據(jù)取自于吉林西部2005年50個地下水水化學監(jiān)測點的水質監(jiān)測數(shù)據(jù)，結合研究區(qū)地下水水質狀況，有針對性地選擇了鐵、氨氮、硝酸鹽、亞硝酸鹽、硫酸鹽、氯化物、溶解性總固體、氟化物和總硬度共9項指標作為評價因子。地下水水

3．3神經網絡的準備工作（1）訓練樣本、檢驗樣本及其期望目標的生成。采用Mat－lab7．0的linspace函數(shù)在各級評價標準之間按隨機均勻分布方式內插生成訓練樣本。各級評價標準之間生成500個，共2000個訓練樣本，以解決僅利用各級評價標準作為訓練樣本，導致訓練樣本數(shù)過少的問題［16］。檢驗樣本用生成訓練樣本同理的方法生成400個樣本。小于一級標準的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的0～1．5之間的數(shù)值；一、二級標準之間的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的1．5～2．5之間的數(shù)值；同理，二、三級和三、四級標準之間的訓練樣本和檢驗樣本的期望目標為2．5～3．5、3．5～4．5之間的數(shù)值。（2）水質評價等級的劃分界限。據(jù)上述生成訓練樣本與檢驗樣本目標輸出的思路可以確定一、二、三、四、五各級水的網絡輸出范圍分別為：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始數(shù)據(jù)的預處理。利用Matlab7．0中的mapminmax函數(shù)將原始數(shù)據(jù)歸一化到0與1之間。

3．4T?S模糊神經網絡的建立、訓練、檢驗及水質評價

3．4．1T?S模糊神經網絡的建立模糊神經網絡的構建根據(jù)訓練樣本維數(shù)確定模糊神經網絡輸入／輸出結點數(shù)、模糊隸屬度函數(shù)個數(shù)。由于輸入數(shù)據(jù)為9維，輸出數(shù)據(jù)為1維，通過試錯法確定模糊神經網絡結構為9－18－1，即有18個隸屬度函數(shù)。選擇10組系數(shù)p0－p9，模糊隸屬度函數(shù)中心和寬度c和σ隨機得到，通過動態(tài)BP算法對網絡的權值在線調整。隸屬度函數(shù)采用高斯函數(shù)，模糊推理采用sum－product［14］，解模糊采用加權平均法。網絡模型的概化如圖1所示。T－S模糊神經網絡的第3層輸出為輸入數(shù)據(jù)的隸屬度函數(shù)；第4層輸出為第條規(guī)則的平均激活度；后件網絡實現(xiàn)了T－S模型模糊規(guī)則空間到輸出空間的映射，輸出為yj＝pkj0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。

第2篇：模糊神經網絡優(yōu)缺點范文

【關鍵詞】溫室；環(huán)境控制；智能控制；遺傳算法

Abstract：Aiming at the importance of environment control technology in greenhouse，this paper summarized the research status on the development of greenhouse environment control methods at home and abroad，and analyzed the features and structures of greenhouse control systems.The main methods of greenhouse environmental control include PID，Expert System，F(xiàn)uzzy Control，Neural Network，Evolutionary Algorithm and so on.Each control algorithm has its own advantages and disadvantages，the adoption of a single control algorithm can not satisfy the precision requirements of the environmental control of the greenhouse.Hybrid control algorithm that combined different algorithms can meet the control demands of modern greenhouse environment intelligent control well or to seek new robust control method.Their drawbacks were pointed out，and the development tendency of greenhouse environment control was expected too.

Key words：greenhouse；environmental control；intelligent control；genetic algorithm

1.引言

溫室作物生產是高度集約化的設施農業(yè)產業(yè)，在解決我國三農問題和提高農業(yè)生產效率中的作用越來越突出。目前我國已是世界設施作物栽培第一大國，設施作物栽培面積超過了300萬公頃。但與國外先進水平相比，目前最突出的問題是溫室作物生產的產量低、能耗等生產成本高，因而經濟效益較低。

溫室是一個包括作物、設施、環(huán)境、栽培管理措施等諸多因子及其相互作用的復雜系統(tǒng)。如何協(xié)調這些因子的關系，以最小的投入為溫室作物提供適宜的生長環(huán)境，從而達到高產、優(yōu)質、高效和生態(tài)安全的溫室生產目標，一直是國內外設施農業(yè)領域中研究的重點與熱點問題。

溫室環(huán)境控制即通過對相關的設施（如加熱、通風、CO2施肥、肥水灌溉等設備）對溫室環(huán)境進行自動調控，獲得作物生長所需的適宜環(huán)境，從而大大提高作物產量與質量。因此，溫室環(huán)境控制是解決以上突出問題的核心技術手段之一。本文對目前國內外溫室環(huán)境控制的研究進展和成果進行綜述，指出溫室環(huán)境控制中的現(xiàn)存問題和發(fā)展方向。

2.溫室環(huán)境控制研究現(xiàn)狀

溫室環(huán)境控制有3個不同的層次，即人工控制、自動控制和智能控制。3種控制方法在我國的生產生活中均有應用，其中自動控制在現(xiàn)代溫室環(huán)境控制中應用最多，而智能控制具有處理非線性、時變和不確定信息等優(yōu)點，理想的智能控制系統(tǒng)除了滿足一般控制系統(tǒng)的性能要求外，還應具有自學習、自適應、自組織和自結構等功能?，F(xiàn)代溫室環(huán)境的智能控制[1]是目前的研究熱點。

2.1 溫室控制技術概況

溫室智能控制系統(tǒng)作為一種資源節(jié)約型的高效農業(yè)技術，主要是在計算機綜合控制下，創(chuàng)造適宜于作物生長的環(huán)境，實現(xiàn)優(yōu)質、高效、低耗的工業(yè)化規(guī)模生產。要提高測控系統(tǒng)的性能除了硬件系統(tǒng)以外，控制算法也不可缺少。只有采用合理的控制算法，才能使溫室環(huán)境的綜合因子達到最優(yōu)的控制效果，才能使溫室控制系統(tǒng)達到智能化的水平。

目前溫室環(huán)境控制中普遍采用的智能控制方法包括專家控制、模糊控制、神經網絡、遺傳算法和混合控制等。其中，混合控制將基于知識和經驗的專家系統(tǒng)、基于模糊邏輯推理的模糊控制和基于人工神經網絡的神經網絡控制等方法交叉并融合，相互優(yōu)勢互補，使智能控制系統(tǒng)性能更理想，成為當今智能控制方面的研究熱點之一。

2.2 控制算法在溫室環(huán)境控制中的應用

溫室環(huán)境控制系統(tǒng)是一個非線性、大滯后、多輸入和多輸出的復雜系統(tǒng)，其問題可以描述為：給定溫室內植物在某一時刻生長發(fā)育所需的信息，該信息與控制系統(tǒng)檢測部件所檢測的信息比較，在控制器一定控制算法的決策下，各執(zhí)行機構合理動作，創(chuàng)造出溫室內植物最適宜的生長發(fā)育環(huán)境，實現(xiàn)優(yōu)質、高產、低成本和低能耗的目標。

2.2.1 PID控制算法及應用

PID控制是自動控制中產生最早、應用最廣的一種控制方法，在溫室環(huán)境控制中應用最早。PID調節(jié)的實質是根據(jù)輸入的偏差值，按比例、積分、微分的函數(shù)關系進行運算，將其結果用于輸出控制。

PID控制適合一些較為簡單的單輸入、單輸出線性系統(tǒng)，它靠控制目標與實際狀態(tài)之間的誤差來確定消除此誤差的控制策略。采用常規(guī)PID控制器，參數(shù)不易在線調整，容易產生超調，抗干擾能力差，不能滿足現(xiàn)代溫室環(huán)境參數(shù)監(jiān)控的要求。因此，在溫室實際控制過程中，為了提高系統(tǒng)動態(tài)調節(jié)品質和控制精度，通常對常規(guī)PID控制進行改進。

朱虹通過對歷史溫室環(huán)境數(shù)據(jù)的合理分析，將溫室的溫度控制模型近似為一階慣性加時滯環(huán)節(jié)，基于該溫度近似模型用時間為權誤差積分指標最優(yōu)的參數(shù)自整定公式來整定PID控制器參數(shù)，將整定后的PID控制器應用于溫室控制。余泳昌等研究的改進型PID控制算法在現(xiàn)代溫室參數(shù)控制中進行了應用，其抗干擾能力方面比傳統(tǒng)PID算法有一定的提高，使參數(shù)得到較精確的調整，使溫室溫度保持在最適宜的范圍。Albert Setiawan等[2]在研究了溫室控制算法PI控制器后，提出了擬微分反饋（PDF）控制方案，實驗結果表明，PDF的控制效果在性能上（溫室控制過程的靜態(tài)誤差，過渡過程時間，最大超調量）優(yōu)于PI控制器的性能。但這種控制器的設計還是基于被控對象的數(shù)學模型，把溫室的控制系統(tǒng)對象建模成一階慣性滯后環(huán)節(jié)。這樣對象模型的參數(shù)不同程度上隨溫室內空氣流速，光照強度而變化，也隨時間的變化而變化。因此被控對象是一個時變的對象，同時也是若干變量的函數(shù)，要想獲得優(yōu)化控制，創(chuàng)造一個適合作物生長的最佳環(huán)境有一定的難度。因此國內外學者目前大多采用智能控制方法對現(xiàn)代溫室環(huán)境進行智能控制，并做了很多的研究，以下是溫室環(huán)境智能方法控制方面的研究工作。

2.2.2 專家系統(tǒng)及應用

專家系統(tǒng)作為一種知識的載體，所表現(xiàn)出來的可靠性、客觀性、永久性及其易于傳播和復制的特性，是人類專家所不及的，因此在處理與解決某些領域問題時具有不可取代的重要作用。在溫室生產中，影響作物生長的有室內和室外各種環(huán)境因子，作物和環(huán)境因子之間的關系非常復雜，難以模型化與定量描述。因此，在現(xiàn)代溫室中可以利用專家經驗知識建立作物生長參數(shù)與環(huán)境因素之間的關聯(lián)系數(shù)。專家系統(tǒng)是應用人工智能技術，根據(jù)一個或多個專家提供的領域知識進行推理，模擬農業(yè)專家做決定的過程來解決那些復雜問題。

專家系統(tǒng)的基本結構由知識庫、推理機、數(shù)據(jù)庫、人機接口、解釋機構及知識獲取6部分組成[3]。專家系統(tǒng)善于解決不確定性的、非結構性的問題；它是靠知識和推理來解決問題，是基于知識的智能問題求解系統(tǒng)；它內部的知識和推理是相分離的，系統(tǒng)具有很好的靈活性和擴展性；它不僅能回答用戶提出的問題，而且能夠對最后的結論或處理問題的過程做出解釋；它還有自學習能力，能不斷的對自己的知識進行擴充、完善和提煉。沈天飛等在溫室計算機控制系統(tǒng)的基礎上，構建了一種專家控制平臺，采用可組態(tài)的規(guī)則庫和推理機制，以溫室作物的生長指標作為依據(jù)，使農業(yè)科研人員能通過專家系統(tǒng)軟件平臺建立具體溫室作物的計算機控制專家系統(tǒng)。龍利平等研究的加熱實時專家控制系統(tǒng)，在外溫的強擾動作用下，系統(tǒng)精度控制在0.5℃左右，完全滿足溫室溫度控制的要求。文獻[4]從工程實際出發(fā)，分析了溫室氣候計算機控制系統(tǒng)的要求，系統(tǒng)研究了溫室氣候計算機專家控制系統(tǒng)的設計與實現(xiàn)技術，對于提高溫室氣候的控制質量具有重要意義。

2.2.3 模糊控制算法及應用

溫室環(huán)境系統(tǒng)是一個多變量，多耦合，非線性，大滯后的復雜動態(tài)系統(tǒng)，很難建立精確的數(shù)學模型。模糊控制不需要建立被控對象的精確數(shù)學模型，它是通過計算機完成人們用自然語言所描述的控制活動，其控制算法是把各種環(huán)境參數(shù)綜合起來分析考慮，然后進行模糊控制[5]。模糊控制有許多良好的特性，它不需要事先知道對象的數(shù)學模型，具有響應速度快、超調小、過度時間短等優(yōu)點，比PID控制調節(jié)速度快、魯棒性好，但模糊控制穩(wěn)態(tài)精度欠佳，只能實現(xiàn)粗略控制。

于海業(yè)等提出一種基于模糊控制算法的溫室分季節(jié)、分時段的變溫管理的控制方法。該系統(tǒng)能夠很好的適應北方溫室科學生產和自動化管理的要求，可滿足溫室作物栽培的需要。胥芳等建立了溫室環(huán)境溫度模糊專家控制系統(tǒng)的MATLAB仿真模型，仿真結果證明了該溫室環(huán)境溫度模糊控制策略的有效性及合理性。盧佩等采用模糊控制方法，通過建立模糊控制系統(tǒng)模型和對模糊控制器的設計，引入解耦參數(shù)，實現(xiàn)系統(tǒng)的溫濕度解耦控制，提高了溫濕度控制的精度。楊澤林等通過數(shù)據(jù)挖掘，利用采集的溫室內、外溫度及室內濕度數(shù)據(jù)對溫室狀態(tài)進行分類，提出一種基于各類別中的溫室溫、濕度變化率相關性進行模糊解耦控制。黃力櫟等針對溫室氣候控制方法中溫濕度之間的耦合作用，提出以溫度控制為主、濕度控制為輔的控制策略，并建立兩變量輸入、三變量輸出的控制主回路和補償回路模糊控制系統(tǒng)，從而為溫濕度控制提供了一種行之有效的方法。程昱寧等研究了溫室冬季加熱模式控制，采用Smith預測器先補償?shù)粝到y(tǒng)大的延時，然后在Smith預測器前增加了模糊控制器，實現(xiàn)對溫室的模糊控制。這種控制方式要比簡單的模糊控制方式[6]在動態(tài)性能上有所改善。

2.2.4 神經網絡控制算法及應用

神經網絡采用黑箱方法能把復雜的系統(tǒng)通過有限的參數(shù)進行表達，具有自組織、自學習、非線性動態(tài)處理等特征，具有聯(lián)想推理和自適應識別能力，不需要建立精確模型。神經網絡優(yōu)點是具有靈活性，適用于非線性和非物理數(shù)據(jù)，主要缺點是訓練需要大量多維數(shù)據(jù)集，以減少推斷風險[7]。

采用最常用的BP網絡能對環(huán)境因子達到良好的控制效果。BP網絡基本思想是最小二乘法，它采用梯度搜索技術，使網絡的實際輸出值與期望輸出值的均方差最小。它由輸入層、輸出層和隱含層組成，隱含層可能含有一個或多個，每層由若干神經元組成。BP神經網絡確實給溫室檢測系統(tǒng)模型的建立帶來了方便，但神經網絡是非線性的，進行穩(wěn)定性分析相當困難。

Fathi Fourati等采用遞歸神經網絡對溫室進行直接動力學仿真，逆向神經網絡與神經網絡模型相結合以使系統(tǒng)的輸出所需數(shù)值，給出仿真結果對溫室的控制性能進行驗證。R.Linker等建立可靠的溫室環(huán)境和作物響應模型，通過消除不必要的輸入，分別預測溫度和CO2濃度使模型最簡化，利用在小溫室中兩個夏季收集到的數(shù)據(jù)訓練神經網絡溫室模型，實現(xiàn)溫室內CO2注入和通風之間的平衡，達到了良好的CO2優(yōu)化控制效果。P.M.Ferreira等[8]對混合離散訓練方法和在線學習算法進行了分析，將離線方法應用于在線學習，利用線性非線性結構建立徑向基函數(shù)神經網絡，預測溫室溫度。

2.2.5 進化算法及應用

遺傳算法是一種基于自然選擇和群體遺傳機理的搜索算法，它模擬了自然選擇和遺傳過程中的繁殖、和變異現(xiàn)象，遺傳算法對復雜的優(yōu)化問題不需要進行復雜的計算，只用遺傳算法的3種算子就能得到最優(yōu)解[9]。它的優(yōu)點在于：通過參數(shù)空間編碼并用隨機選擇的方法引導搜索向更高效的方向發(fā)展，對尋優(yōu)函數(shù)基本無限制；通過目標函數(shù)來計算適配值而不需要其他推導和輔助信息，對問題的依賴性?。徊捎萌炙阉?，不易陷入局部最優(yōu)點，更適合復雜大規(guī)模問題優(yōu)化。

同濟大學徐立鴻團隊從97年開始在引進的荷蘭溫室中進行消化吸收其先進方法并針對本國溫室環(huán)境系統(tǒng)特點進行研究工作，先后提出了基于栽培經驗和參數(shù)辨識的溫室環(huán)境多因子協(xié)調控制方法和基于溫室環(huán)境動態(tài)模型和進化計算參數(shù)估計的多因子協(xié)調控制方法；基于Pareto最優(yōu)的思想，利用多目標遺傳算法對溫室環(huán)境節(jié)能控制方法進行了有益的探討，提出了相容優(yōu)化控制算法；提出了對系統(tǒng)狀態(tài)初值的不確定性魯棒的溫室環(huán)境系統(tǒng)相容優(yōu)化控制方法；提出了基于溫室環(huán)境動態(tài)模型對理想環(huán)境目標和能耗目標進行綜合優(yōu)化控制的新方法等。鄧璐娟等采用多級控制策略，優(yōu)化設定系統(tǒng)目標值來解決溫室環(huán)境系統(tǒng)中多個時間響應常數(shù)相差過大的問題。設定系統(tǒng)優(yōu)化目標值時，白天使植物獲得最大的光合速率，夜間在滿足植物生長和積溫要求的前提下使溫室處在能耗最小的狀態(tài)下運行。構建了能量消耗為零（無加熱、無制冷和無機械通風）時計算溫室內部溫度的模型，采用遺傳算法對最優(yōu)目標值進行搜索。計算結果取得了較高的效率又能節(jié)能。Hartmut Pohlheim等利用進化算法來計算溫室系統(tǒng)的最優(yōu)控制狀態(tài)，每隔15-60分鐘綜合模型（短時間尺度模型）檢測一下溫室內的溫度、濕度、CO2濃度，在約束條件下利用進化算法來優(yōu)化溫室環(huán)境控制以實現(xiàn)最大利潤。

2.2.6 混合算法

（1）模糊PID控制算法

PID算法簡單，可以實現(xiàn)精細控制，使系統(tǒng)準確跟蹤設定值。模糊控制可充分利用現(xiàn)場和專家的經驗，調節(jié)速度快，魯棒性好，但只能實現(xiàn)粗略控制。對此將PID控制和模糊控制相結合，互補不足，采用混合模糊PID控制方法，解決溫室環(huán)境調控中存在的時滯和模糊性問題。溫室系統(tǒng)的延遲問題應該說是調控中很難處理的問題，任雪玲等運用預測技術解決了延遲問題，采用具有優(yōu)化技術的PI和模糊控制混合技術進行調節(jié)，解決了粗調問題和細調問題。屈毅等針對溫室控制對象存在的大滯后、大慣性等屬性，傳統(tǒng)控制方法的控制效果不甚理想的問題，在溫室控制系統(tǒng)中，引入模糊PID控制方法。該方法能使溫室溫度控制系統(tǒng)根據(jù)季節(jié)的交替，時令的變化，實現(xiàn)優(yōu)化控制，為農作物的生長發(fā)育提供合適的溫度環(huán)境。

（2）基于遺傳算法的優(yōu)化模糊控制算法

遺傳算法是模擬生物在自然環(huán)境中的遺傳和進化過程而形成的一種自適應全局優(yōu)化概率搜索算法。GA相比其它優(yōu)化方法能更有效的求解復雜的尋優(yōu)問題，為了解決模糊控制器設計中的困難，很多學者采用GA優(yōu)化模糊控制規(guī)則，采用二進制編碼法對控制規(guī)則進行編碼，從而設計出具有自學習能力的模糊控制器。用GA調控模糊控制規(guī)則，既避免了GA優(yōu)化過程的早熟現(xiàn)象，又可提高優(yōu)化控制規(guī)則的速度。江蘇大學毛罕平團隊采用遺傳算法優(yōu)化隸屬函數(shù)實現(xiàn)模糊控制器優(yōu)化設計的方法，并將這種優(yōu)化設計的模糊控制器應用于溫室集散控制系統(tǒng)中[10]。

（3）模糊神經網絡控制算法

模糊控制與神經網絡相結合是一種新的技術，其主要特點是利用神經網絡調整模糊推理系統(tǒng)的隸屬度函數(shù)和推理規(guī)則，利用模糊推理規(guī)則的形式構造前向傳播結構。另外，兩者具有各自特性的互補性，神經網絡完成的是從輸入到輸出的“黑箱”式非線性映射，但不具備象模糊控制那樣因果規(guī)律以及模糊邏輯推理較強的知識表達能力。將兩者有機地結合起來，神經網絡強大的學習能力則可避免模糊控制規(guī)則和隸屬函數(shù)的主觀性，從而提高模糊控制的置信度，能更好的適應溫室系統(tǒng)的非線性和時變特性。李等利用模糊神經網絡控制器調節(jié)溫室的溫度因子，采用遺傳算法優(yōu)化高斯隸屬函數(shù)的中心值和閾寬，用BP算法優(yōu)化網絡權值，提高了控制器的學習和調整能力。

2.2.7 其它方法的應用

Rodr’guez F.等采用分層控制法對溫室作物生長進行控制，并進行了試驗研究。第一個試驗用自適應和反饋算法控制溫室顯示出良好的性能，第二個試驗通過模型預測控制算法控制執(zhí)行機構以獲得良好的跟蹤性能同時減小燃料消耗費用。J.P.Coelho等提出用粒子群優(yōu)化算法設計基于模型的溫室空氣溫度預測控制器，并與用遺傳算法和逐步二次規(guī)劃算法設計的控制器進行了比較，仿真結果顯示用粒子群優(yōu)化算法設計的基于模型的溫室空氣溫度預測控制器效率更高。劉東利等采用神經網絡模糊PID算法對溫室內溫度進行控制，取得了較好的動靜態(tài)特性、魯棒性和抗干擾能力。沈敏等考慮開關設備組合作用下溫室測控系統(tǒng)的非線性動態(tài)特性，提出結構簡單、不需復雜數(shù)值計算的離散預測模型，對設備組合進行滾動優(yōu)化預測控制，大大簡化溫室測控系統(tǒng)預測控制算法的復雜性，緩解了測控系統(tǒng)分布大時滯問題。Tetsuo Morimoto等提出基于作物生長需求（Speaking Plant Approach），以及預測環(huán)境模型（PEM）方法來調控溫室環(huán)境。這種做法[11]早在1980就提出了。只是當時的智能控制這一技術還沒引起農業(yè)界的高度重視。隨著科學技術的發(fā)展，現(xiàn)在基于神經網絡，專家系統(tǒng)控制，模糊控制等技術使得基于SPA或PEM模型的溫室調控成為可能。

3.存在的主要問題

各種控制算法各有優(yōu)缺點，單一的采用某種控制算法，不能滿足溫室環(huán)境控制的精度要求。如模糊控制響應速度快、超調小、過渡時間短，但穩(wěn)態(tài)精度欠佳，只能實現(xiàn)粗略控制。神經網絡確實給溫室系統(tǒng)模型的建立帶來了方便，但神經網絡是非線性的，進行穩(wěn)定性分析相當困難。

國內有效的溫室環(huán)境輸入輸出動態(tài)模型成果不多，并且在作物生長對溫室環(huán)境反饋作用的方面研究的還不深入，所采用的模型在很大程度上進行了簡化和近似，由于溫室系統(tǒng)的復雜性以及存在的不確定性等因素，大大影響了實際中的控制效果，此外控制方法也是針對系統(tǒng)的部分特點難點有效，綜合控制效果并不明顯。

目前國內溫室環(huán)境控制主要針對溫度和濕度的控制進行研究，溫室環(huán)境調控指標含糊，控制精度低，不能做到多環(huán)境因子綜合控制。另外，國內外越來越重視對能源的節(jié)約，但是在節(jié)約能源的具體實現(xiàn)方法上還有待進一步研究。

4.展望

通過對目前國內外溫室環(huán)境控制的研究現(xiàn)狀進行分析，提出了今后溫室環(huán)境控制系統(tǒng)的發(fā)展方向：

控制算法集成。由于現(xiàn)代溫室環(huán)境控制系統(tǒng)是一個非線性、大滯后、多輸入和多輸出的復雜系統(tǒng)，單一的控制算法很難滿足現(xiàn)代溫室環(huán)境智能控制的要求，將多種智能控制算法集成，能進一步提高智能控制系統(tǒng)的性能，有效地為溫室內作物創(chuàng)造最適宜的生長發(fā)育環(huán)境。

深入研究作物對溫室環(huán)境的反饋作用機制，建立面向控制的適合我國溫室的多環(huán)境因子綜合環(huán)境控制輸入輸出動態(tài)模型。

進一步研究環(huán)境控制目標間沖突問題（如溫度和濕度，CO2施肥的影響），環(huán)境控制精度和能耗目標沖突問題，對環(huán)境因子綜合控制，并實現(xiàn)節(jié)能。

總之，未來的溫室環(huán)境控制系統(tǒng)必將越來越以植物生長的最適宜環(huán)境為中心，以高效、節(jié)能為目標，大大促進設施農業(yè)的全面發(fā)展。

參考文獻

[1]李錫文，楊明金，楊仁全.現(xiàn)代溫室環(huán)境智能控制的發(fā)展現(xiàn)狀及展望[J].農機化研究，2008（4）：9-13.

[2]Albert Setiawan，Louis D.A.，Richard M.P..Application of Pseudo-derivative-feedback Algorithm in Greenhouse Air Temperature Control[J].Computers and Electronics in Agriculture，2000，26（3）：283-302.

[3]李軍，鄒志榮，程瑞鋒等.農業(yè)專家系統(tǒng)及其在園藝業(yè)中的研究與應用[J].陜西農業(yè)科學，2002（11）：22-25.

[4]鄭秀蓮.現(xiàn)代溫室氣候的專家控制系統(tǒng)[J].機電工程， 2003，20（3）：42-45.

[5]藍淑淵，璩柏青.自尋優(yōu)模糊控制器及其在溫室溫控中的應用[J].計算機時代，2005（10）：20-21.

[6]朱偉興，毛罕平，李萍萍等.基于模糊控制的溫室加熱器的研究[J].農業(yè)工程學報，2002（3）：72-75.

[7]Ido Seginer.Some Artificial Neural Network Applications to Greenhouse Environmental Control[J].Computers and Electronics in Agriculture，1997，18：167-186.

[8]索興梅，王崇桃.人工神經網絡在農業(yè)中的應用研究[J].計算機與農業(yè)，2002（2）：6-7.

[9]任雪玲.溫室環(huán)境多因子協(xié)調控制方法研究[D].上海：同濟大學，2001.

[10]朱偉興，毛罕平，李萍萍等.遺傳優(yōu)化模糊控制器在溫室控制系統(tǒng)中的應用[J].農業(yè)機械學報，2002，33（3）：76-78.

[11]Tetsuo Morimoto，Yasushi Hashimoto.An Intelligent Control for Greenhouse Automation Oriented by The Concepts of SPA and SFA-an application to a post-harvest process[J].Computers and Electronics in Agriculture，2000，29（1-2）：3-20.

第3篇：模糊神經網絡優(yōu)缺點范文

1．1多源信息融合技術

信息融合是現(xiàn)代信息技術與多學科交叉、綜合、延拓產生的新的系統(tǒng)科學研究方向，隨著微電子技術、信號檢測與處理技術、計算機技術、網絡通信技術以及控制技術的飛速發(fā)展，各種面向復雜應用背景的多傳感器系統(tǒng)大量涌現(xiàn)。

1．2多源信息融合技術在預警系統(tǒng)中的應用

目前信息融合技術在預警系統(tǒng)中已經取得了較為顯著的成果，王剛毅為了實現(xiàn)對尾礦庫進行實時監(jiān)測和評估的功能，提出一種基于多源信息融合的預警和安全評估方法，對降低尾礦庫潰壩風險及控制災情損傷范圍具有重要的意義。高強提出了一種基于T－S模型的模糊神經網絡信息融合算法應用在赤潮的預測預警中，研究各種理化因子與赤潮藻類濃度間非線性對應規(guī)律和有效預測赤潮藻類濃度。蘇曉燕提出了基于多因素信息融合的中國糧食安全預警系統(tǒng)，鄧軍提出了礦井火災多源信息融合預警方法的研究。和前述其它系統(tǒng)一樣，水上交通系統(tǒng)也具有很大的不確定性，如果能夠采集各個影響因素的信息，則可以通過多源信息融合技術，從而實現(xiàn)有效船舶通航風險預警。

2水上交通安全預警的研究進展

2．1水上交通安全預警信息采集

水上交通安全單個預警信息包括水文、氣象、船舶、交通流信息。水文和氣象信息采集目前相對較為成熟，且在長江已經建立了相應的信息傳感器，而對于船舶尺度和船舶交通流信息采集，取得了一定的成果。（1）船舶尺度采集。由于航運船舶通常為不規(guī)則形狀的幾何體，必須選測多個規(guī)定點的幾何距離，計算出船體的若干個近似截面積，再結合船舶的航行速度計算出船舶的近似容積。因此，必須采用合適的非接觸式測距技術，構造一個多傳感器系統(tǒng)，測出船舶的相關幾何距離。（2）交通流信息采集。嚴新平通過比較了多種交通流信息采集手段的優(yōu)缺點，提出了一種多源信息融合的長江在航船舶交通流狀態(tài)信息采集系統(tǒng)三層構架，其中由IC卡子系統(tǒng)、GPS子系統(tǒng)、CCTV子系統(tǒng)、雷達子系統(tǒng)、AIS子系統(tǒng)、RFID子系統(tǒng)以及激光掃描子系統(tǒng)組成信息采集層，依托現(xiàn)有的長江航運信息網絡與公共通信網絡設施組成信息傳輸層，由交通流數(shù)據(jù)庫、電子航道圖以及信息處理系統(tǒng)組成信息處理層。

2．2多源傳感技術在水上交通安全預警應用前景

隨著通訊與傳感器技術的飛速發(fā)展，數(shù)據(jù)（如AIS信息、VTS信息等）的采集，推動了水上交通安全研究的發(fā)展；由此不斷改進在水上交通安全事故的統(tǒng)計與機理模型。信息融合技術為水上交通安全預警提供了一個良好的平臺，它將分布在不同位置的多個同類或異類傳感器（水文、氣象與通航環(huán)境信息）所提供的局部不完整的觀測信息加以綜合，消除多傳感器信息之間可能存在的冗余和矛盾，加以互補，降低其不確定性，形成對水上交通事故有個相對完整的感知與描述，從而提高水上交通事故預警決策與應急響應的準確性與效率。

3研究展望

3．1理論與方法研究

在船舶事故致因機理和系統(tǒng)安全工程理論研究基礎上，分析船舶事故演化規(guī)律，及船舶事故與其影響因子的相關關系，明確船舶通航風險預警的概念、特征、功能與預警等方面內容；構建基于多源信息融合技術的船舶通航風險預警的基本理論框架與方法體系。

3．2信息采集技術研究

對于船舶通過橋梁通航風險，主要受到外部通航環(huán)境、橋梁尺度和船舶尺度因素影響，對于外部通航環(huán)境信息，宋成果提出了一種基于多功能航標的信息采集方法，目前內河航標配備間距約為1km左右，在該航段內的水文、氣象信息相對穩(wěn)定，可以為船舶通過橋區(qū)的外部通航環(huán)境提供信息來源，對于船舶的尺度，主要包括船舶的長度和寬度，考慮到需要提前獲取船舶尺度信息從而實現(xiàn)橋梁主動預警，選取毫米波雷達作為船舶尺度的采集傳感器，將毫米波雷達安裝在橋梁上，并通過返回的圖像信息獲取船舶尺度信息。

3．3船撞橋預警模型建立

船撞橋多源預警模型的建立步驟如下：①在多源船撞橋預警信息收集與預處理基礎上，構造完整的、相互獨立船撞橋預警指標體系；②利用多源信息融合技術，建立多源船撞橋預警信息處理的貝葉斯決策法、人工神經網絡法、無監(jiān)督學習模式分類法、D－S證據(jù)推理算法和模糊推理算法等；③建立基于多源信息融合技術的船撞橋預警模型庫。在上述多源信息融合方法中，論文考慮采用模糊推理的方法實現(xiàn)外部通航環(huán)境的信息融合，建立船撞橋通航風險預警指標體系（見圖1）。在上述通航風險預警系統(tǒng)中，通過將風速傳感器采集的風速信息、流速傳感器采集的流速信息、能見度采集的能見度信息、毫米波雷達采集的船舶尺度信息和橋梁自身的相關信息進行融合，建立船撞橋預警系統(tǒng)。

3．4案例驗證

本案例采用模糊推理的信息融合方法，分別建立了能見度、水流、風速、橋梁軸線法向與水流夾角和通航尺度的隸屬度函數(shù)。通過建立相應的模糊推理規(guī)則可以獲得船撞橋預警信息，以在不同風、流條件下的超尺度船舶預警進行驗證，分別建立了小尺度、中等尺度、超尺度的10艘典型船舶進行計算，與《內河通航標準》船舶所需航跡帶寬度進行比較，可以獲得預警結果。

4結論

第4篇：模糊神經網絡優(yōu)缺點范文

【關鍵詞】橋型選擇；模糊綜合評判法；隸屬度矩陣

Study of Bridge Type Selection Based on the Fuzzy Comprehensive Evaluation Method

TIAN Chang-sheng ZHANG Qi

（CCCC Highway Survey & Design Co.， Ltd.， of Fhec， Beijing 100024， China）

【Abstract】As for the phenomenon of subjective desire and insufficient systematic evaluation existed in the selection of bridge type， a theoretical derivation based on fuzzy comprehensive assessment method is established in this passage. Meanwhile， the influence of security， feasibility， economical efficiency ，durability， aesthetics and environment protection are considered and a membership function matrix was established. Then， the contrastive analysis in corporate with practical engineering based on the continuous beam bridge， continuous rigid frame bridge and half-through concrete filled steel tube arch bridge is carried out， so that the quantitative value of each alternative bridge type could be obtained， and the appropriate type is determined.

【Key words】Bridge type selection；Fuzzy comprehension assessment method；Membership function matrix

0 引言

橋梁工程的建設對我國經濟的飛速發(fā)展起到舉足輕重的地位。目前我國的橋梁建設中，橋型選擇僅有在橋梁養(yǎng)護規(guī)范中提到了橋梁評定的概念，且存在不完善之處，因此對橋型適應性與橋型選擇技術是一個值得深入和系統(tǒng)研究的課題。

針對橋型的選擇，國外的學者做出了研究，葛耀君等[1]從橋梁美學設計、概念設計出發(fā)同時結合橋梁結構防災和耐久性、橋梁結構體系及其關鍵力學問題以及新材料新工藝新設備等多因素對橋梁設計及選型進行了分析，彌補中國橋梁在創(chuàng)新理念、工程質量和美學三方面的不足；周念先[2]對典型中小跨、大跨度、超大跨度橋梁的設計方案選擇進行了系統(tǒng)論述，提出了依據(jù)橋位具體條件進行橋型方案合理選擇的基本原則；孫吉書等[3]以模糊數(shù)學理論為基礎，建立模糊綜合評判模型，將橋梁美學、施工難度等定性指標用隸屬度和權重來合理定量化，實現(xiàn)定量化的綜合分析，最終得到最佳橋型方案；馬士賓等[4]根據(jù)突變理論，建立橋型方案突變模型，通過對評價目標進行多層次分解，根據(jù)突變論歸一公式進行量化遞歸運算，分別計算出不同橋型方案總突變隸屬函數(shù)值，從而實現(xiàn)對橋型方案的分析與評判；姜忻良等[5]引入改進層次分析法的綜合評價指標法，與灰色選型理論和模糊理論作比較，定性與定量相結合，計算簡便、判讀準確，是一種較科學、合理的橋梁型式選擇方法。

以上研究都是針對國內的公路橋梁的橋型適應性研究主要局限于單座橋或單個項目，沒有全國范圍內具有較普遍意義的研究成果；對影響橋型適應性因素研究不夠深入，缺乏系統(tǒng)性評價方法，主觀性較強，難以準確地評價橋型的適應性。

因此本文在建立適合我國的公路橋梁橋型適應性評價方法與評價指標的基礎上，運用模糊綜合評判法，進一步分析環(huán)境條件對于橋型選擇的影響，研究具體橋型綜合適應性評價在橋型選擇過程中的應用，通過逐層分析，歸納演繹，建立橋型選擇模型，從而建立適合我國國情的公路橋梁橋型選擇原則與選擇方法。

1 模糊綜合評判法

1.1 單級模糊綜合評判

模糊綜合評判是模糊決策中最常用的一種有效方法，在實際中，常常需要對一個事物做出評價（或評估），一般都涉及到多個因素或多個指標。它是以模糊數(shù)學理論為基礎，建立模糊綜合評判模型，將橋梁美學、施工難度等定性指標用隸屬度和權重來合理定量化，實現(xiàn)定量化的綜合分析，最終得到最佳橋型方案[6]。

模糊綜合評判法的實質在于先利用模糊數(shù)學理論中的隸屬度函數(shù)確定方法先確定出隸屬度矩陣，在結合模糊算子，得出分數(shù)值，根據(jù)分數(shù)值的大小進行評判[7-8]。

單級模糊綜合評判的一般方法步驟：

（1）確定因素集U={u1，u2，…，un}，即被評判的對象的品質是由哪些因素確定的；

（2）確定評判集V={v1，v2，…，vm}，為諸因素的m種評判所構成的評判集（或評語集、評價集）；

（3）求出評判矩陣R=（rij）n×m，R可以看為集合U到集合V的模糊關系，即對每個因素ui根據(jù)評判集作一個評判（ri1，ri2，…，rim），rij∈[0，1]，i=1，2，…，n從而確定出評判矩陣R=（rij）n×m，并且稱（U，V，R）為模糊綜合評判模型，U，V，R稱為該模型的三要素；

（4）綜合評判：對于權重A=（a1，a2，…，an），用模型M（∧，∨）取大-取小合成運算，可以得到綜合評判B=A。R（bj=■ai∧rij）j=1，2，…m）。

1.2 多級模糊綜合評判

由于實際問題的復雜性，運用1.1中的一級模糊綜合評判法得不到準確的結果。在對復雜問題進行分析時，由于要考慮的因素較多，且各因素往往層次不同并具有模糊性，采用一般的單級模糊綜合評判法只能解決單指標層的方案選擇問題，即首先分為一級指標層，一級指標層中保護若干影響因素，然后一級指標層中的因素又可以細分為二級指標，最后先將每個因素拿出來單獨對其評判，評判完后，再用模糊綜合評判法對各級準則層中的每個因素實施評判，最后得到想要的評判結果[7]。

多級模糊綜合評判的一般方法步驟：

（1）將因素集U={u1，u2，…，un}分成若干組U1，U2，Uk（1≤k≤n）使得U=■U■，且U■∩Uj=Φ（i≠j），稱U={u1，u2，…，uk}為一級指標層的因素集。不妨設：

Ui={u1（i），u2（i），…，u■（i）}（i=1，2，…k；■n■=n） （1）

我們稱Ui為二級指標層的因素集。

（2）設評判集V={v1，v2，…，vm}，由上述可知Ui={u1（i），u2（i），…，u■（i）}，我們對Ui中的ni個因素以某種方法（專家調研法或者隸屬度函數(shù)法）進行單因素評判以后，即建立f：UiF（V），uj（i）fi（uj（i））=（rj1（i），rj2（i），…，rjm（i））（j=1，2，…ni）于是得到模糊綜合評判中的隸屬度矩陣為：

Ri = ■ （2）

設Ui={u1（i），u2（i），…，u■（i）}權重集表示為Ai={a1（i），a2（i），…，a■（i）}，由上述兩個集合可得模糊綜合評價矩陣Bi為：Bi=Ai 。Ri{b1（i），b2（i），…，bm（i）}（i=1，2，…k），其中bj（i）由模型M（∧，∨）確定，或根據(jù)模糊綜合算子M（？，∨）、M（∧，+）、M（？，+）運算得到綜合評判矩陣B=A。R（b1，b2，…，bm）∈F（V）。

（3）進行綜合評價

通過權系數(shù)矩陣W與評價矩陣R的模糊變換得到模糊評判集S。設W=（μ）1×m，R=（rij）m×n那么：

S=w？R=（μ1，μ2，…，μm）？ ■=（S1，S2，…，Sn） （3）

其中“ ?！睘槟：阕樱覀冎挥杏眠m合的模糊算子才能對矩陣進行模糊變換，為我們常用的幾種模糊算子類型如下所示：

①M（∧，∨）算子

Sk=■μj∧rjk）=■{min（μj，rjk）} ，k=1，2，…n （4）

符號“∧”為取小，“∨”為取大。運算過程為首先對每個下標j求出μj與rjk的最小值，然后從這些最小值里面取最大值。

②M（?，∨）算子

Sk=■μj?rjk）=■{μj?rjk}， k=1，2，…n （5）

③M（∧，？茌）算子

“？茌”是有界限的和運算，即比普通的加法運算多了個條件界限。對t個實數(shù)x1，x2，…，xt有x1？茌x2 ？茌…？茌xt =min1，■x■，利用M（∧，？茌）算子，有

Sk=min1，■min（μj，rjk）， k=1，2，…n （6）

④M（?，？茌）算子

Sk=min1，■μj rjk， k=1，2，…n （7）

上述四種模糊綜合評價算子的優(yōu)缺點如下表1所示：

表1 綜合評價算子

Table 1 Comprehensive assessment operator

2 工程實際

2.1 工程概況

某橋橋位中心線與河流成860右交角?？缭胶恿?，高速公路規(guī)劃路，二環(huán)路。主橋全長為234m。該河為淺灘型河流，為中順聯(lián)圍內河流，其水位、流量受聯(lián)圍控制，橋位處河面寬約140m，河道最深處高程-3.11m，兩側直立漿砌片石護岸，沒有明顯高堤壩。地層由海陸交互沉積巖（Q4mc）、沖洪積層（Q4al+pl）、下伏加里東期（Pzl）和燕山期（AY） 基層組成石英、云母，巖芯呈柱狀、塊狀。本橋采用樁基礎，選擇中風化花崗巖作為樁端持力層。

2.2 主要技術標準

①公路等級：高速公路。

②設計車速：100km/h。

③設計車輛荷載：公路Ⅰ級。

④橋面寬度：全橋按六車道設計，由分離式左、右幅橋組成，橋面凈寬2×15.40m，兩幅橋間凈距離0.7m。橋面內外側設0.5m墻式防撞護欄，全橋總寬度33.50m。

⑤設計洪水頻率：1/100。

⑥地震烈度：地震峰值加速度為0.1g，反應譜特征周期為0.40s，相應地震烈度為Ⅶ度。主橋按Ⅷ度進行抗震計算。

⑦通航要求：為Ⅳ級航道，航道凈寬90m，凈空8m。

2.3 方案擬定

該公路等級為高速公路，所處的橋位斷面屬于淺灘型，有通航要求，地基條件良好，有中風化花崗巖做為持力層，本橋無特殊景觀要求，現(xiàn)選定三種橋型作為比較橋型：

方案一：三跨連續(xù)梁橋，跨徑62m+110m+62m

方案二：三跨連續(xù)剛構橋，跨徑62m+110m+62m

方案三：中承式系桿拱結構，跨徑17m+200m+17m

表2 三種橋型比較

Table 2 Comparative analysis of three bridge types

3 橋型評價指標體系權重的確定

利用專家評價法構造兩兩比較矩陣[9]。

表3 一級指標層各因素的兩兩比較表

Table 3 Pairwise comparison of factors in first-grade index

表4 二級指標層各因素的兩兩比較表

Table 4 Pairwise comparison of factors in second-grade index

4 模糊綜合評價值的計算

（1）本文是將定性的評價指標通過定量來進行描述。評價的結果是評語集C中的一個評語，最后將得到的各個指標的評語通過以下根據(jù)實際經驗和推理得到的一個Fuzzy映射，得到評判矩陣R。

表5 由因素集到評語集的Fuzzy映射

Table 5 Fuzzy mapping from factor gather to comment gather

表6 隸屬度評價指標量化表

Table 6 The assessment index quantification of membership

注：上表Fuzzy映射是根據(jù)實際經驗和推理得到的。

（2）連續(xù)梁橋、連續(xù)剛構橋和拱橋的評語表[7-11]

表7 種橋型評價等級匯總

Table 7 The assessment grade summarizing of

three bridge types

（3）由表5和表6同時結合公式（3）可得連續(xù)梁橋的隸屬度矩陣

S1= ■ = ■

得出了模糊評價矩陣后，進行模糊矩陣的復合運算，這里采用M（?，？茌）加權平均型算子通過：

Y1=W*S1=（0.309，0.168，0.121，0.229，0.086，0.086）*

■

=（0.0142，0.0782，0.2267，0.3722，0.3076）

最后得出連續(xù)梁橋的模糊綜合評價分數(shù)：

F1=Y1*N=（0.0142，0.0782，0.2267，0.3722，0.3076）*■=0.8808

同理可得連續(xù)剛構橋的分數(shù)值為0.8424，拱橋的分數(shù)值為0.7493。

綜上，采用多級模糊綜合評價法評價，通過加權平均型算子計算結果如下：

表8 比選橋型的模糊綜合評價分值

Table 8 Fuzzy comprehensive assessment grades of

three bridge type comparison

通過對三個橋型的對比分析發(fā)現(xiàn)連續(xù)梁橋的模糊綜合值最高為0.8808，連續(xù)鋼構次之為0.8224，拱橋最后為0.7493，該橋型選擇結果與實際相符合。

5 結論

本文運用模糊綜合評價法對特定環(huán)境下的備選橋型進行評價打分，得出以下結論：

（1）將定性分析與定量分析結合起來。把橋型適應性選擇中的所有定性的問題通過科學的數(shù)學定量的辦法來刻畫，利用模糊運算又轉化為怎么樣定性地表示各個指標層地評價等級的問題，這樣可以把定性分析的問題與定量分析問題的方法有機地結合起來，這樣解決問題就保證了橋型適應性評價過程中的客觀實際性；

（2）現(xiàn)有統(tǒng)計信息的不完善性使得對鋼筋混凝土橋梁橋型選擇的還存在一定的不確定性，但是這些不確定性又是在實際的分析過程中不可或缺的；

（3）通過三個方案的比較以及結合工程實際來分析，得到利用算出的模糊綜合值來對選擇橋型是比較符合實際的；

（4）本文所給出的是以專家評價為基礎，通過工程調研以及理論計算得出的計算結果，在此過程中是以抽樣的形式進行，難免會存在一定的誤差，這將是我們下一步研究的重點。

【參考文獻】

[1]葛耀君，項海帆.橋梁工程可持續(xù)發(fā)展的理念與使命[C]//第全國橋梁學術會議論文集（上冊）.2010.GE Yao-jun，XIANG Hai-fan.The philosophy and mission of bridge engineering sustainable development [C]//The 19th national Bridge academic conference proceedings（volume one）.2010.

[2]周念先.橋梁方案比選[M].上海：同濟大學出版社，1997：10.ZHOU Nian-xian.Bridge scheme comparison[M].Shanghai：Tongji University Press，1997：10.

[3]孫吉書，楊春風，艾忠華，等.模糊綜合評價方法在橋型多方案選擇中的應用[J].河北工業(yè)大學學報，2009，38（4）：99-102. SUN Ji-shu， YANG Chun-feng，AI Zhong-hua，ZHOU Ji.Application of Fuzzy Comprehensive Evaluation Method in Bridge Type Multi-scheme Selection[J].JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGY，2009，38（4）：99-102.

[4]馬士賓，王選倉，魏連雨，等.突變優(yōu)選理論在選擇橋型方案中的應用[J].公路交通科技，2007，4（10）：68-71.MA Shi-bin，WANG Xuan-cang，WEI Lian-yu，CUN Hong-jun.Bridge Scheme Selection Based on Mutation Theory[J]. JOURNAL OF HIGHWAY AND TRANSPORTATION RESEARCH AND DEVELOPMENT，2007，24（10）：68-71.

[5]姜忻良，王丙興，竇遠明，等.綜合評價指標體系在橋梁選型中的應用研究[J].土木工程學報，2009，42（7）：65-68.Jiang Xin-liang， Wang Bing-xing， Dou Yuan-ming， Sun Li-shan. Application of comprehensive indicator system for optimization of bridge schemes [J]. China Civil Engineering Journal，2009，42（7）：65-68.

[6]郭釗.模糊信息下既有鋼筋混凝土橋梁時變可靠度評估[D].長沙：長沙理工大學，2012.Guo Zhao. Time-Dependent Reliability Assessment of Existing Reinforced Concrete Bridge under Fuzzy Information[D].Changsha：Changsha University of Science and Technology，2012.

[7]陳貽源.模糊數(shù)學[M].武漢：華中工學院出版社，1984.Chen Yi-yuan.Fuzzy mathematics[M].Wuhan：Huazhong institute of technology press，1984.

[8]尹宏賓，徐建閩，黃仕進.基于模糊神經網絡的信號交叉通量預測方法研究[J].中國公路學報，2000，13（3）：78-81.YIN Hong-bin，XU Jian-min，HUANG Shi-jin.Traffic flow prediction of signalized intersections using fuzzy-neural approach[J]. CHINA JOURNAL OF HIGHWAY AND TRANSPORT，2000，13（3）：78-81.

[9]葉珍.基于AHP的模糊綜合評價方法研究及應用[D].廣州：華南理工大學，2010.Ye Zhen. Study and application of fuzzy comprehensive evaluation based on AHP[D].Guangzhou：south China university of technology，2010.

[10]陳守煜.工程水文水資源系統(tǒng)模糊集分析理論與實踐[M].大連：大連理工大學出版社，1998：65-69.Chen Shou-Yu. The Fuzzy Sets Theory and Practice For Engineering Hydrology and Water Resources System[M].Dalian：Dalian university of technology press，1998：65-69.

[11]王怡.基于模糊層次分析法的環(huán)境綜合評價[J].大慶石油學院學報，2008，32（2）：100-106.WANG Yi. Comprehensive appraisal of environment based on method of fuzzy and AHP[J]. Journal of Daqing Petroleum Institute，2008，32（2）：100-106.