1引言
系統(tǒng)的狀態(tài)預測是故障診斷中必不可少的一個環(huán)節(jié)，是診斷技術(shù)的重要目標之一?；?a class="contentlabel" href="http://yuyingmama.com.cn/news/listbylabel/label/模糊神經(jīng)網(wǎng)絡">模糊神經(jīng)網(wǎng)絡的預測是一種非參數(shù)模型預測。在用模糊神經(jīng)網(wǎng)絡進行預測時，現(xiàn)有的方法一般是利用大量已獲得的觀測數(shù)據(jù)即樣本數(shù)據(jù)進行一次建模，然后在預測時不再進行學習，即網(wǎng)絡參數(shù)不變。隨著時間的推移，這種利用歷史數(shù)據(jù)建立的模型不能完全反映時間序列近期和現(xiàn)時的特性，需要隨著新數(shù)據(jù)的積累不斷調(diào)整網(wǎng)絡模型的參數(shù)，使模型不斷完善。因此，本文提出一種新的模糊神經(jīng)網(wǎng)絡算法，即在原有算法的基礎(chǔ)上引入時差法，該方法在某種程度上能實時地根據(jù)觀測數(shù)據(jù)和預測結(jié)果不斷調(diào)整模型參數(shù)，使模型盡可能完善，從而提高預測精度。
2模糊神經(jīng)網(wǎng)絡
模糊神經(jīng)網(wǎng)絡（Fuzzy Neural Network）是模糊系統(tǒng)與神經(jīng)網(wǎng)絡的結(jié)合，通過神經(jīng)網(wǎng)絡實現(xiàn)模糊邏輯，同時利用神經(jīng)網(wǎng)絡的自學習能力，動態(tài)調(diào)整隸屬度函數(shù)、在線優(yōu)化控制規(guī)則。二者的融合彌補了神經(jīng)網(wǎng)絡在模糊數(shù)據(jù)處理方面的不足和純模糊系統(tǒng)在學習方面的缺陷。
我們采用的是一種串形結(jié)構(gòu)的多層前向模糊神經(jīng)網(wǎng)絡，如圖1所示.該模型有四層，分別為輸入層，隸屬函數(shù)生成層（模糊化層），推理層及反模糊化層。