信度函数,“&”和“⊕”分别为相对于空间和时间的两个模糊对偶聚合算子,例如,maX和 min,S-算子和T-算子;∫为模糊激励函数,y为模糊过程神经元的输出。 由图3.5,这种模糊过程神经元输入输出之间的关系为 y=f((x(1)&w(1)-b()) (3.17) 式(3.17)中,θ(1)为模糊过程神经元的模糊阈值,也可为过程模糊函数。 由于过程神经元的输入、连接权、阈值、聚合运算和非线性激励函数等都被模糊化, 分别可以是各种模糊集、模糊运算和模糊函数,因此,其输岀既可以是数值型的也以是 模糊的。 与非模糊的过程神经元信息处理机制相类似,这种模糊过程神经元的所有输入函数(模 糊的或清晰的)经加权操作后进行某种聚合运算,最后根据阈值和激励函数计算出神经元的 输出结果 3.5.2由模糊加权推理规则构造模糊过程神经元 将过程神经元在语义上表示为一个加权模糊逻辑的规则,其中前提和结论是包含过程性 信息的模糊集作为变元的模糊谓词。在这类模糊过程神经元中,具有过程性模糊信息的输入 /输岀是通过一个加权模糊逻辑规则相联系的。论域的知识和经验存储在模糊连接权中,其 输出谓词是由当前的输入谓词和已有的经验权重按一定规则组合而成,即一个模糊过程神经 元对应于一个带过程性信息的加权模糊逻辑规则,其结构如图3.6所示 PI(t &, 图3.6模糊推理过程神经元 由图3.6,一个包含过程性信息的模糊推理规则可表示为 W1&P1(1)W2&P2(D)…Wn&P(1)→>Q(D),Cf,r (3.18) 其中,P(1),Q(t)为模糊逻辑谓词,取真值于[O,1],其中t∈[0,];模糊连接权w,≥0且 W1=1:f为推理规则的信度(0<cf≤1),为可应用阈限(0<r≤1),即当前提的 真度1:t=∑帝*T(P()大于等于r时,则该规则就可被应用。这里T(P()为P()的 真度5 信度函数，“&”和“⊕”分别为相对于空间和时间的两个模糊对偶聚合算子，例如， max 和 min ，S -算子和 T -算子； f 为模糊激励函数， y 为模糊过程神经元的输出。 由图 3.5，这种模糊过程神经元输入输出之间的关系为 ( )) ~ ( )) & ~ y = f ((x(t) w t − t （3.17） 式（3.17）中， ( ) ~  t 为模糊过程神经元的模糊阈值，也可为过程模糊函数。 由于过程神经元的输入、连接权、阈值、聚合运算和非线性激励函数等都被模糊化， 分别可以是各种模糊集、模糊运算和模糊函数，因此，其输出既可以是数值型的也以是 模糊的。 与非模糊的过程神经元信息处理机制相类似，这种模糊过程神经元的所有输入函数（模 糊的或清晰的）经加权操作后进行某种聚合运算，最后根据阈值和激励函数计算出神经元的 输出结果。 3.5.2 由模糊加权推理规则构造模糊过程神经元 将过程神经元在语义上表示为一个加权模糊逻辑的规则，其中前提和结论是包含过程性 信息的模糊集作为变元的模糊谓词。在这类模糊过程神经元中，具有过程性模糊信息的输入 /输出是通过一个加权模糊逻辑规则相联系的。论域的知识和经验存储在模糊连接权中，其 输出谓词是由当前的输入谓词和已有的经验权重按一定规则组合而成，即一个模糊过程神经 元对应于一个带过程性信息的加权模糊逻辑规则，其结构如图 3.6 所示。 图 3.6 模糊推理过程神经元 由图 3.6，一个包含过程性信息的模糊推理规则可表示为: & ( ) ( ), , ~ & ( ) ~ & ( ) ~ 1 1 2 2 w P t w P t w P t Q t cf   n n → （3.18） 其中， P (t) i ,Q(t) 为模糊逻辑谓词，取真值于 [0,1] ，其中 t [0,T ] ；模糊连接权 0 ~ wi  且 1 ~ 1  = = n i wi ； cf 为推理规则的信度 (0  cf  1) ， 为可应用阈限 (0    1) ，即当前提的 真度 t ： ( ( )) ~ 1 t w T P t i n i =  i  = 大于等于  时，则该规则就可被应用。这里 T(P (t)) i 为 P (t) i 的 真度， i = 1,2,...,n 。 … C f ,τ … 1 ~ w 2 ~ w wn ~ P ( ) 1 t P ( ) 2 t P ( ) n t Q(t) &,⊕