運(yùn)用T—S型模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)糧蟲(chóng)分類識(shí)別

方明

【摘 要】 在儲(chǔ)糧害蟲(chóng)的檢測(cè)過(guò)程中，需要對(duì)多種多特征的糧蟲(chóng)進(jìn)行分類識(shí)別，本文利用T-S型模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行糧蟲(chóng)特征分類，在Visual C++6.0平臺(tái)上實(shí)現(xiàn)對(duì)糧蟲(chóng)的識(shí)別，對(duì)6類常見(jiàn)糧蟲(chóng)的識(shí)別率達(dá)到95%以上，得到了良好的識(shí)別結(jié)果。

【關(guān)鍵詞】 T-S型模糊神經(jīng)網(wǎng)絡(luò) 儲(chǔ)糧害蟲(chóng) 分類識(shí)別 Visual C++6.0

糧食的安全儲(chǔ)藏問(wèn)題是個(gè)世界性難題。據(jù)聯(lián)合國(guó)糧農(nóng)組織的調(diào)查統(tǒng)計(jì)，全世界每年糧食霉變及蟲(chóng)害等損失為糧食產(chǎn)量的8%[1]。因此，搞好糧食儲(chǔ)藏是一項(xiàng)關(guān)系到國(guó)計(jì)民生的重大課題，進(jìn)行儲(chǔ)糧害蟲(chóng)的治理任務(wù)重大而迫切。準(zhǔn)確地給出害蟲(chóng)的種類信息可為害蟲(chóng)的綜合防治提供科學(xué)的決策依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它的特點(diǎn)是將神經(jīng)網(wǎng)絡(luò)較強(qiáng)的自學(xué)習(xí)和聯(lián)想能力與模糊邏輯的推理過(guò)程易理解、對(duì)樣本要求較低的特點(diǎn)融合在一起，模糊理論和模糊系統(tǒng)理論上比通常意義下的模糊邏輯和神經(jīng)網(wǎng)絡(luò)更有優(yōu)越性，但是很難實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的功能。如果把神經(jīng)網(wǎng)絡(luò)引入到模糊理論中，將兩者有機(jī)結(jié)合，模糊系統(tǒng)能夠成為一種具有較強(qiáng)自學(xué)習(xí)能力的自適應(yīng)模糊系統(tǒng)，采用已有神經(jīng)網(wǎng)絡(luò)的有效學(xué)習(xí)算法，并吸收模糊系統(tǒng)的優(yōu)點(diǎn)，起到互補(bǔ)的效果。

1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

1985年，T-S型模糊邏輯系統(tǒng)由日本的高木（Takagi）和關(guān)野（Sugeno）提出，旨在開(kāi)發(fā)從給定的輸入-輸出數(shù)據(jù)集產(chǎn)生模糊規(guī)則的系統(tǒng)化方法，這種基于語(yǔ)言規(guī)則描述的模型第i條規(guī)則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數(shù)。通常是輸入變量x和y的多項(xiàng)式。當(dāng)是一階多項(xiàng)式時(shí)，所產(chǎn)生的模糊推理系統(tǒng)被稱為一階Sugeno模糊模型，當(dāng)為常數(shù)時(shí)，即得到了零階Sugeno模糊模型[2，3]。

專家知識(shí)被Sugeno模糊模型通過(guò)語(yǔ)言和數(shù)據(jù)整合到if-then規(guī)則中，基于T-S型的模糊神經(jīng)網(wǎng)絡(luò)綜合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，不但能夠?qū)崿F(xiàn)一個(gè)Sugeno模糊推理系統(tǒng)的功能[4，5]，實(shí)現(xiàn)圖像的模糊輸入和模糊推理，而且它能根據(jù)系統(tǒng)輸出的期望值和實(shí)際值的差別自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則。這種模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于儲(chǔ)糧害蟲(chóng)分類，將更貼近于害蟲(chóng)特征的形成過(guò)程，能取得較好的分類結(jié)果。

本實(shí)驗(yàn)采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數(shù)生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數(shù)，采用的是高斯函數(shù)。為參數(shù)對(duì)，它們稱為前件參數(shù)，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運(yùn)算，即各節(jié)點(diǎn)的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時(shí)，令后件函數(shù)為，其模糊推理輸出：

（1-4）

學(xué)習(xí)算法采用誤差函數(shù)的負(fù)梯度下降方法，不斷更新網(wǎng)絡(luò)參數(shù)。第n個(gè)訓(xùn)練模式的誤差參數(shù)，可定義為

（1-5）

其中p為輸出單元的個(gè)數(shù)。

按照模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可定義網(wǎng)絡(luò)參數(shù)向量：

（1-6）

參數(shù)更新修正規(guī)則：

（1-7）

其中為學(xué)習(xí)速率。

網(wǎng)絡(luò)分為4層：第1層為輸入層，代表儲(chǔ)糧害蟲(chóng)的特征向量輸入網(wǎng)絡(luò)；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個(gè)等級(jí){小（small），中（medium），大（large）}，隸屬函數(shù)為高斯函數(shù)；第3層為模糊推理層，以使對(duì)模糊化后的特征向量進(jìn)行綜合處理，采用積運(yùn)算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗(yàn)過(guò)程

試驗(yàn)過(guò)程分為學(xué)習(xí)過(guò)程和回調(diào)過(guò)程。

學(xué)習(xí)過(guò)程：（1）確定分類數(shù)為9。確定訓(xùn)練的矢量數(shù)據(jù)，用各分量分別代表害蟲(chóng)特征向量作為輸入。取每類害蟲(chóng)的5個(gè)特征分量值作為訓(xùn)練數(shù)據(jù)的輸入矢量，從而完備訓(xùn)練數(shù)據(jù)，同時(shí)確定各個(gè)輸入矢量對(duì)應(yīng)的各類隸屬度輸出，構(gòu)成9個(gè)5輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，每一個(gè)對(duì)應(yīng)一類的隸屬度輸出。（2）將數(shù)據(jù)送入各自單個(gè)的網(wǎng)絡(luò)訓(xùn)練，直至能模擬所有輸出。

回調(diào)過(guò)程：將待分類儲(chǔ)糧害蟲(chóng)的特征向量送入網(wǎng)絡(luò)，得到各自的單個(gè)網(wǎng)絡(luò)的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗(yàn)結(jié)果

利用Sugeno型模糊神經(jīng)網(wǎng)絡(luò)對(duì)6類儲(chǔ)糧害蟲(chóng)進(jìn)行了分類研究。試驗(yàn)結(jié)果如（表1）所示。

4 Visual C++6.0平臺(tái)上實(shí)現(xiàn)識(shí)別

（圖1）是在儲(chǔ)糧害蟲(chóng)圖像分類識(shí)別系統(tǒng)中對(duì)赤擬谷盜其中一個(gè)樣本的識(shí)別。

5 結(jié)語(yǔ)

運(yùn)用T-S型神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行分類的識(shí)別率達(dá)到95.6%，并且利用Visual C++6.0平臺(tái)實(shí)現(xiàn)，操作簡(jiǎn)單，可讀性好，具有較大的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]黑龍江省大豆協(xié)會(huì).我國(guó)糧食儲(chǔ)藏的現(xiàn)況及發(fā)展趨勢(shì).http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint

【摘 要】 在儲(chǔ)糧害蟲(chóng)的檢測(cè)過(guò)程中，需要對(duì)多種多特征的糧蟲(chóng)進(jìn)行分類識(shí)別，本文利用T-S型模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行糧蟲(chóng)特征分類，在Visual C++6.0平臺(tái)上實(shí)現(xiàn)對(duì)糧蟲(chóng)的識(shí)別，對(duì)6類常見(jiàn)糧蟲(chóng)的識(shí)別率達(dá)到95%以上，得到了良好的識(shí)別結(jié)果。

【關(guān)鍵詞】 T-S型模糊神經(jīng)網(wǎng)絡(luò) 儲(chǔ)糧害蟲(chóng) 分類識(shí)別 Visual C++6.0

糧食的安全儲(chǔ)藏問(wèn)題是個(gè)世界性難題。據(jù)聯(lián)合國(guó)糧農(nóng)組織的調(diào)查統(tǒng)計(jì)，全世界每年糧食霉變及蟲(chóng)害等損失為糧食產(chǎn)量的8%[1]。因此，搞好糧食儲(chǔ)藏是一項(xiàng)關(guān)系到國(guó)計(jì)民生的重大課題，進(jìn)行儲(chǔ)糧害蟲(chóng)的治理任務(wù)重大而迫切。準(zhǔn)確地給出害蟲(chóng)的種類信息可為害蟲(chóng)的綜合防治提供科學(xué)的決策依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它的特點(diǎn)是將神經(jīng)網(wǎng)絡(luò)較強(qiáng)的自學(xué)習(xí)和聯(lián)想能力與模糊邏輯的推理過(guò)程易理解、對(duì)樣本要求較低的特點(diǎn)融合在一起，模糊理論和模糊系統(tǒng)理論上比通常意義下的模糊邏輯和神經(jīng)網(wǎng)絡(luò)更有優(yōu)越性，但是很難實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的功能。如果把神經(jīng)網(wǎng)絡(luò)引入到模糊理論中，將兩者有機(jī)結(jié)合，模糊系統(tǒng)能夠成為一種具有較強(qiáng)自學(xué)習(xí)能力的自適應(yīng)模糊系統(tǒng)，采用已有神經(jīng)網(wǎng)絡(luò)的有效學(xué)習(xí)算法，并吸收模糊系統(tǒng)的優(yōu)點(diǎn)，起到互補(bǔ)的效果。

1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

1985年，T-S型模糊邏輯系統(tǒng)由日本的高木（Takagi）和關(guān)野（Sugeno）提出，旨在開(kāi)發(fā)從給定的輸入-輸出數(shù)據(jù)集產(chǎn)生模糊規(guī)則的系統(tǒng)化方法，這種基于語(yǔ)言規(guī)則描述的模型第i條規(guī)則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數(shù)。通常是輸入變量x和y的多項(xiàng)式。當(dāng)是一階多項(xiàng)式時(shí)，所產(chǎn)生的模糊推理系統(tǒng)被稱為一階Sugeno模糊模型，當(dāng)為常數(shù)時(shí)，即得到了零階Sugeno模糊模型[2，3]。

專家知識(shí)被Sugeno模糊模型通過(guò)語(yǔ)言和數(shù)據(jù)整合到if-then規(guī)則中，基于T-S型的模糊神經(jīng)網(wǎng)絡(luò)綜合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，不但能夠?qū)崿F(xiàn)一個(gè)Sugeno模糊推理系統(tǒng)的功能[4，5]，實(shí)現(xiàn)圖像的模糊輸入和模糊推理，而且它能根據(jù)系統(tǒng)輸出的期望值和實(shí)際值的差別自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則。這種模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于儲(chǔ)糧害蟲(chóng)分類，將更貼近于害蟲(chóng)特征的形成過(guò)程，能取得較好的分類結(jié)果。

本實(shí)驗(yàn)采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數(shù)生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數(shù)，采用的是高斯函數(shù)。為參數(shù)對(duì)，它們稱為前件參數(shù)，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運(yùn)算，即各節(jié)點(diǎn)的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時(shí)，令后件函數(shù)為，其模糊推理輸出：

（1-4）

學(xué)習(xí)算法采用誤差函數(shù)的負(fù)梯度下降方法，不斷更新網(wǎng)絡(luò)參數(shù)。第n個(gè)訓(xùn)練模式的誤差參數(shù)，可定義為

（1-5）

其中p為輸出單元的個(gè)數(shù)。

按照模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可定義網(wǎng)絡(luò)參數(shù)向量：

（1-6）

參數(shù)更新修正規(guī)則：

（1-7）

其中為學(xué)習(xí)速率。

網(wǎng)絡(luò)分為4層：第1層為輸入層，代表儲(chǔ)糧害蟲(chóng)的特征向量輸入網(wǎng)絡(luò)；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個(gè)等級(jí){小（small），中（medium），大（large）}，隸屬函數(shù)為高斯函數(shù)；第3層為模糊推理層，以使對(duì)模糊化后的特征向量進(jìn)行綜合處理，采用積運(yùn)算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗(yàn)過(guò)程

試驗(yàn)過(guò)程分為學(xué)習(xí)過(guò)程和回調(diào)過(guò)程。

學(xué)習(xí)過(guò)程：（1）確定分類數(shù)為9。確定訓(xùn)練的矢量數(shù)據(jù)，用各分量分別代表害蟲(chóng)特征向量作為輸入。取每類害蟲(chóng)的5個(gè)特征分量值作為訓(xùn)練數(shù)據(jù)的輸入矢量，從而完備訓(xùn)練數(shù)據(jù)，同時(shí)確定各個(gè)輸入矢量對(duì)應(yīng)的各類隸屬度輸出，構(gòu)成9個(gè)5輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，每一個(gè)對(duì)應(yīng)一類的隸屬度輸出。（2）將數(shù)據(jù)送入各自單個(gè)的網(wǎng)絡(luò)訓(xùn)練，直至能模擬所有輸出。

回調(diào)過(guò)程：將待分類儲(chǔ)糧害蟲(chóng)的特征向量送入網(wǎng)絡(luò)，得到各自的單個(gè)網(wǎng)絡(luò)的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗(yàn)結(jié)果

利用Sugeno型模糊神經(jīng)網(wǎng)絡(luò)對(duì)6類儲(chǔ)糧害蟲(chóng)進(jìn)行了分類研究。試驗(yàn)結(jié)果如（表1）所示。

4 Visual C++6.0平臺(tái)上實(shí)現(xiàn)識(shí)別

（圖1）是在儲(chǔ)糧害蟲(chóng)圖像分類識(shí)別系統(tǒng)中對(duì)赤擬谷盜其中一個(gè)樣本的識(shí)別。

5 結(jié)語(yǔ)

運(yùn)用T-S型神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行分類的識(shí)別率達(dá)到95.6%，并且利用Visual C++6.0平臺(tái)實(shí)現(xiàn)，操作簡(jiǎn)單，可讀性好，具有較大的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]黑龍江省大豆協(xié)會(huì).我國(guó)糧食儲(chǔ)藏的現(xiàn)況及發(fā)展趨勢(shì).http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint

【摘 要】 在儲(chǔ)糧害蟲(chóng)的檢測(cè)過(guò)程中，需要對(duì)多種多特征的糧蟲(chóng)進(jìn)行分類識(shí)別，本文利用T-S型模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行糧蟲(chóng)特征分類，在Visual C++6.0平臺(tái)上實(shí)現(xiàn)對(duì)糧蟲(chóng)的識(shí)別，對(duì)6類常見(jiàn)糧蟲(chóng)的識(shí)別率達(dá)到95%以上，得到了良好的識(shí)別結(jié)果。

【關(guān)鍵詞】 T-S型模糊神經(jīng)網(wǎng)絡(luò) 儲(chǔ)糧害蟲(chóng) 分類識(shí)別 Visual C++6.0

糧食的安全儲(chǔ)藏問(wèn)題是個(gè)世界性難題。據(jù)聯(lián)合國(guó)糧農(nóng)組織的調(diào)查統(tǒng)計(jì)，全世界每年糧食霉變及蟲(chóng)害等損失為糧食產(chǎn)量的8%[1]。因此，搞好糧食儲(chǔ)藏是一項(xiàng)關(guān)系到國(guó)計(jì)民生的重大課題，進(jìn)行儲(chǔ)糧害蟲(chóng)的治理任務(wù)重大而迫切。準(zhǔn)確地給出害蟲(chóng)的種類信息可為害蟲(chóng)的綜合防治提供科學(xué)的決策依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它的特點(diǎn)是將神經(jīng)網(wǎng)絡(luò)較強(qiáng)的自學(xué)習(xí)和聯(lián)想能力與模糊邏輯的推理過(guò)程易理解、對(duì)樣本要求較低的特點(diǎn)融合在一起，模糊理論和模糊系統(tǒng)理論上比通常意義下的模糊邏輯和神經(jīng)網(wǎng)絡(luò)更有優(yōu)越性，但是很難實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的功能。如果把神經(jīng)網(wǎng)絡(luò)引入到模糊理論中，將兩者有機(jī)結(jié)合，模糊系統(tǒng)能夠成為一種具有較強(qiáng)自學(xué)習(xí)能力的自適應(yīng)模糊系統(tǒng)，采用已有神經(jīng)網(wǎng)絡(luò)的有效學(xué)習(xí)算法，并吸收模糊系統(tǒng)的優(yōu)點(diǎn)，起到互補(bǔ)的效果。

1 T-S型模糊神經(jīng)網(wǎng)絡(luò)

1985年，T-S型模糊邏輯系統(tǒng)由日本的高木（Takagi）和關(guān)野（Sugeno）提出，旨在開(kāi)發(fā)從給定的輸入-輸出數(shù)據(jù)集產(chǎn)生模糊規(guī)則的系統(tǒng)化方法，這種基于語(yǔ)言規(guī)則描述的模型第i條規(guī)則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數(shù)。通常是輸入變量x和y的多項(xiàng)式。當(dāng)是一階多項(xiàng)式時(shí)，所產(chǎn)生的模糊推理系統(tǒng)被稱為一階Sugeno模糊模型，當(dāng)為常數(shù)時(shí)，即得到了零階Sugeno模糊模型[2，3]。

專家知識(shí)被Sugeno模糊模型通過(guò)語(yǔ)言和數(shù)據(jù)整合到if-then規(guī)則中，基于T-S型的模糊神經(jīng)網(wǎng)絡(luò)綜合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，不但能夠?qū)崿F(xiàn)一個(gè)Sugeno模糊推理系統(tǒng)的功能[4，5]，實(shí)現(xiàn)圖像的模糊輸入和模糊推理，而且它能根據(jù)系統(tǒng)輸出的期望值和實(shí)際值的差別自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則。這種模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于儲(chǔ)糧害蟲(chóng)分類，將更貼近于害蟲(chóng)特征的形成過(guò)程，能取得較好的分類結(jié)果。

本實(shí)驗(yàn)采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數(shù)生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數(shù)，采用的是高斯函數(shù)。為參數(shù)對(duì)，它們稱為前件參數(shù)，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運(yùn)算，即各節(jié)點(diǎn)的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時(shí)，令后件函數(shù)為，其模糊推理輸出：

（1-4）

學(xué)習(xí)算法采用誤差函數(shù)的負(fù)梯度下降方法，不斷更新網(wǎng)絡(luò)參數(shù)。第n個(gè)訓(xùn)練模式的誤差參數(shù)，可定義為

（1-5）

其中p為輸出單元的個(gè)數(shù)。

按照模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，可定義網(wǎng)絡(luò)參數(shù)向量：

（1-6）

參數(shù)更新修正規(guī)則：

（1-7）

其中為學(xué)習(xí)速率。

網(wǎng)絡(luò)分為4層：第1層為輸入層，代表儲(chǔ)糧害蟲(chóng)的特征向量輸入網(wǎng)絡(luò)；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個(gè)等級(jí){?。╯mall），中（medium），大（large）}，隸屬函數(shù)為高斯函數(shù)；第3層為模糊推理層，以使對(duì)模糊化后的特征向量進(jìn)行綜合處理，采用積運(yùn)算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗(yàn)過(guò)程

試驗(yàn)過(guò)程分為學(xué)習(xí)過(guò)程和回調(diào)過(guò)程。

學(xué)習(xí)過(guò)程：（1）確定分類數(shù)為9。確定訓(xùn)練的矢量數(shù)據(jù)，用各分量分別代表害蟲(chóng)特征向量作為輸入。取每類害蟲(chóng)的5個(gè)特征分量值作為訓(xùn)練數(shù)據(jù)的輸入矢量，從而完備訓(xùn)練數(shù)據(jù)，同時(shí)確定各個(gè)輸入矢量對(duì)應(yīng)的各類隸屬度輸出，構(gòu)成9個(gè)5輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，每一個(gè)對(duì)應(yīng)一類的隸屬度輸出。（2）將數(shù)據(jù)送入各自單個(gè)的網(wǎng)絡(luò)訓(xùn)練，直至能模擬所有輸出。

回調(diào)過(guò)程：將待分類儲(chǔ)糧害蟲(chóng)的特征向量送入網(wǎng)絡(luò)，得到各自的單個(gè)網(wǎng)絡(luò)的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗(yàn)結(jié)果

利用Sugeno型模糊神經(jīng)網(wǎng)絡(luò)對(duì)6類儲(chǔ)糧害蟲(chóng)進(jìn)行了分類研究。試驗(yàn)結(jié)果如（表1）所示。

4 Visual C++6.0平臺(tái)上實(shí)現(xiàn)識(shí)別

（圖1）是在儲(chǔ)糧害蟲(chóng)圖像分類識(shí)別系統(tǒng)中對(duì)赤擬谷盜其中一個(gè)樣本的識(shí)別。

5 結(jié)語(yǔ)

運(yùn)用T-S型神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行分類的識(shí)別率達(dá)到95.6%，并且利用Visual C++6.0平臺(tái)實(shí)現(xiàn)，操作簡(jiǎn)單，可讀性好，具有較大的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]黑龍江省大豆協(xié)會(huì).我國(guó)糧食儲(chǔ)藏的現(xiàn)況及發(fā)展趨勢(shì).http：//www.hsa.org.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

[4]C.-T.Lin，C.S.G.Lee.Neural-network-based fuzzy logic control and decision system[J] .IEEE Transactions on Computers，1991，40（12）：1320-1336.

[5]L-X Wang，J.M.Mendel.Back propagation fuzzy systems as nonlinear dynamic system identifiers[A].In：Proceedings of the IEEE International Conference on Fuzzy Systems[C].San Diego，1992.endprint