【摘要】：，wn）来表示广义的平均，则定义g（x1，x2，…，wn）为权重，p为控制参数。p的性质为：当p增加时，g（·）就越来越接近于“并”；当p→∞时，则g（·）就是“并”，因为它得到的是（x1，x2，…如果p=1，则（3-1）式为算术平均。因此，p的参数大小具有表示输入与输出关系的意义。，xn的隶属度可通过训练或统计的方法得到，通常根据具体问题选用三角形、梯形或正态隶属函数，多输入多输出的广义平均算子模型的网络的形式。
3.2.1 广义的平均算子模型
定义1：广义平均算子。
用g（x1，x2，…，xn，p，w1，w2，…，wn）来表示广义的平均，则定义g（x1，x2，…，xn，p，w1，w2，…，wn）=（∑n—i=1wixpi）1—p（3-1）
它的约束条件为：
∑n—i=1wi=1， -∞＜p＜∞（3-2）
其中向量（x1，x2，…，xn）为输入，向量（w1，w2，…，wn）为权重，p为控制参数。p的性质为：当p增加时，g（·）就越来越接近于“并”；当p→∞时，则g（·）就是“并”，因为它得到的是（x1，x2，…，xn）中最大的一个。当p负向增加时，g（·）就越来越接近xi中的最小值。因此，g（·）是从 max（x1，x2，…，xn）→min（x1，x2，…，xn）。如果p=1，则（3-1）式为算术平均。因此，p的参数大小具有表示输入与输出关系的意义。
模糊输入x1，x2，…，xn的隶属度可通过训练或统计的方法得到，通常根据具体问题选用三角形、梯形或正态隶属函数，多输入多输出的广义平均算子模型的网络的形式。神经元的输入是用模糊化的隶属度表示，网络的权值为w，网络的输出为g，另一个可控制参数为p，用以控制输入输出的关系。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
