模糊logistic神经网络集合了模糊神经网络和logistic回归各自的优点,不仅具有较强的自主学习能力和处理专家先验知识的能力,还在很大程度上提高了神经网络对于分类问题的可解释性。本文分别介绍了模糊logistic神经网络的二分类模型和其拓展模型,以及相应的参数辨识方法。论文的主要工作如下：首先,本文提出一种混合学习策略来辨识模糊logistic神经网络二分类模型的参数。我们选用高斯隶属函数作为网络前件的隶属函数,并采用带约束的梯度下降法来识别高斯隶属函数的中心和宽度；选用logistic函数作为网络后件的激活函数,并采用最大似然估计法来辨识logistic函数中的参数；最后,利用高斯粒子群(GPSO)算法对这两种方法中的学习率和动量因子进行优化。仿真结果表明,本文所构造的模糊logistic神经网络二分类模型对UCI数据集以及医疗实测数据均取得较好的分类效果。其次,本文将模糊logistic神经网络二分类模型拓展为核模糊logistic神经网络,用于处理多分类问题。我们分别采用线性核函数和高斯核函数将输入数据集映射到高维特征空间,并利用主成分分析法进行数据降维。在此基础上,采用最大似然估计法完成参数辨识；与此同时,凭借网络对测试样本集的分类准确率构造伸缩因子,通过动态调节学习率来提高网络收敛速度并改善网络分类效果。仿真结果表明,本文所构造的核模糊logistic神经网络对于处理多分类UCI数据集具有一定优势,并且变论域学习率的使用也在很大程度上提高了模型的计算效率。