广义动态模糊神经网络及其在热工辨识中的应用

《广义动态模糊神经网络及其在热工辨识中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第25卷第7期电力科学与工程V01．25．No．7382009年7月ElectricPowerScienceandEngineeringJu1．，2009广义动态模糊神经网络及其在热工辨识中的应用李岩，王东风，韩璞(华北电力大学控制科学与工程学院，河北保定071003)摘要：针对热工过程难以建立精确数学模型的特点，将广义动态模糊神经网络应用于热工复杂系统的辨识。该算法以模糊一完备性作为高斯函数宽度的确定准则，避免初始化选择的随机性。同时，该算法不仅能对模糊规则而且能对输入变量的重要性做出评价，从而使得每个输入变量和模糊规则都可以根据误差减少率进行修正。通

2、过对莱电厂一次风量和平均床温实测数据的仿真实验结果表明，该方法具有较高的辨识精度和效率。关键词：模糊规则；广义动态模糊神经网络；热工辨识；仿真实验中图分类号：TP181；TK229文献标识码：A自动增加、删除或者修改模糊规则来优化模糊模O引言型，并确定模糊神经网络的结构口。通过对某电厂一次风量和平均床温数据的仿真实验结果表明，该系统辨识是控制理论研究的一个重要分支，是方法具有较高的辨识精度和效率。控制系统设计的基础。多年来，对于线性、非时变系统的辨识已取得了很大的进展，但是，热工过程1GD—FNN的结构往往表现出非线性、慢时变、大迟延和不确定性的特点，难

3、以建立精确的数学模型。由于常规线性模广义动态模糊神经网络的结构如图1所示。型的控制系统在过程工况发生变化时，控制品质将A1I会下降，甚至影响控制系统的正常运行，因此，建立热工过程精确的数学模型是提高控制系统性能的基础川。近年来，人们采用神经网络建立过程的非线性模型获得了满意的效果，但由于常用的多层神经网络计算量大、收敛速度慢，且容易陷入局部极小点，因而影响了它们的应用。模糊神经网络不仅善于利用已有的经验知识，而且，由于引入了神经网络的学习机制，增强了网络的自适应能力，这就使得模糊神经网络同时具有推理能力强和自适应能力强的优点。同时，由于模糊神经网络同神经

4、网络一样具有逼近任意连续非线性映射的特性，所以正越来越多地被应用于对系统辨识的研究。广义动态模糊神经网络(GD—FNN)不仅参数可以在学习过程中调整，同时，可以根据样本数据收稿日期：2009—04—21．作者简介：李岩(1982一)，男，华北电力大学控制科学与工程学院硕士研究生第7期李岩，等广义动态模糊神经网络及其在热工辨识中的应用39到(6)。(x3=exp[一(五一C)／c『；](1)(5)如果满足e>，则产生新规则，决定该规式中是的第个隶属函数，和分别为蕊的第则的参数，并计算出误差减小率和第条规则的重个隶属函数的中心和宽度。如果用于计算每个规则要性

5、q=m，2，⋯，)，否则自动调整已存在的触发权的范数算子是乘法，那么第3层的第个规则的后件参数。规则马的输出是：(6)如果满足ei>也，则调整已存在规则前件参『r]数中的宽度，再调整规则的后件参数，否则自动调勿，，⋯，)=expJ一∑一白)。／J(2)整已存在规则的后件参数。【1=IJ(7)如果满足rt~>L则删除第条规则，否则第4层的每个节点代表一个输入信号加权和的输出自动调整已有规则的后件参数。变量：(8)观测并判断是否结束，若没有则返回(3)，y(x，，⋯，)=∑(3)否则结束整个学习过程。J=1其中，-n和是模糊规则完备集的最小和最大的设定值，是

6、最大的误差，-m是理想的误差式中Y是一个输出变量的值，是模糊规则中THEN部分(结果参数)或者第．，个规则的连接权。精度，r是控制相邻隶属函数相似度的常数，是对于TSK模型：调整隶属函数宽度时用的预设参数，J}c。是针对规则重要性而预设的常数，和也是在学习过程中可'=0畸+cl+⋯+(4)以变化的设定值。详细证明参见文献[3]。对应于一个模糊系统，该层执行去模糊化处理，同时考虑了所有输出语言值的隶属函数的影3热工对象系统辨识响。文献[3]指出，如果以下条件成立，则上述现代火电机组单机容量和参数的提高，以及系构造的模糊神经网络GD—FNN在功能上等价于TS

7、K统本体的复杂化，对热工过程的自动控制提出了更模糊系统：高的要求。热工过程被控对象一般都具有高阶惯(1)GD—FNN的接收区域单元数等于模糊的性、纯迟延、非线性、慢时变等特点，常规控制系IF—THEN规则数。统已不能满足实际运行的需要，而建立热工过程精(2)每条模糊规则的输出是输入变量的线性组确的全局非线性模型是提高控制系统性能的基础。合加上一个常数项。一般来说，任何一个非线性离散时间系统都可(3)每条模糊规则的隶属函数都选为高斯函数。以用如下模型来描述：(4)用于计算每条规则的T-范数算子是乘法。(5)构建的GD-FNN和TSK模糊推理系统都(f)(f

8、一1)，⋯(f一)，x(t一1)，⋯，使用相同的方法，即或者采用加权平均或者采用