模糊神经网络及其应用课件.ppt

《模糊神经网络及其应用课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第十一讲混合智能控制模糊神经网络及其应用ANN和FLS的比较模糊神经网络结构及其学习算法模糊小波神经网络在控制中的应用ANN（ArtificialNeuralNetwork）和FLS（FuzzyLogicalNetwork）的比较：相同之处1）都是非数值型的非线性函数的逼近器、估计器、和动态系统；2）不需要数学模型进行描述，但都可用数学工具进行处理；3）都适合于VLSI、光电器件等硬件实现。不同之处：㈠工作机制方面：ANN——大量、高度连接，按样本进行学习FLS——按语言变量、通过隐含、推理和去模糊获得结果。㈣应用上：ANN——偏重于模式识别，分类FLN——偏重于控

2、制神经模糊网络——把ANN的学习机制和FLN的人类思维和推理结合起来。㈡信息处理基本单元方面：ANN——数值点样本，xiyiFLN——模糊集合（Ai，Bi）㈢运行模式方面：ANN——学习过程透明，不对结构知识编码FLN——不透明，对结构知识进行编码，推理过程外界可知结合方式有3种：1）神经模糊系统——用神经元网络来实现模糊隶属函数、模糊推理，基本上（本质上）还是FLN。2）模糊神经系统——神经网络模糊化，本质上还是ANN。3）模糊-神经混合系统——二者有机结合。●基于神经网络的模糊逻辑运算①用神经网络实现隶属函数②神经网络驱动模糊推理③神经网络的模糊建模模糊神经网络

3、结构及其学习算法模糊规则描述如下:通过乘积规则推理﹑重心去模糊化,网络输出可以表示为:模糊神经网络非线性系统模糊自适应辨识算法现有的辨识方法主要是根据输入―输出数据对来为系统建模，而输入―输出数据对的采集一般通过一个输入信号作为系统的激励，再量测出相应的输出函数。然而，许多工业系统还有另一个重要的信息来源：人工操纵员，他们通常对系统非常熟悉，能够用某些不尽确切的模糊词汇对系统的性能进行语言性描述。在许多工业过程控制问题中，操作员能根据该过程的语言描述信息制定出一系列成功的控制规则，不幸的是，现有的辨识方法却忽略了这类重要的信息来源，现有的辨识器也无法直接利用这累语言

4、性描述信息。提出一套新的非线性动态系统辨识器的设计方法，在这种辨识器的设计中，我们用一种统一的形式组合利用语言描述信息和输入―输出数据对信息。将证明模糊辨识器能够在任意精度上跟踪任何非线性连续时间动态系统的输出。这种辨识器的模型以自适应模糊作为其基本的组成部分。提出了一类模糊辨识器，并对其稳定性和收敛性进行了分析。考虑如下的动态系统g和h为未知的连续函数式中的g和h均用模糊逻辑系统来代替，构造出如下的模糊辨识器目标：模糊辨识器的输出是否能在任意精度上跟踪系统的输出模糊辨识器的设计和稳定性分析混沌振荡器的辨识模糊小波神经网络模糊规则描述如下:i=1,2,…,c模糊小波

5、神经网络输出通过乘积规则推理﹑重心去模糊化,网络输出可以表示为:模糊小波神经网络结构图自适应模糊小波网络控制器设计控制器反馈控制监督控制自适应控制率定理1:对未知非线性系统,采用给出的控制方案和自适应律，则:倒立摆系统