神经模糊系统研究及其在建模与控制中的应用

《神经模糊系统研究及其在建模与控制中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第1页华东理工大学博士学位论文神经模糊系统研究及其在建模与控制中的应用摘要神经模糊系统的研究受到越来越多的关注，其应用前景广阔，但是，神经模糊系统的理论体系还远未完善，尚有许多问题有待进一步探讨。并且，随着神经网络、模糊逻辑系统、概率推理、进化算法等领域的研究与发展，以及其它学科如小波变换理论、混沌学的弓}入，神经模糊系统的研究也将赋予更新的内容、更高的目标。本文首先对神经模糊系统的研究现状、存在的问题以及末来的发展趋势进行了总结，然后从实际应用的角度出发，在神经模糊系统的结构、参数学习算法以及应用三个方面进行了深入的研畴5研究成果如下;I，提出了一种基于静态多层前向网络

2、的神经模糊系统，它由前向多层神经网络构成，分两阶段学习。该系统最大的特点是根据输入数据的分布灵活地划分模糊集合，从而减少了模糊规则数;根据同一聚类空间输入、输出数据的密度分布确定模糊规则后件，而不是简单地由输出数据的平均值确定。并且系统具有在线学习的功能，能在线调整模糊规则数和参数以便更好地跟踪实际对象的动态特性。2针对传统的静态多层前向网络在动态时序行为系统的应用中存在的困难，提出了一种基于动态回归网络的神经模糊系统及其学习算法。论文不仅从理论上分析了基于动态回归网络的神经模糊系统和基于静态多层前向网络的神经模糊系统在网络结构、输入输出关系、空间结构、时间空间、适用性等

3、方面的不同，并且给出了深入的仿真研究，从而证明了基于动态回归网络的神经模糊系统模型不仅建模精度较高，而且模型结构简单，更适用于非线性时滞系统。3提出了基于两级聚类算法的神经模糊系统，该系统由前向多层神经网络构成，采用两级聚类学习算法。在两极聚类算法的基础上，系统又采用梯度下降法对模糊模型进一步优化，以便达到更高的建模精度。这种神经模糊系统具有规则数自动确定、结构简单、学习速度快、建模精度高等特点，并且建模精度可根据实际要求通过梯度下降法进一步提高，为神经模糊系统中模糊规则的优选提供了一条新途径。4提出了基于混合变异进化策略的神经模糊系统，该系统采用混合变异进化策略进行模糊

4、信息处理，因此系统的自学习能力得到了提高。另外，论文还对进化算法和传统的优化算法进行了分析和比较，并总结了进化算法和传统的优化算法的优缺点，具有理论指导意义。5.提出了一种改进的CART算法(简称ICART)，该算法在求结点的局部模型时加入了密度函数，光滑了每个分叉点上的不连续边界，克服了CART算法在整个输入输出映射中会产生不连续边界的缺点。然后将ICART算法用于神经模糊系统中相关输入变量、结华东理工大学博士学位论文第IT页构以及参数的辨识，从而提出了一种基于ICART算法的神经模糊系统。仿真结果表明，基于ICART算法的神经模糊系统较基于CART算法的神经模糊系统具

5、有更高的建模精度。6讨论了自适应神经模糊控制，在建模研究的基础上提出了两种自适应神经模糊控制系统:基于回归神经模糊系统的智能控制器和基于神经模糊网络的非线性逆控制系统。荃于回归神经模糊系统的智能控制器采用基于回归神经模糊系统的控制器对被控过进行控制，并根据控制性能指标在线修正系统参数，因此系统具有较好的自适应性和鲁棒性，优于常规的模糊控制。基于神经模糊网络的非线性逆控制系统包括两个控制回路:逆控制回路和PID控制回路。其中，逆控制回路是主回路，用两个神经模糊网络分别建立被控过程的正模型和逆模型;PID控制回路是次回路，主要用来消除系笋在逆模型不精确的情况下可能产生的静态误

6、差，从而增强了系统的鲁棒性和稳定性。关键词:神经模糊系统过程建模模型优化自适应控制动态回归枷外略华东理工大学博士学位论文第III页ResearchonNeuro-fuzzySystemandItsApplicationinModelingandControlABSTRACTBringingthelearningabilitiesofneuralnetworkstoautomateandrealizethedesignoffuzzysystemshasbeenrecognizedasapowerfulapproach.Thisintegration,calledasneu

7、ro-fuzzysystem,bringsthelow-levellearningandcomputationpowerofneuralnetworksintofuzzylogicsystems,andbringsthehigh-level,human-likethinkingandreasoningoffuzzylogicsystemsintoneuralnetworks.Somescholarsinthisresearchfieldpredictthatsuchanintegrationofneuralnetworksan