智能控制模糊神经控制.ppt

《智能控制模糊神经控制.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、模糊神经控制模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术，它是模糊逻辑推理与神经网络有机结合的产物。神经网络和模糊控制比较相同之处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。神经网络和模糊控制比较不同之处：㈠样本的表示方面：ANN——数值型的点集合。FLS——模糊集样本。㈡规则的表示和结构方面：ANN——用网络结构和权值矩阵来描述规则，且

2、规则之间是相互连接的。FLN——用“if…，then…”语句来描述规则，且规则之间是相互独立的。神经网络和模糊控制比较㈢映射算法方面：ANN——主要依靠学习算法，如梯度法、Hebb法和BP算法等。FLN——采用合成算法完成模糊推理映射。㈣模型的表示方面：ANN——要求规定非线性动态系统的类型，要求获取足够多的训练本集，并通过反复学习将训练样本体现在动态系统上。FLN——只需要部分的填充语义规则矩阵。模糊控制与神经网络的结合神经网络和模糊控制的结合方式有3种：1）神经模糊系统——用神经元网络来实现模

3、糊隶属函数、模糊推理，基本上（本质上）还是FLN。该模型以模糊控制为主体，应用神经元网络，实现模糊控制的决策过程，以模糊控制方法为“样本”，对神经网络进行离线训练学习。“样本”就是学习的“教师”。所有样本学习完以后，这个神经元网络，就是一个聪明、灵活的模糊规则表，具有自学习、自适应功能。2）模糊神经系统——神经网络模糊化，本质上还是ANN。该模型以神经网络为主体，将输入空间分割成若干不同型式的模糊推论组合，对系统先进行模糊逻辑判断，以模糊控制器输出作为神经元网络的输入。后者具有自学习的智能控制特性

4、。模糊控制与神经网络的结合3）模糊-神经混合系统——二者有机结合。该模型根据输入量的不同性质分别由神经网络与模糊控制直接处理输入信息，并作用于控制对象，更能发挥各自的控制特点。模糊控制与神经网络的结合模糊神经网络近些年来，模糊神经网络在智能控制、模糊决策、专家系统、模式识别等领域发挥了重要作用，其理论、模型、算法和应用技术一直是这些领域的重要研究课题，并以它的特有优势受到高度的重视。模糊神经网络逻辑模糊神经网络逻辑模糊神经网络是由逻辑模糊神经元组成的．逻辑模糊神经元是具有模糊权系数，并且可以对输入

5、的模糊信号执行逻辑操作的神经元．模糊神经元所执行的模糊运算有逻辑运算、算术运算和其它运算．算术模糊神经网络算术模糊神经网络是可以对输入模糊信号执行模糊算术运算，并含有模糊权系数的神经网络．通常，算术模糊神经网络也称为常规模糊神经网络，或称标准模糊神经网络．模糊神经网络混台模糊神经网络在网络的拓扑结构上，混合模糊神经网络和常规模糊神经网络是一样的．它们之间有以下两点不同：1)输入到神经元的数据聚合方法不同；2)神经元的激发函数，即传递函数不同．在混合模糊神经网络中，任何操作都可以用于聚合数据，任何函

6、数都可以用作传递函数去产生网络的输出．对于专门的应用用途，可选择与之相关而有效的聚合运算和传递函数．糊神经网络在控制中的应用模糊控制不依赖于对象的深层次知识，是通过输入、输出信息进行仿人思维的一种智能化控制技术．从信息观点看，模糊控制是一种基于规则的解释性专家系统；从控制技术观点看，模糊控制是一类非线性控制器．因而模糊控制得到了广泛的应用．由于模糊控制所依赖的控制规则缺乏在线自学习能力，使它的应用受到了限制．因此，模糊控制规则的在线自生成或自调整技术就成为模糊控制技术工程应用的一个重要研究课题．糊

7、神经网络在控制中的应用模糊神经网络自学习控制器模糊神经网络具有清晰的空间结构而且具有良好的自学习能力和非线性逼近力．本章应用多层前馈网络构造模糊变量集隶属函数、模糊推理控制模型．通过在线自学习修正网络权值来实现模糊神经网络自学习控制．模糊神经网络控制系统原理结构如图所示．糊神经网络在控制中的应用糊神经网络在控制中的应用图中Yd为系统期望输出(阶跃信号)，Y为系统输出。d1为慢性时变扰动，d2为随机噪声干扰，k1、k2、k3为比例系数,e为偏差。△e为偏差变化。谢谢!