模糊神经网络在智能控制中应用的研究.pdfVIP

模糊神经网络在智能控制中的应用研究1 郑子杰，王虎 武汉理工大学信息工程学院，武汉 (430070) E-mail ：zhzijie.27@163.com 摘 要：本文简要介绍了神经网络（Neural Network ）及模糊神经网络（Fuzzy Neural Network ） 的特点以及发展状况，并给出了模糊神经网络在智能控制中的几种应用，同时指出了今后研 究中有待解决的一些问题，并对模糊神经网络技术将来的发展及其在工程上的应用作了展 望。 关键词：神经网络，模糊神经网络，FFNC ，智能控制 中图分类号: TP183 文献标识码:A 1. 神经网络简介 神经网络是仿效生物处理模式以获得智能信息处理功能的理论。神经网络着眼于脑的微 观网络结构，通过大量神经元的复杂连接，采用由底到顶的方法，通过自学习、自组织和非 [1] 线性动力学所形成的并行分布方式，来处理难于语言化的模式信息 。自 1943 年第一个神 经网络模型—MP 模型被提出至今，神经网络的发展十分迅速，特别是 1982年提出的Hopfield 神经网络模型和 1985 年 Rumelhart 提出的反向传播算法 BP ，使Hopfield 的模型和多层前馈 型神经网络成为用途广泛的神经网络模型，在语音识别、模式识别、图像处理和工业控制等 领域的应用颇有成效。 神经网络的核心由其基本结构、学习规则及其工作方式三大部分组成。 1.1 基本结构 神经网络是由大量神经元广泛互连而成的复杂网络系统。单一神经元可以有许多输入、 输出。神经元之间的相互作用通过连接的权值体现。神经元的输出是其输入的函数。常用的 [2] 函数类型有：线性函数、Sigmoid 型函数和阈值型函数 。虽然单个神经元的结构和功能极 其简单和有限，而大量神经元构成的网络系统其行为却是丰富多彩的。图 1 表示出单个神经 元和 Hopfield 模型的结构。 在图 1(a)中， ui 为神经元的内部状态， θi 为阈值，xi 为输入信号， wij 表示从 uj 到 ui 连 接 的 权 值 ， si 表 示 外 部 输 入 信 号 ， 则 神 经 元 的 输 入 为 n e t i ∑ w i j x j =+ s i - θ i ，输出为 y i f ( n e t i ) ，其中 f 是神经元的转 换函数。 在图 1(b)中。Hopfield 模型是由许多神经元构成的互连网络，适当选取神经元兴奋模式 的初始状态，则网络的状态将逐渐到达一个极小点即稳定点、从而可以联想出稳定点处的样 本。 神经网络的基本特征是： (1)大规模并行处理。神经网络能同时处理与决策有关的因素，虽然单个神经元的动作 速度不快，但网络的总体处理速度极快。 1本课题得到教育部重点项目(03120)(基于 FSOC 嵌入式微控制器设计与研究) 的资助。 - 1 - (2)容锗性。由于神经网络包含的信息是分布存储的，即使网络某些单元相连接有缺陷， 它仍可以通过联想得到全部或大部分信息。 （3) 自适应性和自组织性。神经网络系统可以通过学习不断适应环境，增加知识的容量。 (a)神经元结构模型 （b ）hopfield 模型 图 1 神经元模型和 hopfield 模型 1.2 学习规则 学习规则决定了神经网络的连接权值舶变化，典型的学习规则有： (1)Hebb 规则。如 Hopfield 网络采用的修正Hebb 规则为