基于相平面的模糊神经网络研究和应用.pdfVIP

基于相平面的模糊神经网络研究及应用 王孙安杜海峰 (西安交通大学) 摘要本文拓展传统相平面分析方法，提出了基于相平面的模糊区间戈Ⅱ分和目标函数，并在此基础上系统提出了一种模糊 神经网络新的建构和学习方法。通过对不同控制系统的研究，证明了该方法在模型未知系统的控制中的台理性和有效性，以 及应用的普遍性。 关键词相平面模糊神经网络^工智能 0引言 神经网络和模糊逻辑系统是人工智能的两个重要组成部分，它们分别从结构和功能上实现对人脑的模 拟。模糊逻辑系统和神经网络结合的神经模糊技术，综合了二者的优点，是本世纪人工智能的主要发展方 向之一。但是，在模糊神经阿络中同样存在模糊区间划分和网络拓扑结构难以确定等问题。 相平面法是分析非线性系统的一种常用方法。～般认为，它只适用于一阶和二阶系统。相平面分析能 帮助理解非线性系统的一些基本特性，并且分析非线性因素对二阶系统性能影响的结果，对认识具有同样 的非线性因素的高阶系统的动态过程，具有重要作用；同时，对于任何一个系统，e和≥构成的相线轨总 是不依赖系统模型而存在；因此，本文作者认为．相平面方法可以用于高阶系统的分析，并且它将系统变 化的信息形象分浓缩到图形上，为人工智能方法的应用提供了十分有用的参考。 本文采用的具有模糊控制器结构的神经网络，正是利用相平面提供的信息，来进行模糊区间划分，进 而实现网络的拓扑结构，同时，综合时域信息和相平面信息作为系统控制性能指标，指导模糊神经网络的 学习；理论分析和实验结果表明，在模型未知系统的控制中，基于相平面的模糊区间划分的模糊神经网络 实用、有效、控制性能指标设置台理。 1基于相平面的模糊区间划分 模糊区间划分一直是模糊逻辑中的难题。一般来讲，对模糊区间的合理划分，就是完成隶属度函数的 选取．以及对该函数参数的选取。在论域连续的情况下，最常用的隶属度函数为高斯函数，此时隶属度函 数的选取就转化为对高斯函数各个参数值的选取。隶属度函数的选取会直接影响到控制的效果，而实际应 用中很难找到一种台适的选取方法。模糊区间的划分，过去常常依靠人的直观经验。近来，大量采用神经 网络或遗传算法等人工智能方法来划分。借助图形信息的划分方法还不多见。 图1所示的是～个二阶系统对阶跃信号的响应．图2是其对应的相平面图。这里所指的相平面是系统 误差F和误差变化率引开构成的广义相平面，显然对于任何系统，这样的平面总是不依赖系统模型而独立 存在的。 囤2所示相平面给出了8和d的 对应变化关系，而传统的模糊控制 器的区间划分也正是针对二者进行 的。因此，本文作者认为相平面提 供了模糊区间划分的直观信息．可 以利用相平面来划分模糊区间。图2 采用一条穿过相平面直线来划分， 直线的选取依据区间要求划分粗细 1刳l 阶系统阶援nt域响lH 的实际粗细的实际情况而定。该直 线和相轨线的交点将相平面划分出了许多区域，图2仅给出了第四象限的情况。 这种划分方法有效的利用了相平面的图形信息，又兼顾了人的主观能动性，从而避免人为划分的盲目 主观，机器学习划分的时间浪费，使得模糊区间划分更简单有效，符合人们的习惯。显然这种划分也满足 “远粗近细”(即误差大时，区间划分的粗一些，以提高系统的快速性；误差小时，划分区间细一些，以 提高系统的响应精度)的规则，具有直观的合理性。 对于图2的区域I，可以形成如下规则前提： if e正大，j负小且变化大then…… 盯，，盯，取相应区间的长度的三分之一，P的选取依据实院睛况确定。对于类似I和II这样的边界区域，采 用如下类S型函数： 。，：—————————!—————一1+exp(e，j，盯。，吼，c。，c。，p) 式中，盯。，吸，C。，C。，P的选取依据实际情况确定。这样选取隶属度函数，充分利用了高斯函数良好的局部 特性和S型函数的全局特性。 如果在相平面内的区间划分太少(主要是一阶系统阶跃响应以及系统存在极限环的情形)则需要增 加辅助区间。 2基于相平面的性能指标 在时域内，通常采用均方误差作为系统的控制性能指标。在相平面内，当相轨迹包围的面积越小时， 系统的性能越好。因此定义目标函数J： 。