模糊控制的模糊加强学习算法.pdfVIP

第九届全嗣多位埋辑与模糟逻辑学术台议 模糊控制的模糊加强学习算法 夏世芬 (西南交通大学应用数学系，四川成都，610031) 摘要：本文给出了自由学习问题的模糊加强学习算法．为了将该算法应用于模期控制 中．文中酋先将模糊控制器转化为与之等价的神经网络控制器．井将隶属函数 的学习问题转移到相应权的调整。然后根据自由学习的特点．构造横糊加强学 习算法。 关键词：加强学习 模糊加强学习 神经网络模糊控制器 一、引言 模糊控制由于不需要建立对象的精确的数学模型．因而适合丁．复杂对象的控制．它将 对象■入输出变量之闻的关系用一组产生式规则表示，知识的表示相当直观，易于理解． 但其有难于学习的缺点。神经网络由于其强大的学习功能和逼近能力．因而在智能控制中 占有一席之地。但由于其黑箱式的网络结构，知识的表示难于理解。二者优缺点的互朴性 让人们自然联想到将二者鲭台．充分发挥它们的优势．构造性能良好的控制系统．在许多 模期神经网络控制系统中，利用神经网络的学习功能对模糊控制系统进行学习是一种很好 的结合方式．已有文献将神经网络的反传学习算法(即BP算法)用于模糊控制的规则的 学习．BP算法适合于神经网络的周定学习问题(即有样本学习问题)，加强学习也是神经 网络的常用学习算法之一，它适合于神经网络的自由学习问鼹(即无样本学习问题)．BP算 法由于利用梯度信息学习参数，因而学习速度较慢．加强学习算法不用梯度信息．而用加 强信号进杼学习．因而具有较快的学习速度．由于没有样本．它的内部加强信号亦难于确 定．文献【ll采用一个神经网络确定，该网络以对象的状态和外部信号作为输入，又由其输 出即内部加强信号学习该网络，其物理意义不明确．由于加强信号由控制器输出的“好” 与“坏”来确定。而“好”与“坏”本身是两个模糊语言，那么自然地可以联想捌构造模 糊加强学习算法．为了便于学习．本文首先将模糊控髑器转化为与之等价的神经月络控制 器．井将隶属函数的学习问题转移到相应权的调整．然后根据自由学习的特点，给出了控 制嚣的模期加强学习算法。 二、模糊加强学习算法 1、加曩学习算法 常用的加强学习神经网络的结构为 外部加强信号 X 图l、加强学习神经网络控制器示意图 R，v为控制器的输出神经元的个数． 其中估计器模块为一函数f．R”_B。B=(§，6}c 器量；舅：鬈，r。在实际应用中·常根据电机是否正常转动米确定壹和石的值· 对)={i 常取6=l、§=一1或者6=l、＆=o。学习网络以外部加强信号和系统状态作为输入．其输 出作为内部加强信号学习评价网结和行为网络。 2、模糊加强学习算法 我们给出的基丁模糊加强学习算法的模糊控制结构如图2所示 图2、模糊加强学习模糊控制器示意图 它主要由三个模块组成：(1)模糊控制器模块；(2)学习模块：模糊加强学习算法；(3)对 象模块：系统。现分别对前两个摸块加以说明。 (1)模糊控制器模块 设系统的状态变量为。1，“2，…．x。，各变量的模糊划分为分别为：{Al‘”，A2‘“，…． 为y，其模糊划分为：{Bl，B2．…，B．。)。模糊控制的产生式规则为： —————’’r。。。。。。1。1。。__●_________-__-_、^__●_-_______-。。。。———— RI：如果轧是AIIo)．x2是Af产．…．‰是AlP，则y是B‘1’I 玛：如果xf是A2lm．x2是A玎哪．…，h是A∥，剐y是B圆； ＆l如果xl是Aklt”，№是AkP．…，‰是Ah-(n1，则y是B∞． B‘¨．B(孙．…， B帕)c{BI．B2，…，B。】。且设每个模糊划分都取为三角形隶属函数． 为了便于将神经网络的学习方法应用于模糊控制中去