用人工神经网络(ANN)实现模糊控制.docVIP

用人工神经网络(ANN)实现模糊控制 康赐荣 (华侨大学电子工程系，泉州362011) 摘要:讨论模糊控制及用人工神经网络实现模糊控制的有关问题，并给出了仿真实例，仿真结果表明，用ANN实现模糊控制是可行的。 关键词:人工神经网络;模栩控制 Abstract:Some issues which relate to fuzzy control and implementation of fuzzy control with ANN are discussed. Some simulative examplesa reg iven.S imulative results show that fuzzy control using ANN is available. Keyw ords:ar tificialn euraln etwork;fuzzyc ontrol 模糊 控 制 把人们对生产过程的控制经验归纳成模糊控制规则集，属于语言控制，它不需要知道过程的数学模型，且鲁棒性强。人工神经网络(ANN)具有处理的并行性、信息存贮的分布性、自学习和容错性等拟人特性。本文用人工神经网络实现模糊控制，仿真结果表明本方法的有效性。 1 模糊控制 模糊 控 制 系统组成如图1所示+[1 执行 精确量 图1 模糊控制系统的组成框图 由图 可 见 ，控制系统的计算可分为四步: (1 )计 算 现时误差及误差变化率(精确量); (2) 把 它 们转换成模糊量，即模糊化; (3) 按 推 理的合成规则计算出决策模糊量; (4 )计 算 调整该过程所需的确定输人，即去模糊。 ·将 精 确 量 转 换成模糊量 将精 确 量 离散化，把它分为若干档，每一档对应一个模糊子集，它们可用模糊语言表示如下:NB(负大),NM(负中),NS(负小)， ZE(零),PS(正小)，PM(正中),PB(正大)。 某个精确量属于某个模糊子集的程度用隶属度表示，而隶属度可由隶属函数计算得到，隶属函数可取等腰三角形: T(x,,u,a)一1一含Ix一，} 此处，1为中或高斯函数心值，2。为底宽，x为精确量。 G( x,p, a) =exp〔一(x一/-,)2/2621 此处，“为中心值，。为标准偏差。 ·模糊控制规则 模 糊 控 制规则，即模糊控制算法可表示为if(E 二A;)a nd(C E=B;)then(U二Ck)，其中E;CE和U为语言变量，可解释为系统误差、误差变化率和控制量。它们在各自论试中取语言值A;=B;=Ck= {NB,N M, PS, PM PM, PB }，式中NB, NM, NS, ,PB分别对应于负大、负中、负小、零、正小、正中、正大模糊子集。模糊控制是模仿人们对过程的控制， 收稿日期:2001-02-16 作者简介:康赐荣(1936-).福建省莆田人.教授.研究方向为人工神经网络。智能仪器和模糊控制。 《电脑与信息技术》2001年第3期.11· 把人们的控制经验归纳成模糊控制规则集 (见表1)[21 o 表 1 模 糊 控 制 规 则 表 1入CE 集存贮在神经元间连接权及阂值上。 咫-ZENS ZE PS PB PM 必二}U BP网络结构 例 1 某 过程的传递函数为具有纯滞后 的一阶惯性环节: G( s) = 150e一4.6s/( 65s+1) 例 2 某 过程的传递函数为: G( s) 二 5e一3s/F(10.2s+l)(1.2s +1)〕 用人 工 神 经网络模糊控制，仿真结果分别如图3a和3b所示。可见用人工神经网络 实现模糊控制是可行的，控制品质是满意的。 功B B B B N N N N N PM -PsZENSNMNBNBNB PSZENSNMNBNB PMPSZENSNMNB NS 一PBPBPMPSZENs训 翎一PBPBPBPMPSZENS 朋一PBPBPBPBPMPSZE NBNMNSzEPsPMPB ·模 糊 量 的精确化 经模 糊 控 制规则计算出来的控制决策仍然是模糊量，应转换成精确量才能付之执行，这一步骤称为判决。方法有最大隶属度法，加权平均法，取中位数法等。本文采用加权平均法。以隶属度为权系数求加权平均值，以此做为控制量u: T 1.0 。一E〔。(“、)X。，〕/习c(ui ) 式中c (u;)表示元素u、的隶属度。 2 人工神经网络模糊控制 本 文把 模 糊控制系统中的核心部分，即模糊控制规则集用BP网络来实现[3]，如图2所示。而模糊化可由隶属函数计算出隶属度做为输人神经元的输人，去模糊则由输出神经元的输出求加权平均值实现之。输人层神经元分E,CE两组，神经元数与输人数据数相同，取26个，分别对应于E,CE从一6到6的所有整数值;输出层神经元数与输出数据数相同，取15个，对应于U从一7到7的所有整数值。隐