综合智能控制.pptVIP

第八章 综合智能控制 主要内容 神经网络与模糊技术的融合 遗传算法与神经网络的结合 基于遗传算法优化的模糊控制 神经网络专家系统 模糊专家系统 8.1 神经网络与模糊技术的融合 融合的趋势： 多年的研究探索与实践使人们开始认识到，要想仿效或逐步接近人类大脑的高级智能行为，无论是传统的人工智能，单独的模糊逻辑，还是单独的人工神经网络等，都无法完成此任务。于是，人工神经网络和模糊逻辑相互融合起来，进而将进化计算、粗糙集理论等有助于智能信息处理的多种新方法、新手段综合在一起，构成智能计算或计算智能，或称之为软计算，实际上是根据需要将几种对智能信息处理有较大意义和作用的方法融合在一起而构成的综合性计算智能系统。 8.1 神经网络与模糊技术的融合 神经网络与模糊逻辑的比较： 8.1 神经网络与模糊技术的融合 神经网络与模糊逻辑融合的方法： ◆ 神经网络中应用模糊逻辑规则：将神经网络的常用数值输入改为隶属函数表达的模糊输入，或用max-min的运算来代替神经网络的积和运算，这种综合系统称为模糊神经网络（FNN） ◆ 模糊逻辑规则用神经网络来实现：利用神经网络从输入输出样本对中学习到映射规律的能力，来建立模糊逻辑所需的规则，这种综合系统称为神经模糊系统（NFS） 8.1 神经网络与模糊技术的融合 模糊神经网络的体系结构： ◆ 单体模糊神经元： - 输入输出均为模糊集 - 用合成算子代替积运算 8.1 神经网络与模糊技术的融合 模糊神经网络的体系结构： ◆ 模糊神经元的学习： - 权值修正：包括作为神经元权值的映射函数和隶属度函数的变化 - 体修正：包括规则的改变、规则中模糊变量和隶属度函数的改变以及规则表示方式的 改变 8.1 神经网络与模糊技术的融合 几种模糊神经网络： ◆ 模糊联想神经网络（FAM） 8.1 神经网络与模糊技术的融合 几种模糊神经网络： ◆ 模糊认知映射网络（FCM） 8.1 神经网络与模糊技术的融合 几种模糊神经网络： ◆ 前馈层次型模糊神经网络 - 由模糊化、推理机和 去模糊化三部分组成，由 3个BP网络来分别实现这 3个功能 8.1 神经网络与模糊技术的融合 几种模糊神经网络： ◆ 紧支持集高斯型基函数模糊神经网络 8.2 神经网络专家系统 基于神经网络的模糊系统： ◆ 用神经网络来实现模糊映射，包含3个功能不同的神经网络结构：模糊化、控制规则和反模糊化 ◆ 用神经网络构造隶属函数：利用神经网络直接设计多元的隶属函数，把神经网络作为多元的隶属函数生成器组合在模糊控制系统中 - 函数链法 - 隐层型法 8.3 模糊专家系统 基于神经网络的模糊系统： ◆ 用神经网络记忆模糊控制规则：通过一组神经元不同程度的兴奋表达一个抽象的概念值，由此将抽象的经验规则转化为多层神经网络的输入输出样本，通过神经网络记忆这些样本，控制器以联想记忆方式使用这些经验，在一定意义上与人的联想记忆思维方式接近 - 三层神经元存储控制规则 - 逻辑神经元法 8.1 神经网络与模糊技术的融合 基于神经网络的模糊系统： ◆ 用神经网络优化模糊控制器的参数： - 偏差、偏差变化的量化因子及输出的比例因子，可利用神经网络的优化计算功能优化这些参数，改善模糊控制系统的性能 - 用神经网络特征输出参数可以称为清晰化（去模糊），神经网络实现清晰化就是把模糊量变为能控制对象的精确量 8.2 遗传算法优化神经网络 神经网络的缺点： ◆ 要求目标函数连续可微（因为要沿着能量梯度降的方向来修改权值） ◆ 训练速度较慢 ◆ 全局搜索能力弱，易陷于局部极值 遗传算法的优点： ◆ 不要求目标函数连续或可微 ◆ 具有全局搜索能力 用遗传算法来优化神经网络，可使神经网络具有全局自学习、自组织、自适应和自进化的能力 8.2 遗传算法优化神经网络 优化方案： ◆ 用遗传算法优化神经网络的连接权 ◆ 用遗传算法优化神经网络的结构 ◆ 用遗传算法优化神经网络的学习规则 8.2 遗传算法优化神经网络 遗传算法优化神经网络连接权的学习过程： (1) 随机产生一组二进制串，每一个位串表示网络连接权的一个集合 (2) 将各个二进制串根据下式译码成网络的各个连接权值，通过运行网络来评价网络的性能 (3) 按概率ps选择网络个体，对被选择的网络，以概率pc和pm进行交叉和变异等遗传操作，产生下一代网络 (4) 重复(2)(3)两步，直到达到所要求的性能指标，此时将最终群体中的最优个体解