几种新的基于模糊神经网络的系统辨识与控制的方法.docVIP

几种新的基于模糊神经网络的系统辨识与控制的方法 　　【摘 要】模糊神经网络结合了模糊控制的经验和神经网络的学习能力，是一种基于经验和学习的新型神经网络控制系统.本文介绍了几种新型的基于模糊神经网络的系统辨识与控制的新方法，比较了各自的特点，并给出了基本的仿真结果. 中国论文网 /8/view-7188480.htm 　　【关键词】模糊神经网络；模糊控制；模糊辨识；规则抽取；学习算法 　　1 问题的提出 　　模糊逻辑和神经网络都适于处理那些被控对象模型难以建立或存在大的不确定性和强非线性的系统. 由于神经网络在分布式处理，学习能力，鲁棒性，泛化能力方面具有明显的优势，而模糊系统的优势在于良好的可读性和可分析性，因此，将神经网络的思想融合到模糊辨识和模糊控制模型中就可以实现两者的优势互补.模糊神经网络控制针对双方的特点相互借鉴和利用，比单独的神经网络控制或单独的模糊控制具有更好的控制性能. 随着智能控制理论的发展，模糊神经网络控，难以实现系统的实时控制制受到控制界的广泛关注，相继提出了许多控制和辨识的方法. 　　本文总结了近期我国学者提出的几种新的基于模糊神经网络的系统辨识与控制方法，并通过仿真进行了各自特点的比较，希望可以通过这些比较，对这些研究加以改进和应用. 　　2 模糊神经网络 　　2.1 仿射非线性系统 　　为了实现非线性系统的实时控制，基于径向基函数网络与TSK 型模糊推理系统的函数等价的特点，有学者提出了一种动态模糊神经网络的在线自组织线性算法，从而实现了系统的结构和参数的同时在线自适应. 学习速度快是这种模糊神经网络的突出特点.在此基础上，针对未知仿射非线性SISO 系统提出了一种在线自适应模糊神经网络辨识与控制方法. 该方法首先采用G2FNN 学习算法实时建模系统的逆动态，实现模糊神经网络的结构和参数的同时在线学习. 然后，设计一个鲁棒补偿器与辨识好的模糊神经网络组成复合控制器，并基于Lyapunov 稳定性理论设计自适应控制律进一步在线调整网络的权值，实现系统的跟踪控制. 　　控制目标是设计一个由G2FNN 控制器和鲁棒控制器构成的模糊神经网络自适应鲁棒控制器， 使得系统的输出y 跟踪给定的参考输入信号ym ，对于一个给定的干扰衰减水平常数ρ0 ，获得良好的H ∞跟踪性能指标. 　　广义模糊神经网络G2FNN 由四层网络结构组成，分别实现模糊逻辑的模糊化、模糊推理和解模糊化过程. 图1 所示为单个输出结点G2FNN 的结构. 　　图1 G2FNN 的结构 　　G2FNN 中有两类学习算法，即结构学习和参数学习. 结构学习是通过对每个新的训练数据计算出G2FNN 的输出与期望输出之间的偏差来决定是否产生新的模糊规则或删除多余的规则； 参数学习有两个方面，一是当系统产生第N r+1条新的模糊规则时确定新规则前提参数ci （ N r+1） ，σi（N r+1），另一个是当不需要进行结构学习时对第三层与第四层网络之间的权值向量W 的调节. 　　第一层直接将输入语言变量xi（i =1，2，…Ni） 传递到下一层. 　　第二层计算输入分量隶属于各语言变量值模糊集合的隶属度，隶属度函数为高斯函数： 　　式中： cij ，σij （i =1 ，2 ， …， N r） 分别是第i 个输入语言变量xi的第j 条隶属度函数的中心和宽度；N r 为系统产生的规则数. 　　第三层是规则层， 这一层的每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前提，每个结点的输出可以表示为： 　　第四层是结点定义语言变量的输出， 它的作用是用来匹配模糊规则的结论，实现TSK型模糊推理系统的解模糊化过程. 其输出为： 　　这里， Wj 为第三层与第四层之间的权值. 　　使用倒立摆系统方程进行仿真研究， 倒立摆的动态方程为： 　　系统仿真结果如图（图2）： 　　图2 自适应模糊神经网络控制系统跟踪轨迹 　　由图可知，所设计的控制器实现了模糊神经网络的结构和参数的在线自适应，输出跟踪参考输入信号，系统的误差收敛速度快，鲁棒性好. 　　由仿真可见，该方法不仅实现了模糊控制规则的自动产生和删除，还保证了闭环系统的全局稳定，并使外部干扰和模糊神经网络逼近误差对系统跟踪误差的影响衰减到一个指定的水平.本方法不需要知道系统的控制增益，设计了一个鲁棒补偿器来抑制模糊神经网络逼近误差和外部干扰的影响. 系统鲁棒性好，抗干扰能力强，所设计的控制器可用于系统的实时控制. 　　2.2 网络参数自学习模糊控制 　　在模糊系统的许多应用中， 如模糊推理、模糊逻辑控制器、模糊分类器等， 提取模糊规则是一个重要步骤。在新兴的研究领域――数据挖掘中， 提取模糊规则也起着重要作用。然而模糊控制规则的获得通过由专家经验给出， 这就存在诸