智能控制5-26概览.pptVIP

基于模糊神经网络的智能车运动控制 指导老师：牛国臣 王兴财 目录 一：模糊神经网络的应用背景 智能车通过车载传感器识别道路环境和自身位姿，通过车载计算机计算出合适的油门大小和方向盘转角，通过电机对油门和方向盘进行控制。 智能车辆是一个复杂非线性、时延系统，由于各种不确定因素的存在，精确的数学模型难以获得，智能控制技术的发展很好的解决了传统控制方法中的诸多问题，该技术包括模糊控制和神经网络等。 智能车硬件框图 控制器输入输出参数示意图 智能车运动控制的执行部件有两个，一个是方向盘，也就是前轮转向角 ，另一个是油门，也就是智能车的速度 。智能车通过车载传感器可以检测出的与道路的相对位置关系参数也有两个，一个是车体预描点与道路中线的距离 ，另一个是车体与道路中线的夹角 。 建立需要建立 d、θ与 ψ、γ 的映射关系 输入参数有很多种组合，输出也应该与之向匹配才能确保智能车的快速精确行驶，所以这是一个复杂的非线性映射关系。考虑到BP网络可以学习和存储大量非线性映射，而且三层BP网络可以实现任意连续非线性映射，可以满足控制要求。但是神经网络控制器的学习样本不容易获得，于是考虑使用模糊规则生成训练样本。 运动控制器设计流程图 二:模糊网络、神经网络的优缺点 模糊逻辑控制系统主要包含输入变量、模糊控 制器、被控对象和偏差。 模糊逻辑控制系统工作过程 模糊化: 是指把输入的精确值以适当的比例转换到论域的数值，利用口语化变量来描述测量值的过程，然后根据适合的语言值来求该值对应的隶属度( 常用三角形、梯形) 。 知识库: 是模糊控制器的核心。由数据库和规则库组成，数据库中存着有关模糊化、模糊推理、解模糊的一切知识，规则库是由若干模糊规则组成的。 模糊推理机: 根据模糊逻辑法则把逻辑规则库中的模糊“if －then”转换成某种映射。 反模糊化: 反模糊化的方法一般有最大隶属度平均法、最大中点法、面积等分法、重心法和加权平均法等。 模糊控制的优缺点 模糊控制的优点: 可以在预先不知道被控对象的精确数学模型; 规则一般是由有经验的操作人员或者专家的经验总结出来并且以条件语句表示的，便于学习和理解; 控制是由人的语言形式表示，有利于人机对话和系统知识的处理等。 不足之处: 精度不够高; 自适应能力有限; 模糊规则库非常庞大，难以进行更改优化。 神经元 神经元是神经网络中的最基本处理单元，是一个多输入单输出的信息处理单元。利用权值模拟突触对信号的调节作用，利用代数求和模拟信息的叠加过程，利用非线性输出函数模拟神经元的兴奋与抑制作用。 神经元的输出函数 神经元的输出函数为 通常有以下几种： 阶跃函数： 比例函数： S型函数： 双曲函数：  BP、RBF神经网络 模糊逻辑、神经网络的特点 模糊神经网络控制可以同时具有模糊控制知识容易表达和神经网络自学习能力强的优点，不依赖于对象的深层次知识，非常适合复杂非线性系统控制问题的研究。 模糊逻辑和神经网络都具有模拟人类思维结构和方式的特点，模糊控制可以利用模糊逻辑实现人的控制经验，并且不需要精确的数学模型，神经网络在训练时能从输入输出的历史数据中提取出规律性的知识，记忆于网络的数值中，它可以进行在线或离线训练，然后利用训练结果设计控制系统 模糊网络的局限性 模糊逻辑控制可以利用人类的专家经验，在控制中具有强鲁棒性（所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持其它某些性能的特性）。然而模糊逻辑控制综合定量知识的能力差，控制规则和隶属度函数一经确定便无法修改，从而限制了其自适应能力。 模糊控制可以利用模糊逻辑实现人的控制经验，并且不需要精确的数学模型，但模糊系统一旦确立，其规则和隶属函数就确定且不能随外界环境和参数的变化进行调整，没有自学习和自适应能力，实时性较差。 神经网络的局限性 神经网络的优点：能够通过学习和训练获取用数据表达的知识，不仅可以记忆一直获得的信息，还具有较强的概括及联想记忆能力，它的应用已经延伸到各个领域，在各方面取得很好的进展等。 不足之处: 缺乏统一的方法处理非线性系统; 网络的权值是随机选取的; 学习的时间长; 无法利用系统信息和专家经验等语言信息; 难以理解建立的模型。 模糊神经网络的优点 BP网络可以弥补模糊控制系统缺乏自学习和自适应能力的缺点，使得模糊规则的自动提取及模糊隶属函数的自动生成等问题得以解决，模糊逻辑为BP网络训练样本，弥补神经网络不适于表达基于规则的知识的缺点，极大地拓展了神经网络处理信息的能力。 经过从模糊逻辑到神经网络结构的映射和结合，即可将模糊逻辑隶属函数的形状和位置以及模糊规则转化成神经网络的权值，利用神经网络的自学习、自适应能力来修正和优化它们，达到优化模糊逻辑控制的目的。 前轮转向角 的模糊