第6章先进控制策略选编.pptVIP

;;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;*;6.1.6 模糊控制器的组成 ;去模糊化 通过模糊推理得到的结论仍然是模糊量，要进行现场控制必须经过去模糊化得到精确量。去模糊化通常有以下几种方法： (1)最大隶属度法 最大隶属度法是指选取模糊推理结论中隶属度最大的线段的中点，以其横坐标值作为去模糊化的精确量。这种方法最简单、易行、实时性好，但它包含的信息量较少。;例如，若模糊推理的结论为;(2)加权平均法 加权平均法的输出控制量按下式计算，它类似于重心的计算，也称重心法。 ;Date;;6.1.8 基于Matlab的模糊控制系统设计 ;6.2 神经网络控制;1.生物神经元模型;人的大脑大约由1012个神经元构成，神经元互相连接成神经网络。大脑皮层由许多功能区组成（运动、听觉、视觉等），大约分成1000种类型，每个神经元大约与102～104个其它神经元连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式。; 生物神经元作为控制和处理信息的基本单元，具有下列一些重要的功能和特性。 (1)时空整合功能：神经元对于不同时间通过同一突触传入的神经冲动，具有时间整合功能；对于同一时间通过不同突触传入的神经冲动，具有空间整合功能。两种功能相互结合，具有时空整合的输入信息处理功能。所谓整合是指抑制或兴奋的受体电位或突触电位的代数和，即时间与空间的累加。 (2)兴奋与抑制状态：当传入冲动的时空整合结果使细胞膜电位升高，超过动作电位的阀值时，细胞进入兴奋状态，此时会产生神经冲动，由轴突输出；当传入冲动的时空整合结果是膜电位下降，低于动作电位的阀值时，细胞进入抑制状态，此时无神经冲动输出，满足“0-1”律。; (3)脉冲与电位转换:沿神经纤维传递的电脉冲信号为等幅、恒宽的离散信号，而细胞膜电位为连续变化的信号，在突触接口处进行了“数/模”转换。 (4)传导速度:因纤维的粗细、髓鞘的有无而有所不同，神经冲动沿神经传导的速度在1~150m/s之间。 (5)不应期（死区）:在相邻的两次冲动之间需要一个时间间隔，约3~5ms，即不应期。 (6)不可逆性（单向性）。 (7)学习、遗忘和疲劳：由于结构的可塑性，突触的传递作用可增强、减弱和饱和，所以细胞具有相应的学习、遗忘或疲劳等效应。; 2.人工神经元模型; 上图是一种简化的人工神经元结构模型，它是一个多输入、单输出的非线性元件，其输入、输出关系可描述为;几种常见的激励函数在Matlab中的解析表达式分别表述如下： ;(2) 阀值型2（hardlims）;(3)线性型（purlin）;(4)S型函数1（logsig(n)）;(5) S型函数2（tansig(n)）;(6) 高斯函数; 3.人工神经网络; 虽然人工神经网络与生物神经网络存在着差异，但它与目前的冯诺依曼机相比，由于吸收了生物神经网络的优点，具有其固有的优点： (1) 并行性：简单单元并行连接，在时钟控制下集体操作，处理速度快。 (2) 容错性：局部的或部分神经元出现差错，不会影响全局结果。网络能够自动纠正错误。 (3) 分布式存储：信息储存在网络的连接权上，是分散的，而不是在储存器中。 (4) 可学习性：人工神经网络的连接权、阈值可通过学习得到，并可根据外部环境进行自适应，自组织。;6.2.2 感知器和BP网络 ;感知机可以对Rn内的点进行二元分类。在超平面;例6.9 采用单一感知器神经元解决一个简单的分类问题：将四个输入矢量分为两类，其中两个矢量对应的目标值为1，另两个矢量对应的目标值为0，已知 输入矢量： ;误差反向传播神经网络，简称BP网络（Back propagation），是一种单向传播的多层前向网络。其连接权的调整采用的是误差反向传播学习算法，简称BP算法。 只要有足够多的隐层和隐层节点，BP网络能够实现任意复杂的输入输出的非线性映射。其输入输出之间的关联信息分布地存储于各连接权中。BP网络的学习算法属于全局逼近方法，因此具有较好的泛化能力。BP网络在模式识别、图像处理、系统辨识、优化计算和自适应控制等方面有着广泛的应用。;（a）前馈神经网络 ;Date;Date;Date; 例6.10 应用两层BP网络来完成函数逼近的任务，其中隐层的神