《智能控制技术大作业》(神经网络控制部分).docxVIP

基于神经模糊控制的洗衣机设计20世纪90年代初期，日本松下电器公司推出了神经模糊控制全自动洗衣机。这种洗衣机能够自动判断衣物的质地软硬程度、洗衣量、脏污程度和性质等，应用神经模糊控制技术，自动生成模糊控制规则和隶属度函数，预设洗衣水位、水流强度和洗涤时间，在整个洗衣过程中实时调整这些参数，以达到最佳的洗衣效果。一、洗衣机的模糊控制洗衣机的主要被控变量为洗涤时间和洗涤时的水流强度，而影响输出变量的主要因子是被洗涤物的浑浊程度和浑浊性质，后者可用浑浊度的变化率来描述。在洗涤过程中，油污的浑浊度变化率小，泥污的浑浊度变化率大。因此，浑浊度及其变化率可以作为控制系统的输入变量，而洗涤时间和水流强度可作为控制量，即系统的输出。实际上，洗衣过程中的这类输入和输出之间很难用数学模型进行描述。系统运行过程中具有较大的不确定性，控制过程在很大程度上依赖操作者的经验，这样一来，利用常规的方法进行控制难以奏效。然而，如果利用专家知识进行控制决策，往往容易实现优化控制，这就是在洗衣机中引入模糊控制技术的主要原因之一。根据上述的洗衣机模糊控制基本原理，可得出确定洗涤时间的模糊推理框图如下：其中，模糊控制器的输入变量为洗涤水的浑浊度及其变化率，输出变量为洗涤时间。考虑到适当的控制性能需要和简化程序，定义输入量浑浊度的取值为：浑浊度=｛清，较浊，浊，很浊｝定义输入量浑浊度变化率的取值为：浑浊度变化率=｛零，小，中，大｝定义输出量洗涤时间的取值为：洗涤时间=｛短，较短，标准，长｝显然，描述输入/输出变量的词集都具有模糊性，可以用模糊集合来表示。因此，模糊概念的确定问题就直接转化为求取模糊集合的隶属函数问题。暂不考虑模糊控制系统的量化因子和比例因子。对于洗衣机的模糊控制问题，设其模糊控制器的输入变量（浑浊度和浑浊度变化率）隶属函数的论域均为输入变量论域=｛0,1,2,3,4,5,6｝模糊控制器的输出变量（洗涤时间）隶属度函数的论域为输出变量论域=｛0,1,2,3,4,5,6,7｝每个模糊变量属于上述论域的模糊子集如表1所示。表1 模糊变量及其模糊子集模糊变量模糊变量取值对应的模糊子集浑浊度清1 0.6 0.1 0 000较浊0.1 0.6 1 0.6 0.1 0 0浊0 0 0.10.61 0.6 0.1很浊0 0000.1 0.6 1浑浊度变化率零1 0.5 0 0000小0 0.5 1 0.5 0 00中0 00 0.5 1 0.5 0大0 0000 0.51洗涤时间短1 0.6 0.1 0 0000较短0.1 0.6 1 0.6 0.1 000标准0 00 0.1 0.6 1 0.6 0.1长0 0000 0.1 0.61根据专家的洗涤操作经验，可以将洗衣机的这些操作经验归纳为16条模糊控制规则，如表2所示。表2洗衣机的模糊控制规则表洗涤时间浑浊度清较浊浊很浊变化率零短较短较短标准小较短标准标准标准中标准标准长长大标准长长长二、洗衣机的神经网络模糊控制表2中的模糊控制规则虽然比较合理，但一旦确定后，则只能按照这些规则进行控制，缺乏灵活性，对于复杂多变的衣物情况来说，其适应能力较差，洗衣效果不够理想。而把神经网络与模糊控制结合起来，则能够很好地解决这些问题。洗衣机的神经网络模糊控制是让神经网络来学习模糊控制规则，利用离线训练好的神经网络，通过在线计算即可得到最佳输出（即最佳洗涤时间）。相对于查表式的模糊控制方式，神经网络控制方式的运算速度要快得多，而且神经网络还具有自学习和联想记忆功能。对于没有学习过的样本，神经网络可以通过联想记忆的方式，按照其记忆的映射关系，快速做出（即计算出）控制决策，具有相当高的精确性、适应性和灵活性，控制效果比单纯的模糊控制要好得多。洗衣机的神经网络模糊控制系统结构如下图所示。其中，输入层的神经元数为14个，为输入变量浑浊度的模糊子集，为输入变量浑浊度变化率的模糊子集，为输出变量洗涤时间的模糊子集。从模糊控制规则表（表2）可以看出，该模糊控制系统共有16条控制规则，每条规则都是一对样本，则共有16对样本。例如，根据模糊控制规则表（表2），当浑浊度为“清”，浑浊度变化率为“小”时，洗涤时间为“较短”，这个样本可以表示为：，其中，中的各元素为两个输入模糊变量对应的模糊子集（7+7=14个），中的各元素为输出模糊变量对应的模糊子集（8个）。用同样的方式可以列出其它15个样本对。将这16个样本对神经网络进行离线学习训练，训练完成后，这个神经网络就记住了上述16条模糊控制规则所隐含的多输入多输出（14个输入8个输出）函数映射关系。训练好的神经网络可用于在线工作，利用神经网络的联想记忆功能，以实时产生模糊控制规则。三、要求1. 根据给定的控制对象，设计出模糊控制系统的论域、模糊子集、各变量的隶属度函数、模糊控制规则等；2. 设计洗衣机神经模糊