基于动态模糊神经网络的非线性系统建模与控制.ppt

基于动态模糊神经网络的非线性系统建模与控制 张萍 2011.9.30 面向被控对象的工程师设计流程： 1、建立被控对象数学模型。 2、设计控制器。 3、仿真分析。 4、控制器实物话并在实验环境中对其特性进行评估。 随着智能信息处理、控制理论和实践的 发展，一些复杂的工业控制过程成为人们关 注的研究领域。 这类非线性系统具有多变量耦合、纯滞后、 时变等非线性特征，这使得精确的机理建 模非常困难。 建立过程数学模型方法： 1、机理建模：双层玻璃功效问题 2、实验统计：利用信息建立过程的数学模型。 系统辨识方法： 1、经典的系统辨识 2、现代的系统辨识 模糊控制优势与问题 优势： 模糊系统通过推论似的语言形式来逼近人的 推理能力，应用于从建模到控制的诸多领域。特 别是对于大时滞、时变多输入单输出系统效果显 著。 问题： 1、 建立正确的模糊规则和隶属函数非常困难。 2、维数灾难问题。 3、模糊规则库一旦建立，很难进行更改，即很难实现规则的自学习和自适应。 神经网络优势与问题 优势： 可以逼近非线性映射，具有自组织、自适应、自学习功能和泛化能力。 问题： 1、网络权值初值随机选取。 2、无法利用专家经验等语言信息。 3、学习时间长；容易陷入局部极小。 4、神经网络模型是一个“黑箱”模型，网络参数缺乏明确的物理意义。 模糊神经网络 1、模糊系统和神经网络的功能等效。 2、特性互补：模糊逻辑系统中参数选择需要领域专家知识。而神经网络具有学习能力。 3、两类方法日趋融合。 现有的模糊神经网络中，神经网络的作用都是 对模糊系统参数的学习和优化。不能对模糊规则数 进行辨识，不能解决模糊规则数如何确定，哪一条 规则最重要等问题。 从神经网络角度而言，评价一个神经网络好坏 的核心指标是它的泛化能力。 从工程角度而言，大多数现有的模糊神经网络 的学习方式都是BP算法，这种算法速度较慢，并且 容易陷入局部极小值点。 国外研究现状 1993年:输出层中引入反馈。 1999年:RBF-DFNN。 2000年:EBF-DFNN。 2002年:将神经网络层间引入反馈量。 2006年:变结构型动态模糊神经网络。 2007年:应用于过程控制技术之中。 2010年:研究方向逐渐转向该网络与其它算法的结合 国内研究现状 1995年：以真值流描述知识流。 1999年：具有模糊分割（DNNFP)。 2005年：在归一化层与输出层之间加入递归层(DFNN)。 2008年：包括聚类、离线训练、在线辨识模糊神经网络模型。 2009年：工程应用。 2010年：与其他算法的互补性研究。 动态模糊神经网络 “动态”是指 （1）神经元具有动态特性 （2）输入输出带反馈，也就是常说的反馈神经网络。 （3）神经网络层间带反馈。 (4) 神经网络结构非预先确定 动态模糊神经网络结构 数据预处理 1、数据归一化处理 不同量纲的物理量在一个平台上进行分析。 2、Euclidean空间中构造多维向量学习空间。 对扰动信息进行前期处理。 需辨识的数据共三类 1、高斯型隶属函数中心位置； 2、高斯型隶属函数宽度； 3、规则连接权值。 其中输入n维，该时刻共L个隶属函数，nL条规则 高斯函数特点型隶属函数中心位置； 高斯型隶属函数宽度； 高斯函数的形式为 其中 a、b 与 c 为实数常数 ，且a 0. 在统计学与机率论中，高斯函数是常态分布的密度 函数，根据中心极限定理它是复杂总和的有限机率 分布。 算法 1、规则产生原则 误差： 数若规则数太少,系统不能完全包含输入-输出状态空间。反之,若规则数太多,又会增加系统复杂性,同时极大地增加计算负担并导致网络泛化能力变差。因此,输出误差是确定新规则是否应该加入的重要因素。 对于第k组观测数据 ,其中, 是期望的输出, 计算DFNN现有结构的全部输出。 令 若 增加一条规则 C 是与被控系统相关的收敛系数， 可容纳边界 由于输入变量的隶属函数采用高斯函数，若新样本位于某个已存在的高斯函数可容纳边界内，则该样本可由已存在的高斯函数所表示。 计算 其中Kd是可容纳边界的有效半径。 步骤1　由当前工作点 ，计算 与 的距离与其夹角余弦,若夹角大于则舍弃这个信息向量,否则,按规则函数