基于混合学习算法的模糊神经网络控制研究.pdfVIP

第十七届中国过程控制会议论文集 基于混合学习算法的模糊神经网络控制 孙丽敏,李平,裴鑫 （辽宁石油化工大学 信息工程学院, 抚顺 113001） 摘要 :分析了BP算法和遗传算法各自的优缺点，将遗传算法引入到模糊神经网络的学习过程中。先利用遗传 算法极强的全局搜索能力对模糊神经网络控制器参数进行离线优化，使其最终搜索到全局最优或近似全局 最优的附近，再利用BP算法较强的局部搜索能力和对对象的适应能力进一步进行参数的在线调整。仿真结 果验证了本算法的有效性。 关键词: 遗传算法,BP 算法,模糊神经网络，Matlab 仿真 0 引言 由于模糊神经网络(FNN)吸取了模糊系统和神经网络各自的优点，使这种神经网络不仅学习速度 快，参数物理意义明显,而且可以用来提取模糊规则，所以近两年来有关模糊神经网络的研究非常引人 注目。在模糊神经网络中，大多数是多层前向神经网络构成的，而其参数优化算法亦多采用 BP 算法， 它具有简单和可塑的优点，但是由于 BP 算法是基于梯度下降这一本质的，因此不可避免地带来以下三 个缺点： (1)学习过程收敛速度慢； (2)容易陷入局部极小点，算法不完备； (3)鲁棒性不好，网络性能差。 遗传算法(Genetic Algorithm，简称GA)是由美国Michigan大学的Holland于1975年首先提出的， 是一种模拟达尔文的遗传选择和自然淘汰的生物进化论的计算模型[1]。由于遗传算法是一种自适应概 率性的搜索和优化方法，它对问题的初始条件要求很少且其优化过程具有全局性，将遗传算法直接应 用到模糊神经网络控制系统的优化设计中能够有效地克服梯度法的固有缺陷，改善控制器的性能[2]。 但是，GA算法本身所具有的随机性和概率性的本质使它的搜索进程效率不高，其优良的搜索结果是以 尽可能长的搜索时间为代价的。 基于以上的考虑，本文提出了一种综合遗传算法和传统的梯度下降学习算法的混和遗传算法，其 基本思想是先利用GA算法作为一种离线训练模糊神经推理器后(粗略学习),再用BP算法作为一种在线 调节神经网络的局部性参数(细调节)。这两种方法综合使用，可以大大提高模糊神经推理控制系统的 自学习性能和鲁棒性。 1 模糊神经网络控制方案 模糊神经网络控制方案的系统结构框图如图1所示。首先用遗传算法的全局性对模糊控制器的参数 进行粗略的大范围搜索(离线优化)，为梯度法提供一个较好的初始值，将优化后的模糊神经网络控制 器接入系统实时控制，利用梯度法的局部性对参数进行精细的细化调整。这种具有针对性的优化方法 相结合，能够取长补短，发挥各自的优点，大大提高模糊神经网络控制器的性能。通过仿真结果表明， 这种混和法能 有效地加强模糊神经网络的学习能力，进一步提高它的智能化水平。 作者简介：孙丽敏（1979—），女，辽宁大连人，硕士研究生，从事智能控制，过程控制及仿真等研究。 165 第十七届中国过程控制会议论文集 性能指标 遗传离线 • y (t) e e u y (t) d 被控 FNNC 对象