模糊神经网络的基本原理与应用概述

模糊神经网络的基本原理与应用概述

摘要：模糊神经网络（FNN）是将人工神经网络与模糊逻辑系统相结合的一种具有强大的自学习和自整定功能的网络,是智能控制理论研究领域中一个十分活跃的分支,因此模糊神经网络控制的研究具有重要的意义。本文旨在分析模糊神经网络的基本原理及相关应用。

关键字：模糊神经网络，模糊控制，神经网络控制，BP算法。

Abstract:A fuzzy neural network is a neural network and fuzzy logic system with the combination of a powerful. The self-learning and self-tuning function of the network, is a very intelligent control theory research in the field of active branches. So the fuzzy neural network control research has the vital significance. The purpose of this paper is to analysis the basic principle of fuzzy neural networks and related applications.

Key Words: Fuzzy Neural Network, Fuzzy Control, Neural Network Control, BP Algorithm.

1人工神经网络的基本原理与应用概述

1.1人工神经网络的概念

人工神经网络(Artificial Neural Network,简称ANN)是由大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统,它使用大量简单的相连的人工神经元来模仿生物神经网络的能力,从外界环境或其它神经元获得信息,同时加以简单的运算,将结果输出到外界或其它人工神经元。神经网络在输入信息的影响下进入一定状态,由于神经元之间相互联系以及神经元本身的动力学特性,这种外界刺激的兴奋模式会自动地迅速演变成新的平衡状态,这样具有特定结构的神经网络就可定义出一类模式变换即实现一种映射关系。由于人工神经元在网络中不同的联接方式,就形成了不同的人工神经网络模式,其中误差反向传播网络(Back-Propagation Network,简称BP网络)是目前人工神经网络模式中最具代表性,应用得最广泛的一种模型【1,2】。

1.2人工神经网络研究的发展简史

人工神经网络的研究己有近半个世纪的历史但它的发展并不是一帆风顺的,神经网络的研究大体上可分为以下五个阶段[3]。

(1) 孕育期(1956年之前):1943年Mcculloch与Pitts共同合作发表了“A logical calculus of ideas immanent in Nervous Activity”一文,提出了神经元数学模型(即MP模型)。1949年Hebb提出Hebb学习法则,对神经网络的发展做出了重大贡献。可以说,MP模型与学习规则为神经科学与电脑科学之间架起了沟通的桥梁,也为后来人工神经网络的迅速发展奠定了坚实的基础。

(2)诞生期(1957年一1968年):1960年Widrow提出了自适应线性元件模型,Rossenbaltt在1957年提出了第一种人工神经网络模式一感知机模式,由二元值神经元组成,该模式的产生激起了人工神经网络研究的又一次新高潮。(3)挫折期(1969年一1981年):1969年Minsky等人写的《感知机》一书以数学

方法证明了当时的人工神经网络模式的学习能力受到很大限制。之后,人工神经网络的研究一直处于低潮。

（4）重生期（1982年一1986年）：1982年Hopfield提出了Hopfield网络,此模式证明了人工神经网络处理单元间的交互作用,可自动使人工神经网络中所定义的能量函数收敛到一个局部最小值,并可用此模式去求解自联想记忆问题。随后,Hopfield与Tank两位研究者又提出了Hopfield一Tank网络,这为许多组合最优化的问题提供了新的研究途径。1986年Rumelhart等人出版的《Parallel Distributed Processing》一书更是激发了人们研究神经网络的积极性,再次掀起了人工神经网络的研究热潮。该书详细介绍了反向传播网络原理,这可能是到1990年为止被引用得最多的人工神经网络文献。这是人工神经网络研究史上最重大的事件。

(5)成熟期(1987年迄):1987年第一届正式的国际人工神经网络研讨会召开,标志着人工神经网络研究成熟期的到来。1989年后,国际电子电气工程师协会（IEEE）与国际神经网络学会(INNS),举办的国际联合神经网络大会(IJCNN)已成为目前最重要的人工神经网络研讨会。各个科技发达国家正进行许多大型的研究计划,展开了对人工神经网络的基本理论、模式及应用等多方面的研究。大量新的神经网络模式被提出,如机率神经网络、退火神经网络等。

2.神经网络控制

2.1神经网络控制的优点

从控制角度看,与传统方法相比,神经网络对自动控制具有多种

的特征和优势【3】：

（1）并行分布式信息处理。神经网络具有并行结构,可以进行并行数据处理。这种并行机制可以解决控制系统中大规模实时计算问题,并且并行计算中的冗余性可以使控制系统具有很强的容错性和鲁棒性。

（2）神经网络是本质非线性系统。理论上,神经网络能以任意精度实现任意非线性映射,网络还可以实现较其他方法更优越的系统建模。这种特性使神经网络在解决非线性控制问题中具有广阔的前景。

（3）学习和自适应能力。神经网络是基于所研究系统过去的数据记录来进行训

练的。当提供给网络的输入不包含在训练集中时,一个经过训练的网络具有归纳能力。神经网络也可以在线进行自适应调节。

（4）多变量系统。神经网络可以处理很多输入信号,并具有很多输出量,所以很容易用于多变量系统。

（5）神经计算可以解决许多自动控制计算问题,如优化计算和矩阵代数计算等。而且既可在线计算,也可离线计算,也可用或光学集成系统实现或利用计算机模拟,灵活性大。

神经网络的应用己深入到自动控制领域的各个方面,包括系统辨识、系统控制、优化计算以及控制系统的故障诊断与容错控制等。经典神经元结构如图2.1所示。

图 2.1 人工神经元结构模型

Fig.2.1 Model of artificial neuron

2.2常用的神经网络控制方案

神经网络的控制研究是随着年代中期神经网络理论研究的不断深入而不断发展起来的,至今只有十几年的历史。神经网络在控制中的应用可分为三类、在基于模型的各种控制结构,如内模控制、模型参考自适应控制、预测控制等系统中充当对象模型、神经网络本身用作控制器、在控制系统中进行优化计算。下面从常规控制器与神经网络相结合的角度,几种常见的神经网络控制器有：1.监督控制；2.神经网络直接逆控制；3.内模控制；4.模型预测控制；5.模型参考自适应控制；6、再励学习控制。

3.模糊控制理论

3.1模糊控制的基本原理

模糊控制的基本原理由图3.1表示，它的核心部分为模糊控制器，如图中虚线框中部分所示。模糊控制器的控制规律由计算机的程序实现[4]，其算法过程：微机经中断采样获取被控量的精确值，然后将此量与给定值比较得到误差信号