模糊神经网络在智能控制中的应用研究

模糊神经网络在智能控制中的应用研究1

郑子杰，王虎

武汉理工大学信息工程学院，武汉 (430070)

E-mail ：zhzijie.27@

摘 要：本文简要介绍了神经网络（Neural Network ）及模糊神经网络（Fuzzy Neural Network ）的特点以及发展状况，并给出了模糊神经网络在智能控制中的几种应用，同时指出了今后研究中有待解决的一些问题，并对模糊神经网络技术将来的发展及其在工程上的应用作了展望。

关键词：神经网络，模糊神经网络，FFNC ，智能控制

中图分类号: TP183 文献标识码:A

1. 神经网络简介

神经网络是仿效生物处理模式以获得智能信息处理功能的理论。神经网络着眼于脑的微观网络结构，通过大量神经元的复杂连接，采用由底到顶的方法，通过自学习、自组织和非线性动力学所形成的并行分布方式，来处理难于语言化的模式信息[1]。自1943年第一个神经网络模型—MP 模型被提出至今，神经网络的发展十分迅速，特别是1982年提出的Hopfield 神经网络模型和1985年Rumelhart 提出的反向传播算法BP ，使Hopfield 的模型和多层前馈型神经网络成为用途广泛的神经网络模型，在语音识别、模式识别、图像处理和工业控制等领域的应用颇有成效。

神经网络的核心由其基本结构、学习规则及其工作方式三大部分组成。

1.1 基本结构

神经网络是由大量神经元广泛互连而成的复杂网络系统。单一神经元可以有许多输入、输出。神经元之间的相互作用通过连接的权值体现。神经元的输出是其输入的函数。常用的函数类型有：线性函数、Sigmoid 型函数和阈值型函数[2]。虽然单个神经元的结构和功能极其简单和有限，而大量神经元构成的网络系统其行为却是丰富多彩的。图1表示出单个神经元和Hopfield 模型的结构。

在图1(a)中， i u 为神经元的内部状态，

i

θ为阈值，i x 为输入信号， ij w 表示从j u 到i u 连接的权值， i s 表示外部输入信号，则神经元的输入为-i i j j i i n e t w x s θ=+∑，输出为 ()i i y f n e t =，其中f 是神经元的转

换函数。

在图1(b)中。Hopfield 模型是由许多神经元构成的互连网络，适当选取神经元兴奋模式的初始状态，则网络的状态将逐渐到达一个极小点即稳定点、从而可以联想出稳定点处的样本。

神经网络的基本特征是：

(1)大规模并行处理。神经网络能同时处理与决策有关的因素，虽然单个神经元的动作速度不快，但网络的总体处理速度极快。 1本课题得到教育部重点项目(03120)(基于FSOC 嵌入式微控制器设计与研究)的资助。

(2)容锗性。由于神经网络包含的信息是分布存储的，即使网络某些单元相连接有缺陷，它仍可以通过联想得到全部或大部分信息。

（3)自适应性和自组织性。神经网络系统可以通过学习不断适应环境，增加知识的容量。

(a)神经元结构模型 （b ）hopfield 模型

图1 神经元模型和hopfield 模型 1.2 学习规则

学习规则决定了神经网络的连接权值舶变化，典型的学习规则有：

(1)Hebb 规则。如Hopfield 网络采用的修正Hebb 规则为

(21)(21)j i w i a δ∆=−−

其中i a 和j a 分别是节点i 和j 的激活值，常用于自联想网络。

(2) δ学习规则和广义δ学习规则。可用于学习非线性可分函数。BP 网络就依据这些学习规则。

(3)模拟退火。Boltzman 机就采用模拟退火算法作为其学习算法，它能学习非常复杂的非线性可分函数。

(4)无教师学习规则。它利用自适应学习方法，使节点能选择接受空间上的不同特性。

1.3 工作方式

(1)前向式或称前馈式。在这种方式中，网络被分成输入层、隐含层和输出层，信息从

图2 前向式神经网络的结构与工作方式

输入层开始，经由隐含层流向输出层，如图2所示。如感知器和BP 网络就是典型的前向式网络。

(2)演化式。此时输入层和输出层合二为一，例如Hopfield 网络。

当前，神经网络理论与应用已取得了丰硕的成果，其中多层前馈型神经网络BP 是最具应用特色的网络之一。虽然如此，神经网络理论还存在着许多缺陷，例如训练速度但，容易

陷入局部极小和全局搜索能力弱等。克服这些缺陷的有效途径之一是将神经网络、模糊逻辑、遗传算法三者相结合，以便达到取长补短、功能更完善的目的。

2. 模糊神经网络

模糊神经网络在本质上就是将常规的神经网络(如前向反馈神经网络，Hopfield神经网络)赋予模糊输入信号和模糊权值。模糊神经网络通常有下列类型：

(1)模糊神经网络具有实数输入信号，且具有模糊权值；

(2)模糊神经网络具有模糊输入信号，且具有实数权值；

(3)模糊神经网络具有模糊输入信号，且具有模糊权值。

模糊神经网络亦是全局逼近器，这已为许多学者所证明[3]，同时也奠定了模糊神经网络获得广泛应用的理论基础。模糊系统与模糊神经网络既有联系又有区别，其联系通常表现在许多模糊神经网络在本质上是模糊系统的实现；其区别表现在模糊神经网络又表现为神经网络之特性。模糊神经网络恰好充分地利用了各自的优点，避免了其缺点，因而受到了重视。

实际上，模糊神经网络作为具有一定的处理定性与定量知识的技术与方法，主要原因还是在于模糊逻辑具有较强的结构性知识表达能力，即描述系统定性知识的能力和神经网络强大的自学习与定量数据的直接处理能力。

模糊神经网络的学习算法通常是常规神经网络的学习算法或其推广。其常见的学习算法有五种，分别为：反向传播学习算法；模糊反向传播学习算法；基于α—截集的反向传播学习算法；随机搜索学习算法；遗传学习算法。

目前，模糊神经网络技术已经获得了广泛的应用。集中在以下几个领域：模糊回归问题的研究；模糊控制；模糊专家系统；模糊分级分析；模糊短阵方程；模糊建模以及模糊模式识别。

3. 模糊神经网络在智能控制中的应用

模糊神经网络系统是当前颇受人们关注的最新颖的控制策略研究方向之一。由于采用不同的控制思想和策略，引出的模糊神经网络控制器(FNNC)的结构形式将有所不同[4]。下面通过对几种典型的模糊神经网络控制器结构形式的分析，指出不同结构形式的FNNC的特点。从FNNC结构形式的变迁，可以预测，随着动态推理过程知识流动理论的研究，把知识流动过程与网络结构形式的完美结合，形成能更加准确地表达人类思维过程，有一定思维能力的智能控制器，将是FNNC结构的发展趋势。

3.1 采用神经网络记忆模糊规则构成的FNNC

图3采用神经网络记忆模糊规则构成的FNNC结构图