自适应神经模糊推理系统及其仿真应用

合集下载

基于自适应神经模糊推理的形变数据仿真计算

基于自适应神经模糊推理的形变数据仿真计算
Ab ta t Ad pie Ne rl F zy n ee c sse i sd o etbih te n w a p o c o b ev t n d t a ay i sr c : a t ua— u z Ifrn e y tm s u e t sa l h e p ra h fro srai aa n lss v s o o n ie r g d fr t nI i iee t rm te p ra h a e n atiil e rln t ok i f cie o l i te f e gn e n eomai . s df rn f i o t f o h a p c b sd o r f a n u a ew r s s f t ny f h o ic e e v sac s a e s rlt ey ma1 hs e rh p c i eai l s lT i v . mo e i p l d o n lz te rdcin o d m d fr t nT e eut h w d l s pi t a e a ay e h pe it f a o eomai .h rs l s o o s
维普资讯
基 于 自适应神 经模糊 推理的形变数 据仿真计算
陈继 光 祝令 德 孙 立堂 ( 东大学土 建与水 利 学院 , 南 20 6 ) 山 济 50 1
!南水北 调 东线 山 东干 线有 限公 司 , ( 济南 2 0 1 ) 5 0 3
E m i: jg sueuc — al -- @ d . . c d n 摘 要 应 用 自适 应 神 经 模 糊推 理 系 统 的原 理 , 立构 筑物 变形 数 据 的 预 测计 算模 型 , 用此 模 型 完 成 大 坝 变形 数 据 预 建 并 报 。 它 克服 了 以往 人 工 神 经 网络 变形 数 据 计 算 中 当解 空 间 稍 大 时 , 难 以 收敛 到 所 需精 度 的 缺 陷 , 较 大 的解 空 间 内模 便 在

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真
从 人 类 专 家 的 经 验 知 识 和 推 理 过 程 中 提 出 I—T e f hn规 则 集

- f: t t
一 qy+ t

+i f it
建 立 起 模 糊 模 型 , 以 此 为 基 础 设 计 模 糊 控 制 系 统 。 但 这 种 并 传 统 的 模 糊 系 统 不 能 自 动 地 将 人 类 专 家 的 知 识 经 验 转 化 为 推理 规 则库 , 乏 有 效 的方法 来 改进 隶 属 函数 以减 少 输 出误 缺 差 或 提 高 性 能 指 标 。 J 一S . .R. ag提 出 的 自适 应 神 经 模 糊 Jn
A I ( 图 2 。 自适应 网络 是一 个 多层 前 馈 网 络 , 中 的 NFS 见 )该 其
方 形节 点需 要 进行 参数 学 习 。 参数 学 习 可 以采 用 梯度 下 降 其 法 , 由于该 方法 速 度 较 慢 且 易 陷 入 局 部 最 小 , 里 采 用 梯 但 这 度 下 降法 与最 小二 乘 法 的混合 算法 。 第 一层 : 责输 入信 号 的模 糊 化 , 点 i 有输 出 函数 : 负 节 具
第 l卷 第4 9 期
文 章 编 号 :0 6—9 4 (0 2  ̄ 一0 4 10 3 S 20 ) 0 7—0 3



仿

加。 年 7 2 月
应 用 自适 应 神 经 模 糊 推 理 系统 ( ANF S I) 进 行 建 模 与 仿 真
张 浩 炯 , 岳 峰 , 强 余 王
推 理 系 统 ( d p v er — N tok— B sd F z t fr ̄e A at eN ua i l e r w ae uz I e ee ynr l

变量喷药自适应神经模糊控制器设计与仿真

变量喷药自适应神经模糊控制器设计与仿真

计. M t b中建 立 了 自适应神 经 模糊控 制仿 真模 型 , 真结 果表 明 : 喷 头打 开 时间为 0 2S 在 al a 仿 在 . ,
喷 药机械 速度 为 0~1m s杂 草面积 在 0~10e 时 , 制 器可 自动调 节喷 药量在 0~ L变 /, 0 m 控 4m 化. 与采 用传统模 糊控 制方式相 比 , 该控 制 器 自适应性 强 , 有较好 的应 用前景. 具 关键词 :变量啧 药; 制 器 ; 控 自适应神 经模糊推 理 系统 ; 学模 型 ; 真 数 仿 中图分 类号 : 2 4 3 S 2 文献标 志码 : ¥2 . ; 16 A 文章 编号 : 6 4— 5 0 2 1 ) 3— 2 2— 5 17 8 3 (0 1 0 0 7 0
变量 喷 药 自适 应神 经模 糊 控制 器 设计 与 仿真
陈树 人 , 东富 , 新 华 , 文超 尹 魏 裴
( 苏 大学 现 代农 、装 备 技 术省部 共 建 教 育部 重 点 实 验室 ,江 苏 镇 江 2 2 1 ) 汀 【 } , j 10 3
摘 要 :为 了减 少除草 剂用量 , 采用 变量喷施 除 草 剂方 式进 行 除草. 据分 别 建立 的 杂草 面积 、 根 喷 药机 械行驶 速度 与喷 药量 关 系模 型 , 得知 杂草 面积和 喷 药机械 行驶 速 度是 影 响 变量喷 施 效果 的 主要 因素. 了获取喷 药量与 车速及 杂草 面积 关 系试验数 据 , 为 设计 了 室 内变量喷 药试 验 台, 用 使 D P处理 器及 编码 器分别得 到杂草 面积及喷 药机械 前进速 度信 息. S 结合 所获试验 数据 , 计 了一 设
I 排灌机械工程学报
嗣 豳●翻 _— J u n l fD a n g n r ia i n Ma h n r g n e i g o r a r i a ea d I rg to c i e yEn i e rn o

模糊推理神经网络诊断模型案例

模糊推理神经网络诊断模型案例

模糊推理神经网络诊断模型案例[摘要]本文基于通用神经网络的自适应性和诊断的建模方法,建立了一种新的故障诊断模型一模糊神经网络诊断模型,并对它的智能诊断机理和突出特点进行了深入分析。

最后,将该诊断模型应用于某大型汽轮发电机组故障诊断中,分析得出它具有明显的提高诊断精确度的优越性。

[关键词]神经网络故障诊断智能诊断1模糊推理神经网络诊断模型建立1.1通用网络模型自适应动态特性比较两类典型的神经网络一前向BP网络与反馈Hopfied网络,可以发现其核心是单层神经网络,则两类网络可以用一个通用神经网络模型来描述。

根据点集拓扑理论和人工神经网络空间概念,对这个通用神经网络模型的特征进行分析得出以下两个结论,证明从略。

定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。

推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn。

Rm)。

由推论1表明,通用网络模型所概括的任何开集(如BP网络、Hopfied网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈(Rn,Rm),因而具有良好的自学习、自适应动态特性。

1.2诊断建模方法设xjn(j=1,2,...,k)对应反映设备运行状态第n个观测样本的k个特征参数,yin,(i=1,2,...l)对应第n个样本的1种故障模式,共有N个样本xjn∈RN,yin∈RN,[n=1,2,...,N),则故障模式向量Y={yin,i=1,2,...,l}与特征参数向量x={xin,i=1,2,...,k}间的内在关系用函数P表示,有:X=P(Y)。

当N→∞时,函数P的逆函数存在,以函数S表示,有:Y=S(X)诊断问题建模的实质就是根据有限的样本集,确定函数S(X)的一等价映射关系SS(X),使得对于任意的ε>0,满足:|| S(X)-SS(X)||=||y-YY||0)=(Y0)x→x0则映射SS建立了诊断问题的数学模型。

高速列车横向振动自适应神经模糊控制的仿真

高速列车横向振动自适应神经模糊控制的仿真
f 1 - C ( 一 Y )4 2 ( 一 Y ) F 一 0 M Y 4 2 。 。 - K 。 4 -
制、 预测 控制 、 糊 控 制 和 神 经 网络 控 制 等口 。对 于 这 模 ] 些 控制方 法 , 都有 自己的优缺 点 。就 模糊 控 制 和神经 网
络控制 来说 , 模糊 控 制 的缺 点是 控 制 精度 低 、 控制 规 则 难 建立 , 当控制规 则 确 定 后 又不 会 改 变 , 就 导致 了模 这
高速 列车 横 向振 动 自适 应神 经模 糊 控 制 的仿真
成 新 明 , 启 志 唐
( 中南大 学 信 息科 学 与工 程 学院 ,湖南长 沙 4 0 8 ) 1 0 3
摘 要 为 了设 计 出智 能 的列 车 悬 挂 系 统 , 出 了基 于 神 经 网 络 的 自适 应 模 糊 控 制 。模 糊 控 制 主 要 是 针 对 系 统 的 提
网络 是 对 动 态 采 集 的 数 据 进 行 训 练 , 训 练 过 程 中不 断 在
局部 相对 运动 有关 , 且其悬 挂特 性在 车辆 运行 过 程 中不 能 随激励 的变化而 任意进 行调 整 , 就 限制 了机 车 车辆 这
调 节模糊 控 制 的控 制 参 数 , 而 来改 变控 制 规 则 , 从 使控 制规则 能够随着路 面的变化而 变化 。这 种设 计不 仅可 以 减少列 车 的振动 , 而且 还 能适 应模 型建 立 不 精 确 、 感 传 器 测量不 准确 等情 况 , 断提 高控制 器 的 自适应 能力 。 不
性。
关键词
横 向 振 动 ;模 糊 控 制 ; 经 网络 ; 主 动 悬 挂 神 半
文 献 标 志 码 :A d i1 . 9 9 j is . 0 8 7 4 . 0 2 0 . 3 o :0 3 6 /.s n 1 0 — 8 2 2 1 . 5 0

基于自适应神经模糊推理系统的磁悬浮电动机控制

基于自适应神经模糊推理系统的磁悬浮电动机控制

研究与应用化工自动化及仪表,2009,36(5):88—9lC ont r o l a nd I nst r um ent s i n C h em i ca l I ndust r y基于自适应神经模糊推理系统的磁悬浮电动机控制李惠光,张广路,周巧玲,杨国良(燕山大学电气工程学院,河北秦皇岛066004)摘要:磁悬浮电动机是一个非线性、强耦合的复杂系统。

阐述了它的工作原理并建立了数学模型,为使该系统具有良好的动态性能和稳定性,采用逆系统方法解耦线性化,然后以解耦后的伪线性子系统为对象,设计了神经模糊PI D控制器,该控制器利用PID算法实现控制的准确性,利用模糊控制的逻辑能力和神经网络的自学习能力来提高控制的快速性和自适应性。

仿真结果表明。

采用神经模糊P I D控制响应快、无超调、过渡时间短,实现了预期目的。

关键词:磁悬浮;解耦线性化;自适应神经模糊推理系统;神经模糊PI D中图分类号:T P273文献标识码:A文章编号:1000-3932(2009)05-0088-04l引言磁悬浮电动机因其体积小、临界转速高等优点已成为电磁轴承研究中的前沿课题。

但是,由于磁悬浮电动机系统的非线性和强耦合性,制约了其发展和应用的速度。

要实现磁悬浮电动机的稳定悬浮和可控旋转,必须对径向二自由度悬浮力之间进行动态解耦,并且需要对悬浮力、转矩、转子磁链之间进行线性化解耦。

近年来,智能控制的广泛应用为复杂的非线性系统提供了解决办法¨二1,国内的研究尚处于理论阶段。

本文应用非线性系统状态反馈解耦理论挣,实现了磁悬浮电动机的转矩、转子磁链、转子位置之间的动态解耦,并在此基础上设计了神经模糊PID控制器,该控制器利用模糊逻辑的“概念”能力和神经网络的自学习能力,通过两者的有机结合寻找最佳的P、I、D非线性组合控制规律,实现了对被控对象的在线控制,有效地解决了常规PI D控制器设计过程依赖于对象精确的数学模型且不能调整PI D参数的缺点,有效地增加了系统悬浮偏移量调节的自适应力,提高了系统的性能。

基于MATLAB的自适应模糊PID控制系统计算机仿真

基于MATLAB的自适应模糊PID控制系统计算机仿真
储岳中K 陶永华 (安徽工业大学 电气信息学院, 安徽 马鞍山 %/C..%)
摘要: 在分析自适应模糊控制及 HIJ 参数变化对系统性能影响的基础上 K 提出在动态过程中对 HIJ 参数进行整定。 仿真研究表 明 K 控制质量得到了提高 。 关键词: 模糊 HIJ 控制; 自适应; 仿真 E19F1G; 中图分类号: 9HCB&$ B 文献标识码: 1
&
E19F1G 简介
E19F1G 软件于 &B?/ 年由美国的 E)82W",X7 公司推出 K 该软件使用简单、方便 。自 &BBC 年以来 K E)82W",X7 公司相继推出了 E19F1G /$ . 、 E19F1G /$ %、 E19F1GD$ %、 E19F1G <$ . 等版本。本文在 E19Z F1G<$ . 基础上 K 介绍如何利用 RIE4FI’[ 和 \4]]^ 工具箱构造某模糊控制系统的结构框图和进行仿真研 究的方法及步骤。 &$ & 模糊逻辑工具箱 模糊逻辑工具箱 @ 0+PP-#";3:8""#Q"_ A 提供了模糊逻辑控制器及系统设计的各种途径。工具箱提供了生成 和编辑模糊推理系统 @ \IR A 常用的工具函数 K 如 *6W037, )OO5),, )OOM0, )OO,+##6, 768037, W,386037 等 K 它包括了产
!"#$ %& ()*+),-
’"$ & %../
安徽工业大学学报 ($ "0 1*2+3 4*356,738- "0 96:2*"#";-
第 %& 卷 第 & 期 %../ 年 &月

4 自适应模糊控制-智能控制——理论基础、算法设计与应用-刘金琨-清华大学出版社

4 自适应模糊控制-智能控制——理论基础、算法设计与应用-刘金琨-清华大学出版社

R x y B x i1i2 u
:如果
为 且 1
Ai1 1
2
为 Ai2 2
,则
为 i1i2
其中,i1 1, 2, , N1, i2 1, 2, , N2
将模糊集Bi1i2 的中心(用y i1i2 表示)选择为
y g e , e i1i2
i1
i2
1
2
(4.1)
步骤3:采用乘机推理机,单值模糊器和中心平
自适应模糊控制是指具有自适应学习算法的模糊逻辑系 统,其学习算法是依靠数据信息来调整模糊逻辑系统的参数。 一个自适应模糊控制器可以用一个单一的自适应模糊系统构 成,也可以用若干个自适应模糊系统构成。与传统的自适应 控制相比,自适应模糊控制的优越性在于它可以利用操作人 员提供的语言性模糊信息,而传统的自适应控制则不能。这 一点对具有高度不确定因素的系统尤其重要。
采用乘机推理机单值模糊器和中心平均解模糊器根据条规则来构造模糊系统42412模糊系统的逼近精度万能逼近定理表明模糊系统是除多项函数逼近器神经网络之外的一个新的万能逼近器
第4章 自适应模糊控制
模糊控制的突出优点是能够比较容易地将 人的控制经验溶入到控制器中,但若缺乏这样 的控制经验,很难设计出高水平的模糊控制器。 而且,由于模糊控制器采用了IF-THRN控制规 则,不便于控制参数的学习和调整,使得构造 具有自适应的模糊控制器较困难。
取控制律为
u
1 g(x)
f
x
y (n) m
ΚTe
(4.9)
将(4.9)代入(4.7),得到闭环控制系统的方程:
e(n) k e(n1) k e 0
1
n
(4.10)
由 的选取,可得 t 时 e(t) 0 ,即系统的输

基于自适应神经模糊推理系统能低压配电无功补偿方法

基于自适应神经模糊推理系统能低压配电无功补偿方法

控制 规则 库 的好 坏 , 目前 状 况 一 般 的 模 糊控 制 器 依靠 专家 系统 的知识 和经验 。 自适 应神 经模 糊推
理 系 统 ( d pi e o —ae u z neec A a t e N t r b sd F z If n e v w k y r
图 1 模糊控 制器结构 示意图
男 , 师, 讲 研究方 向
为 电 力 系 统 运 行 与 控制 和配电市场。
中图分 类号 : M 7 4 3 文献标志码 : 文章编 号 : 0 15 3 ( 0 2 0 - 2 -3 T 1. B 10 —5 1 2 1 )30 90 - 0
A a fDit i u i n Re c ie Po r Co pe s to Ba e n W y o srb to a tv we m n a in s d o Ada tv t r Ba y I f r nc y tm z n e e e S se
信号 、 入信 号模 糊化 、 输 模糊 判据 、 理机 、 推 神经 网 络、 解模 糊 和输 出信号 , 图 1 示 。 如 所
电力 系统 无 功补 偿 中 , 糊 控 制 方 法 得 到 了很 好 模
的应 用 。
审 I
推理 机 卜—叫 神经 网络 _
模糊 控 制效果 的好坏很 大 程度 上取 决 于模糊
X UXa g o C E Jn u , LUJnfn in b , H N ih i I i eg g
( ot C iaB o igEetcP w r c & eh o ee B o ig 7 0 1 hn ) N r hn adn l r o e . T c .C l g , adn 1 5 ,C ia h ci Vo l 0

基于自适应神经模糊推理系统的非线性系统辨识与仿真

基于自适应神经模糊推理系统的非线性系统辨识与仿真

1l ・ 3
维普资讯
方形节点 为具有节点 函数 的 自适应节点 , 圆形节点 为不
人输 出数据对 , 中 5 其 0对数据 用做 训练 数据 , 5 另 0对数 据 用做检验 数据。将 数据模糊 分成 5个子集 , 即设定 5个初始 隶属度 函数 , 这里均采用广义 的钟形 函数 , 如图 2所示 , 初始 步长设 为 0 0 , . 1 经过 6 0步训练 后得 到图 3所示 的隶属度 函 数 ; 4为辨识 后 的 A FS输 出曲线 与实 际非线性 输 出 曲 图 NI 线 ; 5分别表示训 练数据均方误差 er l和检验数 据均方 图 rr o 误差 e o2变化 曲线 , rr r 经辨 识后 的最小 均 方 根误 差分 别 为
提出的 , 它将输入 向量空间划分为 m个模 糊 子空 间, 相邻 模 糊子空间可以有重叠 , 叠程度取决 于隶属 函数 。对 于每一 重 个模 糊子空间 , 系统 的局部 模型 可用 一个线 性方 程来 描述 , 而系统的总输出则为 各局 部线性 模型输 出 的加权 和 。为简 单起 见 , 考虑两输 入单输 出 的一 阶 S gn 糊推理 系统 , ueo模 具
识, 在对神 经网络进 行训 练时 , 只能 将初始 权值 取为零 或 随 机数 , 而增 加 了网 络 的训 练 时 间 , 容 易 陷入 局 部极 值 。 从 并 模糊逻辑也是一种处理不确定 性 、 非线 性和其 他不适定 问题 的有力工具 , 推理方式 比较 类似于人 的思维 模 式 , 合 于 其 适 表达那些模糊或定性 的知识 。但是 传统 的模糊 系统 缺乏 自 学 习和 自适应能力 , 不能 自动将人类专 家的控制经验和知识 转化为推理规则库 , 缺乏有效 的方法来 改进 隶属 函数 以减 小 输 出误差 , 提高系统 的性 能指 标。因此 , 能将 模糊 逻辑 与 若 神经 网络相结合 , 吸收二 者 的长处 , 则可 以组成 比单 独 的神

基于自适应神经模糊推理系统的智能化控制技术研究

基于自适应神经模糊推理系统的智能化控制技术研究

基于自适应神经模糊推理系统的智能化控制技术研究随着科技的快速发展,智能化控制技术得到了广泛应用并取得了显著的成果。

在传统的控制方法基础上,自适应神经模糊推理系统(ANFIS)作为一种新型的控制方法,已经被广泛研究和应用于工业生产、汽车、机器人等领域,取得了良好的效果。

本文主要介绍ANFIS的原理及应用,探讨其在智能化控制中的优势和发展前景。

一、ANFIS的原理ANFIS是一种由模糊理论和神经网络理论相结合的自适应智能控制算法。

模糊推理是一种可以模拟人类语言思维的方法,适用于处理模糊信息和非线性问题;神经网络是一种能够自我学习和优化的计算模型,适用于处理复杂数据和高维空间的问题。

这两种计算模型的结合,使得ANFIS可以有效处理多变量、非线性、误差较大的复杂控制问题。

ANFIS的核心是基于模糊推理的自适应调节机制。

在ANFIS系统中,通过对已知输入输出样本进行学习和训练,建立输入变量与输出变量之间的映射关系,并确定各个输入变量的权值和模糊集隶属度函数。

这些权值和函数随着学习的进行实现自适应调节,从而达到更加精确和准确的输出结果。

二、ANFIS的应用ANFIS在智能化控制领域的应用广泛,例如:1. 工业生产控制ANFIS可以应用于流程控制、生产优化、质量控制等多个领域,提高工业生产的效率和质量。

例如在钢铁生产中,利用ANFIS控制系统对生产过程的影响进行分析和优化,可以降低烧结温度、减少气体排放,从而减轻环境污染。

2. 汽车控制ANFIS在汽车动力控制、防抱死制动系统、车身稳定控制等方面的应用,可以提高车辆的行驶稳定性和安全性。

例如,在雪地、湿滑路面行驶时,利用ANFIS控制系统对车速、刹车压力等参数进行实时控制,保证车辆行驶稳定、操控性安全。

3. 机器人控制ANFIS在机器人的控制、路径规划、姿态控制等领域应用广泛,提高了机器人的自主性和智能化水平。

例如,在机器人视觉系统中,利用ANFIS对图像识别和目标追踪进行优化,可以实现机器人的自主导航和操控。

神经网络模糊非参数模型自适应控制及仿真

神经网络模糊非参数模型自适应控制及仿真

也可用符号函数 sign ( ∂y (k + 1) )来取代。 ∂u(k )
∂u(k )
因此 BP 神经网络 NN 输出层的加权系数计算公式为
∆ω
(3) i
(k
+ 1)
=
ηδ
o (3) (2) i
(k)
+
α∆ω
(3) i
(k ),
δ (3) = e(k + 1)sign( ∂y (k + 1) ) × ∂u(k ) g ′[net (3) (k )].
别表示系统的阶数,
∆y(k +1) = y(k +1) − y(k), (3)
∆u(k) = u(k) − u(k −1),
φ(k) 为基于紧格式线性化的伪偏导数。这种控制方案只需要
受控系统的 I/O 数据[1-3],与系统的模型结构、系统阶数无关。
收稿日期:2005-04-05
修回日期:2006-03-03
3) 神经网络 NN:根据系统的运行状态,调整控制器的
参数-伪偏导数φ(k) ,以达到某种性能指标的最优化。即输 出层神经元的输出状态对应于伪偏导数φ(k) ,通过神经网络
的自身学习、加权系数调整,从而使其稳定状态对应于某种 最优控制律下的非参数模型自适应控制器的参数。
学习算法
模糊化
NN
+ r(k+1)
Abstract: A fuzzy non-parameter model adaptive control based on neural networks (FNN-NPMAC) was proposed. It is a result of the comprehensive combination of fuzzy control, neural networks, and NPMAC by only using system I/O data. Simulations prove that this controller has good adaptability and robustness to models and environments. Key words: neural networks; fuzzy control; non-parameter model adaptive control; pseudo-partial-derivative

自适应模糊PID控制系统及其MATLAB仿真

自适应模糊PID控制系统及其MATLAB仿真
关键 词 : 自适 应 ;I 制 ; T A PD控 MA L B仿 真 中 图分类 号 :P9 . ;i7 . T 3 19Tt 34 2
争 ・ ・ ・ ・ ・ ・ ・ ・ ・ 争 夺 夺 夺 夺 夺 争 夺 争
文 献标 识码 : A
文章 编号 : 7 - 6 (0 10-040 1 1 84 21)503- 6 7 2
第1 0卷
第 5期
漯河职 业技 术学院 学报
J u a fLu h cto a c n lg le e o r lo o eVo ain lTe h oo yColg n
Vo .1 No. 1 0 5
Sp 2 1 e . 01
21 0 1年 9月
d i1 . 9 9 ji n 1 7 -8 4 2 1 . 5 0 5 o :0 3 6 / .s . 6 17 6 .0 0 . 1 s 1

要 : 据 自适 应 PD控 制 系统 的 结 构 和 原 理 , 究 M T A 根 I 研 A L B仿 真 工具 箱及 仿 真 方 法 , 并给 出仿 真 实例 和 分
析 结果。将 自适应技术和 PD控制技术相结合 , 以辅助软件 M T A I 借 A L B有力地验证 了这一技 术的优 势。
定 , 据专 家或 者操作 者 的手 动控制 经验 总结 出来 的一 即根
系列 控制 规则 也 即模 糊 控制 规 则 表 。模 糊 控 制 规则 一 般 具有 如下 形式 :
系统相 结合 , 构建 自适 应 模 糊 PD控 制 系统 , 用 模糊 推 I 运 理, 实现 对 PD参 数 的 实 时调 整 , 了验 证 自适 应 技术 对 I 为 PD控 制 的改进 , I 文章 通过 M T A A L B的 S LN I IK模块 对 MU

自适应模糊PID控制器的设计与仿真

自适应模糊PID控制器的设计与仿真

毕业论文(设计) 题目自适应模糊PID控制器的设计与仿真学生姓名*******学号*******院系*******专业电气工程与自动化指导教师*******二O一一年五月二十五日目录1引言 (1)1.1 PID简介 (1)1.2 模糊控制简介 (2)1.3 本文研究的目的和意义 (2)1.4 本文的内容与安排 (3)2国内外现状 (3)3 MATLAB工具箱简介 (4)3.1 MATLAB 系统的应用 (4)3.2 Simlulink工具箱 (4)3.3 模糊逻辑工具箱 (5)3.4 MATLAB环境下的SIMULINK的应用 (5)3.4.1 MATLAB 环境中启动SIMULINK 的方法 (5)3.4.2打开SIMULINK 模型窗口的方法 (5)3.4.3 SIMULINK 仿真基本步骤 (5)4自适应模糊PID控制器的设计 (6)4.1 自适应模糊PID控制器的性能要求 (6)4.2 PID控制的理论基础 (6)4.3 模糊控制原理 (9)4.4 模糊PID控制系统结构及原理 (10)4.5 PID控制器参数自整定原则 (10)4.6 各变量隶属度函数的确定 (11)4.7 建立模糊规则表 (13)5 利用MATLAB对模糊PID控制系统进行仿真 (18)5.1建立系统结构仿真框图 (18)5.2 仿真结果分析 (19)6结论 (22)参考文献 (23)ABSTRACT (25)致谢 (26)附录 (27)自适应模糊PID控制器的设计与仿真摘要:本文在参数自适应模糊PID控制器的基础上,利用模糊推理的方法实现了对PID参数的在线自动整定,并且在MATLAB软件下将该控制器在某系统中的应用进行了研究,仿真结果表明,参数自适应模糊PID控制能使系统达到满意的控制效果,对进一步应用研究具有较大的参考价值。

关键词:自适应;PID控制器;模糊PID;MATLAB仿真1引言1.1 PID简介PID,(Proportional Integral Derivative)控制是目前工业上应用最广泛深入的控制方法。

空间点目标识别的神经模糊推理系统应用研究

空间点目标识别的神经模糊推理系统应用研究
FI S,e pe ily DENFI a fe tv l e r o lx t mp r ls q e e n a d pt e wa s c al S c n ef cie y l a n c mp e e o a e u ne s i n a a i y v
并指出了这种差异对点 目标识别的重要意义. 文献[ — ] 12 通过计算和分析卫 星和诱饵绕地球运行一周
内各 时 间点 的表 面温 度场 , 出将所 研究 的 辐射 波谱 范 围分成 三个 波段 , 由此提 取 出点 目标 的 3个 辐 提 并 射特 征 : 目标在 这 三个 波段 内的辐 射通 量 . 点 李宏 提 出基 于 B P网络 与 D s理论相 结 合 的点 目标 状 态 . 下卫 星及其 伴 飞诱饵 的识 别方 法 , 得 了较好 的效 果 . 取
t n N me ia x e i n n te t o a g r h r o d ce . I i d mo srt d t a — i . u r l ep r o c me to h w lo i ms a e c n u t d t s e n t e h t AN t a
中图 分 类 号 :P 1 T 3l 文 献 标 识 码 :A
St y o pa i lPo n r e c g ii n Ba e n ud f S ta i t Ta g tRe o n to s d o Fuz y Ne a t r z ur lNe wo k
空 间点 目标 识 别 的神 经 模 糊 推 理 系统应 用研 究
郑俊 生 张 继 红 ,
(. 1 东软信息学 院 计 算机 科 学 与 技 术 系, 宁 大 连 16 2 ; . 辽 10 3 2 大连 交通 大 学 理 学 院 , 宁 大 连 辽

永磁同步电机的自适应神经模糊推理控制研究

永磁同步电机的自适应神经模糊推理控制研究
《 气 动 ) 1年 3卷第 期 电 自 化21 第 3tc Dr e& Auo t nr I lc r i i v t ma i Co t c o
永磁 同步 电机 的 自适 应 神 经 模 糊 推 理控 制研 究
张宇 刘凤春 牟 宪民
( 大连理 工大学 电气 工程学院 , 辽宁 大连 摘
h g p e e p n i i t ,s l o e s o t u l ta y p e iin i v r o d i s e d r s o sb l y mal v r h o ,b tas se d r c s s e y g o . h i o o
Ke wo d : MS Ve tr c n r l P D AN I o t le y r s P M co o to I F S c n r lr o
关键词 :永磁 同步电机
矢量控制
PD 自适应神经模糊控制器 I
[ 中图分类号]T 5 [ M3 1 文献标志码 ]A [ 文章编号 ]10 3 8 ( 0 1 0 00 0 00— 8 6 2 1 ) 6— 0 4— 3
Th n r l se o e Co to Sy t m fPMSM a e n ANF S B s dO I
16 2 ) 10 3
要:针对如何提高永磁 同步 电机控制系统的性能 , 设计 了一种 新型的 自适应 神经模糊 ( N I ) A FS 速度控制器 , 其充 分利 用神经 网络 的学习能力与映射能力 , 实现模糊系统的 自学习、 自适应功能 。对采用这种控制器 的永磁 同步电机( M M) P S 矢量控制系统进行 了仿真研究 , 并分析了仿真 波形 。控制效果 较传 统 PD控制而言 , I 不仅响应速度快 、 超调小 , 而且稳态精度非常高。

自适应神经模糊推理系统_ANFIS_及其仿真

自适应神经模糊推理系统_ANFIS_及其仿真

收稿日期:2008-10-27 修回日期:2009-02-11 作者简介:顾秀萍(1972- ),女,山东淄博人,硕士,研究方向:控制理论与控制工程。

文章编号:1002-0640(2010)02-0048-02自适应神经模糊推理系统(ANFIS )及其仿真顾秀萍(山西工程职业技术学院,太原 030009) 摘 要:自适应神经网络模糊推理系统ANF IS 是模糊控制与神经网络控制结合的产物。

讨论了ANF IS 的结构及其特点,并利用MAT LAB 的专用工具箱进行了仿真研究,取得满意的效果。

关键词:模糊控制,神经网络控制,自适应神经网络模糊推理系统,仿真中图分类号:TP 273+.4 文献标识码:AStudy on the Adaptive Network -based FuzzyInference System and Its SimulationGU Xiu-ping(Shanxi Vocatio nal T echnique College o f E ngineering ,T aiyuan 030009,China ) Abstract :ANFIS(Adaptive Network-based Fuzzy Inference System)is the combination of fuzzy and neural network control .T he structure and characteristics of A NFIS are discussed ,and simulations are taken using the MATLAB toolbox,satisfactory results have been obtained.Key wor ds :fuzzy contr ol,neural network control,adaptive network-based fuzzy inference system,simulation1 自适应神经模糊推理系统(ANFIS )模糊控制与神经网络控制是智能控制领域十分重要而又非常活跃的两大分支。

应用于起重机稳钩控制的自适应神经模糊推理系统

应用于起重机稳钩控制的自适应神经模糊推理系统

用反 向传播算法 (P B )和最小二乘算法 ( )的 合算法 对小 车一 吊重系统 样本数 据进行 学 习,调 整各变量 的 I s 昆
隶属度函数 , 自动产生模糊规则 。仿真结果表 明 ,这种 控制 方法对小 车一 吊重 系统 的摇 摆角 度和小 车位置 的控 制过程具有 良好 的动态性能 和较强 的鲁棒 性能 ,说明了 自适应神经模糊推理 系统在起重 机稳 钩控 制中的有效性 。 关键词 :小车一 吊重系统 ; 自适应神经模糊推理 系统 ;防摇 控制 ;混合学习算法
有不确定性及吊装时存在风力干扰等因素 ,难以建 立统一的数学模型 ,而模糊控制具有不依赖于对象 的数学 模 型 、便 于利 用人 的经 验知 识及 鲁棒 性强 的 优点 , 但隶属度函数确定的随意性和模糊规则提取 难 是模 糊系 统设计 的瓶 颈 问题 l 。 自适应 神 经 网络 _ 1 j
现装 卸 自动化 的发 展方 向 。 起 重 机小 车一 吊重 系统 由于钢 绳 长度 和负 荷具
2 小车一 吊重 系统数 学模 型
起重 机小 车一 吊重系统 的结构 如 图 1 所示 。小
车一 吊重系统的参数为 :小车质量 吊重质量 / / / ' ,
( 略 吊钩及 钢丝 绳质 量 ) 忽 ,钢 丝绳 的长 度 £,重力
A ni s n o t lme o a e n a a t e n u o—f zy if rn e s m s po s d i i a e . Hy r lo tm f n a t— w g c nr t d b s d o d pi e r i o h v u z nee c sy t i rp e n t sp p r e o h b d ag r h o i i
bc r aao l r m ( P adl s surda o t (S sap e o tesm l dt.Pr e r o m m e h akpo gtna ot p i gi h B ) n a a l rh e t q e gi m L )i pldf a p a a m t s f i rh ea a e br p e s i f cos r ajs da z l r gnr e u m t ay iuao e t dm ntt t t em t abe u tn e d t a l f z r e a eea at acl .S l tnrs s e o r eh e o i f il n i a ue n d lu y u s e t d o i l m i l u s a at h h d se s

自适应神经模糊系统及其MATLAB实现

自适应神经模糊系统及其MATLAB实现

自适应神经模糊系统及其MATLAB实现摘要:本文介绍了模糊神经网络系统的T-S模型、结构及算法,同时论述了采用网格分割方式生成模糊推论系统函数和自适应神经模糊系统的建模函数,最后用一个例子证明了自适应神经模糊系统在未知非线性的建模方面的良好的性能。

关键词:T-S模型、结构、算法、网格分割、自适应神经模糊系统0 引言模糊神经网络控制在控制领域里目前已经成为一个研究的热点,其原因在于神经网络和模糊系统两者之间的互补关系。

神经网络的一大特点就是其自学习功能,将这种自学习的方法它应用于对模型特征的分析与建模上,产生自适应的神经网络技术,这对于模糊系统的模型建立是非常有效的工具。

而自适应神经模糊系统就是基于数据的建模方法,该系统中的模糊隶属度函数及模糊规则是通过大量的已知数据的学习得到的。

1 基于T-S模型的模糊神经网络由于MIMO的模糊规则可分解为多个MISO模糊规则,因此下面也只讨论MISO模糊系统的模型。

设输入向量,每个分量均为模糊语言变量。

并设式中,是的第j个语言变量值,它是定义在论域上的一个模糊集合。

相应的隶属度函数为。

T-S所提出的模糊规则后件是输入变量的线性组合,即若输入量采用单点模糊集合的模糊化方法,则对于给定的输入x,可以求得对于每条规则的适应度为:模糊系统的输出量为每条规则的输出量的加权平均,即2 自适应神经模糊系统及其MATLAB实现2.1采用网络分割方式生成模糊推理系统函数函数genfis1( )可为训练自适应神经模糊推理系统产生Takagi-Sugeno型模糊推理系统(FIS)结构的初值(隶属度函数参数的初值),它采用网格分割的方式,根据给定数据集生成一个模糊推理系统,一般与函数anfis ( )配合使用。

由genfis1( )生成的模糊推理系统的输入和隶属度函数的类型、数目可以在使用时指定,也可以采用默认值。

2.2 自适应神经模糊系统的建模函数在MATLAB模糊逻辑工具箱中,提供了对基于T-S模型的自适应神经模糊推理系统ANFIS的建模方法,该模糊推理系统利用BP反向传播算法和最小二乘算法来完成对输入/输出数据对的建模。

自适应模糊模型在非线性系统中的仿真研究

自适应模糊模型在非线性系统中的仿真研究

3 基 于 非 线 性 系 统 的直 接 白适 应 模 糊 控 制模 型
31 模 型分 析 . 。
定 义跟 踪误 差 为 :
e t= t一 () () ()Y t 33 控 制 目标 . () 6
由于模 糊逻 辑 特征 规则 , 多 复杂 、 进 的控 制 许 先 要 求能 够 以 比较 简 单 的方式 得 以实现 。 而 , 糊 控 然 模
- 5期 第 4 2 卷 3
有 色 冶 金 设 计 与 研 究
2 1 矩 01
1 月 0
自适应模糊模型在非线性 系统中的仿真研究
严 明
( 国瑞 林 工程 技术 有 限公司 , 中 江西 南 昌 3 0 3 ) 30 1
[ 摘 要 ] 对 一 类仿 射 单输 入 单输 出非 线性 系统 采 用模 糊控 制 、 糊 逻 辑 系统逼 近 和 滑模控 制相 结合 针 模
的鲁棒 性. 系统 中所 涉及 的所有 变量 有界. 系统 的跟踪 误差 渐近 收敛 于零 或零 的一 个邻 域 内
[ 键词 ] 线性 系统; 关 非 自适 应; 模糊 控制; 学模 型 数
中 图分 类 号 : P 7 * T 2 3. 2 文 献 标 识 码 : A 文 章 编号 :0 4 4 4 (0 0 — 0 7 0 10 — 3 52 l)4 0 8 — 4 1
r、 1Βιβλιοθήκη 式中: ∈Rn , ∈R,( ,() 尺 0 6 是 n上 的 光 滑 向量 场 , ) ㈨是 尺 上 的光滑 函数 。 对 系统 1 如下 假设 : 作
1 假设 1 系统 1 ) 。 具有 强 相对 度 r即 V , x∈R 凡有 ( = hx = L ( = ) ( )K= f )0 l ,
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

自适应神经模糊推理系统及其仿真应用
刘雨刚,耿立明,杨威
辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛(125105)
摘 要:本文介绍了自适应神经模糊推理系统的结构,以及如何用MATLAB 模糊工具箱提供的ANFIS 应用工具仿真,完成训练模糊神经网络。

关键词:自适应神经模糊推理系统,MATLAB ,模糊神经网络
0 引言
由Jyh-Shing R.Jang 提出的自适应神经模糊推理系统[1],是一种基于Takagi -Sugeno 模型的模糊推理系统(简称ANFIS )。

研究表明,当输入模糊集采用非梯形/非三角形的隶属函数时,Sugeno 型模糊系统需要的模糊规则及输入的模糊集的个数较少。

1 基于Takagi -Sugeno 模型的自适应神经模糊推理系统
所考虑的模糊推理系统有两输入和,单输出f 。

1x 2x 对于零阶T-S 模糊模型,模糊规则的第i 条规则有如下形式:
⑴ 后件为恒值:Ri : ),...,2,1( , 221121n i f y Then A x A x If i i i ==是和是
⑵ 后件为一阶线性方程:Ri :
0,1,2)(j ),( ,...,2,1 ),( , 221102*********是常数是和是=++===ij i i i i i i i a x a x a a x x f n
i x x f y Then A x A x If 式中,Ri 表示第i 条规则,Ai 表示模糊子集,即{NL ,NM ,NS ,ZO ,PS ,PM ,PL}={“负
大”,“负中”,“负小”,“零”,“正小”,“正中”,“正大”}。

在T-S 模型中,每条规则的结论部分是个线性方程,表示系统局部的线性输入/输出关系,而系统的总输入是所有线性子系统输出的加权平均,可以表示全局的非线性输入输出关系,所以,T-S 模型是一种对非线性系统局部线性化的描述方法,它具有非常重要的研究意义和广泛的应用范围[2]。

典型的单交叉路口东、南、西、北四个方向,每个方向均有右行、直行和左行三股车流。

依据各个车道的车流信息,以路口流通能力最大或排队候车的时间最短为目标,通过设计自适应神经模糊推理系统,对交叉路口交通信号进行控制,实时确定各个相位的配时,具体地
说每一相交通信号的配时e i (i=1,2,3,4)
由该相位的主队列w1、后继相的主队列w2两者确定,当前相的主队列起决定作用,后继相的主队列起调节作用。

所谓主队列是一个相位两个方向中车辆等待数较大的等待队列。

2 ANFIS 的结构
根据给出的模糊系统模型,输入为w1和w2,模糊标记取{负大,负中,负小,零,正小,正中,正大},由此可构造出一个具有模糊功能的神经网络,如图1所示的ANFIS 结构
图1 ANFIS 结构
由图1可以看出,输入w1和w2各自被送入一个前向人工神经网络,该网络的激活函数的形状即代表模糊隶属函数的形状,确定采用线性或指数型,分别对应模糊隶属函数的三角型和高斯型,输入层神经元的个数代表模糊标记数,通过调节输入层网络的权值和偏差,可以达到调节激活函数的宽度及其中心位置的目的。

各层的功能如下:
第1层:将输入变量x=[x,y]T 模糊化,输出对应模糊集的隶属度,这一层的每个节点i 是一个有节点函数的自适应节点,其中一个节点的传递函数可以表示为:
)()1(x u O i A i
= , i=1,2 式中为模糊集A 的隶属度,并且它确定了给定输入满足量A 的程度。

这里A 的
隶属度可以是任意合适的参数化隶属函数,根据所选择的隶属函数的形式,可以得到相应的参数集,称为条件参数。

如高斯隶属函数:
()1i O ()⎟⎟⎠⎞⎜⎜⎝
⎛−−=22exp i i i A c x x u σ 则条件参数集为所有
{}i i c ,σ的集合。

本层参数称为规则的前提部分参数。

第2层:实现条件部分的模糊集的运算,每个节点的输出对应每条规则的适用度,是所有输
入信号的乘积: ()()y u x u O Bi i A i i ×==ω2 ,i=1,2 第3层:对各条规则的适用度进行归一化处理。

213ωωωω+==i
i i O ,i=1,2
第4层:每个节点的传递函数为线性函数,表示局部的线性模型,计算出每条规则的输出:
())214
,x x f f O i i i i i ωω== ,i=1,2 第5层:计算所有规则的输出之和:
∑∑∑===i i
i
i i i i i f f f O ωωω5 ,i=1,2
模糊推理系统的参数学习可归结为对条件参数(非线性参数)的调整。

在采用神经网络实现模糊化、模糊推理和解模糊化过程中,为了运算简单,模糊神经网络系统采用的模糊推理方式是用乘积—求和代替模糊系统中常用的最小—最大推理法,且输出变量的隶属函数取单值型。

3 模糊神经网络结构的设计
利用MATLAB7.1环境中的模糊逻辑工具箱提供的ANFIS应用工具设计下面的自适应神经一模糊网络并进行初始化、学习和仿真。

3.1 系统生成流程,如图2所示。

图 2 系统生成流程
3.2模糊神经网络仿真过程和步骤
本文用Matlab软件中的模糊逻辑工具箱[3]进行仿真演示,控制系统生成过程主要有以下步聚:
(1)设置系统及其环境的各种参数;给出初始训练数据和检验数据根据所收集的样本数据进行模糊神经网络训练,确定各层的节点阀值及各层之间的连接权重,完成模糊神经网络的设计。

将选取的训练数据和检验数据分别写入两个.dat文件或在程序中直接写入。

训练数据为trnData=[…],检验数据chkData=[…],训练数据用于训练ANFIS,而检验数据仅用于验证ANFIS。

要使用ANFIS图形界面编辑器,可在命令行中键入“anfisedit”载入训练数据,检验数据。

如图3所示。

图 3 训练数据和检验数据
(2) 确定FNN的输入变量的隶属度函数的类型和数目,产生隶属函数个数和规则组数,构成ANFIS的初始网络结构
网络系统采用两输入、单输出的结构。

确定隶属函数个数为7个,规则数为49,隶属函数选为高斯型隶属函数,这样网络的前件确定后,可利用线性最小二乘法估计每条规则的方程即结论部分,由此得到一个初始FIS结构。

(3)进行神经网络的训练,设定ANFIS训练参数,选择训练时长和训练误差容忍限。

确定算法进行学习,训练ANFIS模型,经过一定步数得学习后将得到一个FNN的控制系统。

在训练中,设定epochs为160;error tolerance为0;算法为backpropa(反向传播算法),在训练中调整隶属函数并在图形区画出训练数据(或检验数据)误差图。

如图4所示。

图 4 训练数据(或检验数据)误差图
4 结束语
本篇文章只是通过一个简单的具体实例说明sugeno型模糊神经网络的应用情况,经过以上控制方案的仿真、分析,可以得知,对要实现的交通信号系统来说,模糊神经网络建模比常规方法有更快的收敛速度和较高的误差精度,模糊神经自适应控制策略有很好的控制性能,是一种行之有效的方法。

参考文献
[1]刘增良等.模糊逻辑与神经网络.北京:北京航空航天大学出版社.1996
[2]王士同等.神经模糊系统及其应用.北京:北京航空航天大学出版社.1998
[3]龚晓芳.MATLAB环境下的ANFIS仿真.全国计算机新科技与计算机继续教育论文集,2003:57~61.
Adaptive network based fuzzy inference system and
simulation application
Liu Yugang, Geng Liming, Yang Wei
Department of Electrical Engineering, Liaoning Technical University, Huludao,
China (123000)
Abstract
This article introduces the adaptive network based fuzzy inference system structure, as well as how to use the ANFIS application tool to simulate which is provided by the MATLAB fuzzy toolbox, to complete the training fuzzy neural network.
Keywords:adaptive network based fuzzy inference system;MATLAB;fuzzy neural network。

相关文档
最新文档