利用模糊神经网络控制解决问题的原理及方法(优选)word资料

利用模糊神经网络控制解决问题的原理及方法(优选)word资料

利用模糊神经网络控制解决问题的原理及方法

通过课程学习,我了解了模糊控制和神经网络控制解决问题的基本原理和方法。通过查阅资料, 了解到模糊控制和神经网络控制在实际生活中如何解决问题。我参考火灾探测系统为例,介绍模糊控制解决问题的原理及方法。

首先,简要介绍一下 Bp 神经网络控制和模糊控制的原理。

1. Bp 神经网络的结构及算法

BP 网络可以有多层, 但为叙述简捷以三层为例导出计算公式。设 BP 网络为三层网络,输入神经元以 i 编号,隐蔽层神经元以 j 编号,输出层神经元以 k 编号,示意图如图 1-1所示,其具体形式在下面给出,隐蔽层第 j 个神经元的输入为:∑=i

i ji j o w net ,第 j 个神经元的输出为 (j j net g o =,输出层第 k 个神经

元的输入为∑=j kj k o w net ,相应的输出为 (k k net g o =,式中 g 为 sigmoid 型函

数, g(x= (

11 (Θ+-+=

x e x g , 式中ʘ为阈值或偏置值。ʘ˃0则使 sigmoid 曲线沿横坐标左移, 反之则右移。因此, 各神经元的输出应为∑Θ+-+=i

j i ji j o w o (exp(1(1、∑Θ+-+=j

k j kj k o w o

(exp(1(1

图 1-1神经网络结构图

BP 网络学习过程中的误差反向传播过程是通过使一个目标函数(实际输出与希望输出之间的误差平方和最小化来完成的, 可以利用梯度下降法导出计算公式。

在学习过程中,设第 k 个输出神经元的希望输出为 pk t ,而网络输出为 pk o ,则系统平均误差为∑∑-=p k

pk pk o t E 2 (21,为了表示方便,省去下标 p ,平均误差

可写成∑-=k

k k o t E 2 (21,式中平均误差 E 也称为目标函数。根据梯度下降法, 权值的变化项∆ kj w 与ƏE/Əkj w 成正比,即∆ kj w =-ƞƏE/Əkj w ,由上述各公式可得:∆ kj w =-ƞƏE/Əkj w =j k k k k kj

k k k k o o o o t net o E 1( ((--=∂∂∂∂∂∂-ηη, 记 j k k k k k o o o o t 1( (--=δ,对于隐含层神经元,也可写成∆ ji w =-ƞƏE/Əji w =

i j j j

ji j j j j o o o E net o E 1((-∂∂-=∂∂∂∂∂∂-ηη, 1(j j j j o o E -∂∂-=δ,由于ƏE/Əj o 不能直接计算 , 而是以参数的形式表示 , 即 -ƏE/Əj o =-∑∑∑∑∑=∂∂-=∂∂∂∂-=∂∂∂∂k

kj k kj k k j j j kj k k j k k k w w E o w E net E δ( (((, 则导出各个权重系数的调整量为∆ kj w j k k k k o o o o t 1( (--=η, ∆ ji w =i j o ηδ, 式中ƞ称为学习效率, ]1([j j k

kj k j o o w -=∑δδ,

1( (k k k k k o o o t --=δBP 网络的学习算法的具体步骤如下:

1. 从训练本集中取某一样本,把它的输入信息输入到网络中

2. 由网络正向计算出各层节点的输出

3. 计算网络的实际输出与期望输出的误差

4. 从输入层起始反向计算到第一个隐层,按一定原则向减小误差方向调整网络的各个联接权值

5. 对训练样本集中的每一个样本重复以上步骤,直到对整个训练样本集的误差达到要求为止。

2. 模糊控制的结构与算法

课程所学我们知道模糊控制器的设计原则如下

1. 定义输入输出变量

2. 定义所有变量的模糊化条件

3. 设计控制规则库

4. 设计模糊推理结构

5. 选择精确化策略的方法

模糊控制解决问题的方法为:

1. 模糊化过程

2.

模糊规则

3. 模糊推理

4. 清晰化过程

模糊控制系统的原理框图如图 2-1

所示。

图 2-1模糊控制原理框图

可以看出其结构与一般计算机数字控制系统基本类似。只是其控制器为模糊控制器。模糊控制系统由以下几部分组成:输入输出接口、执行机构、检测装置、被控对象及模糊控制器。模糊控制器是模糊控制系统的核心, 也是模糊控制系统区别于其他自动控制系统的主要标志, 下面对模糊控制器三个主要阶段做简要的介绍:

2.1输入模糊化

模糊化是把系统输入的精确量转化为模糊控制器中所需的模糊量的过程, 为了完成输入的模糊化, 我们必须知道输入精确值对模糊集的隶属函数 (这里不作说明。模糊集的个数可根据被控对象的不同而不同,例如,可分成正大,正中, 正小,零,负小,负中,负大七种。隶属函数的形状可根据实际情况而定,要求不高的一般可取三角形或梯形。

2.2模糊推理决策

模糊控制器的主要工作是依据语言规则进行模糊推理决策。因此在进行模糊规则推理之前, 先要指定好语言控制规则。实际上控制规则是根据操作者或专家的经验知识来确定的, 它们也可以在试验过程中不断进行修正和完善。规则的形式很像计算机程序设计语言常用到的条件语句“ IF…THEN…” 。模糊控制规则随着模糊控制器的输入输出维数的不同采用不同的形式。

1单输入单输出型:其控制规则为 IF X=A,THEN Y=B

2 多输入单输出型:其控制规则为IF X 1=A1,AND(ORX 2=A2,…AND(ORXN =AN ,THEN Y=B

3 多输入多输出型:IF X 1=A1, AND(ORX 2=A2,…AND(ORXN =AN ,THEN

Y=B1, AND(ORY2=B2,…AND(ORYN =BN

这里的 AND 和 OR 在模糊推理中相应于“交” “并”运算

输出逆模糊化就是将语言表达的模糊量恢复到精确的数值, 也就是根据输出模糊

子集的隶属度计算出确定的数值。下面介绍三种主要的方法