您的论文得到两院院士关注
文章编号:1008-0570(2006)05-1-0085-04
控制系统
自适应模糊神经网络控制系统的研究
ResearchofAdaptiveFuzzyNeuralNetworkControlSystem
(兰州理工大学)郝晓弘
刘树博李应启
Hao,XiaohongLiu,ShuboLi,Yingqi
摘要:自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。关键词:自适应性;模糊神经网络控制中图分类号:TP183文献标识码:A
Abstract:Thefuzzyneuralnetworkcontrollerismadeupoffuzzycontrolandneuralnetworkcontrol,whichdoesnotrequireaccu-ratemodelofplantandproducesfuzzyrulesautomatically.Ithasadaptivemeritsanddrawsalotofconcentrations.Afteranalysis,theKalmanfilterarithmeticisshowed,whichsolvestheproblemofrealtimecausedbyBParithmetic,wecanshowitssuperioritybysimulation,andmoreovertheideathatfuzzyneuralnetworkandtheoptimalcontroliscombinedisembodied.Keywords:adaptation;fuzzyneuralnetworkcontrol
对于大多数的工程系统来说,其重要的信息来源有两种:提供测量数据的传感器和提供系统性能描述的专家。我们称为来自传感器的信息为数据信息,来自专家的信息为语言信息。传统的工程方法只能利用数据信息,而对于语言信息,则很难加以利用。然而,人类的大量知识是用普通的语言形式来表达的。自适应模糊神经网络控制系统正式能利用数据和语言这两种信息。
因此可以说模糊神经网络是具有自适应性的,并能够根据被控对象和环境的变化来调整控制规则和控制器的参数。此外由模糊神经网络控制器还可以构成模糊神经网络的模型参考自适应控制系统。其结构如图2所示。
技术创新
1自适应模糊神经网络的概念
一个网络能够通过训练,改变其内部表示,使输入输出能够向好的方向发展,称该网络是自适应的,即能学习。
自适应模糊神经网络系统的定义是指具有学习算法的模糊神经网络系统,这里的模糊神经网络系统是由服从模糊逻辑规则的一系列规则所“如果一则”构造的;而学习算法则依靠数据信息来对模糊神经系统的参数进行调整。自适应模糊神经网络系统被认为是通过学习能自动产生模糊规则的模糊神经网络系统。
3模糊神经网络控制器的结构
各层节点的输入输出关系如下:
(1)第一层(输入层):该层将变换后的误差及误
差变化率。
输入:
2模糊神经网络控制系统的结构
系统结构图如图1所示。其中FNNC为模糊神经网络控制器;R为输入信号;E、EC分别为误差及误差变化量化后的模糊量;ke、kc为量化因子。郝晓弘:教授
基金项目:甘肃省科技攻关项目资助编号:2GS044-A52-001-24
PLC技术应用200例》
I i (1)=x i ¡i =1, 2
输出:O (1)=I (1)¡i =1, 2¡j =1, 2,... n
ij i
(2)第二层(语言变量层):该层结点接受输入层
信号并用高斯函数作为隶属函数来划分输入信号的分布:
:360元/年-
85-
控制系统
中文核心期刊《微计算机信息》(测控自动化)2006年第22卷第5-1期
技
术创新
-
/:现场总线技术应用200例》
您的论文得到两院院士关注控制系统
PLC技术应用200例》:360元/年-
87-
控制系统
中文核心期刊《微计算机信息》(测控自动化)2006年第22卷第5-1期
6仿真说明
在确定了被控对象以及合适的控制系统之后,首先对模糊规则进行确定,而后按照修正公式进行编程仿真。本人试图在MATLAB6.5中使用神经网络工具箱中编制网络进行仿真,但经过自己搭建的网络不能被系统识别并予以训练,因此通过MATLAB语言可以实现,并取得了好的效果。
下面给出了在仿真过程中的实现方案:①首先对模糊逻辑规则进行初始化,aij把xi输入区间等分;②输入训练数据(x1,x2,...,xn;yd);③计算每一推理规则的隶属度μi和模糊推理输出y。④根据式所选定的学习算法调整实数后件wj;⑤重复③的模糊推理过程,计算出模糊推理输出y;⑥把④所得的wj、输出y、隶属度μi和期望输出yd代入式②和③,调整隶属度函数中心值
湖南大学学报,(4),1997;2465-73
[2]徐健,马宾.基于神经网络的智能厂房温湿度模糊控制系统研究[J]微计算机信息2005,1:76-77
[3]KenNozaki,HisaoIshbuchi,HideoTanaka.Asimplebutpowerfulheuristicforgeneratingfuzzyrulesfromnumericaldata.FuzzySetsandSystems,1997,86:251-270
作者简介:郝晓弘(1960-)汉族,男,兰州理工大学电气工程与信息工程学院教授,博士生导师,研究电机控制和工业以太网研究。刘树博(1981-)汉族,男,兰州理工大学电气工程与信息工程学院电力电子与电力传动专业硕士研究生,研究方向为电机控制。E-mail:liusb@mail2.lut.cn;李应启(1980-)汉族,男,兰州理工大学电气工程与信息工程学院电力电子与电力传动专业硕士研究生。
Authorsintroduction:HaoXiaohong:(1960-),male,
aij和宽度bij;
⑦计算目标函数E =
技术创新
,重复③到⑥
2
直到△E=E(t)-E(t-1)小于一个给定的误差限。
1
(y -y d )
2
ProfessorofElectricalandInformationEngineeringschoolatLanzhouuniversityofTechnology,doctor'stutor,majoringinthecontrolofmotorsandthestudyof
(1981-),male,postgraduateofEthernet.LiuShubo:
ElectricalandInformationEngineeringschoolatLanzhouuniversityofTechnology,majoringinthecontrolofmotors.
(730050甘肃兰州兰州理工大学电气工程与信息工程学院)郝晓弘刘树博李应启
图3采用BP算法的模糊神经网络系统的阶跃响应
(CollegeofElectricalandInformationEngineeringLanZhouUniversityofTechnology,Gansu,LanZhou,730050)Hao,XiaohongLiu,ShuboLi,Yingqi
通讯地址:(730050兰州理工大学159信箱)刘树博
(投稿日期:2005.8.18)(修稿日期:2005.9.29)
(接201页)判定的要求。
参考文献:
[1]A.Kubota,K.Aizawa,Inversefiltersforreconstructionofarbitrarilyfocusedimagesfromtwodifferentlyfocusedimages,IEEEInt.Conf.onImageProcessing2000(ICIP'2000),Vol.I,pp.101-104,Sep.10-132000,Vancouver,Canada.
[2]Kubota,AizawaandChen,Reconstructingdenselightfieldfromamulti-focusimagesarray,IEEEConferenceonMultimediaandExpo2004,Taipei,Taiwan,June2004.
[3]张庆阳,原思聪,严洁.玻璃纤维机械炉温控制系统的研究[J]微计算机信息2005,9:22-24
图4采用卡尔曼滤波算法的模糊神经网络控制系统的的阶跃响应
作者简介:丁喻洋,男,(1977.11).土家族,硕士.专业:控制理论与控制工程.现从事的工作参与“纤维和纺织品计算机图像自动分析检测技术的研究”项目的研究,E-
7结论与总结
图3和图4是模糊神经网络系统阶跃响应图象,
前者采用了BP算法,后者采用的是卡尔曼滤波算法。从图象上可以看出,图4的效果要优于图3,而且通过调节可以使系统稳定时间达到0.1秒以内,使系统的稳定性和实时性大大提高。
总之,自适应模糊神经网络控制系统将模糊控制与神经网络有机地结合起来,取长补短,提高了整个系统的性能。该系统具有较好的自适应性和鲁棒性等特点,在应用中能够达到令人满意的效果。
参考文献:
[1]王耀南模糊神经网络模型参考自适应控制及其应用湖南:
-
mail:dingyyang@mail.dhu.edu.cn或dingyyang@163.com曾培峰,男.(1964.5)汉.博士.专业:计算机,现从事的工作:计算机及通信的教学和科研工作.
(200051上海市东华大学信息科学与技术学院)丁喻洋曾培峰
(InformationScienceandTechnologyCollege,DonghuaUniverstiy,Shanghai200051)Ding,YuyangZeng,Peifeng
通讯地址:(200051上海市东华大学250#)丁喻洋
(投稿日期:2005.9.2)(修稿日期:2005.9.30)
/:现场总线技术应用200例》
您的论文得到两院院士关注
文章编号:1008-0570(2006)05-1-0085-04
控制系统
自适应模糊神经网络控制系统的研究
ResearchofAdaptiveFuzzyNeuralNetworkControlSystem
(兰州理工大学)郝晓弘
刘树博李应启
Hao,XiaohongLiu,ShuboLi,Yingqi
摘要:自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。关键词:自适应性;模糊神经网络控制中图分类号:TP183文献标识码:A
Abstract:Thefuzzyneuralnetworkcontrollerismadeupoffuzzycontrolandneuralnetworkcontrol,whichdoesnotrequireaccu-ratemodelofplantandproducesfuzzyrulesautomatically.Ithasadaptivemeritsanddrawsalotofconcentrations.Afteranalysis,theKalmanfilterarithmeticisshowed,whichsolvestheproblemofrealtimecausedbyBParithmetic,wecanshowitssuperioritybysimulation,andmoreovertheideathatfuzzyneuralnetworkandtheoptimalcontroliscombinedisembodied.Keywords:adaptation;fuzzyneuralnetworkcontrol
对于大多数的工程系统来说,其重要的信息来源有两种:提供测量数据的传感器和提供系统性能描述的专家。我们称为来自传感器的信息为数据信息,来自专家的信息为语言信息。传统的工程方法只能利用数据信息,而对于语言信息,则很难加以利用。然而,人类的大量知识是用普通的语言形式来表达的。自适应模糊神经网络控制系统正式能利用数据和语言这两种信息。
因此可以说模糊神经网络是具有自适应性的,并能够根据被控对象和环境的变化来调整控制规则和控制器的参数。此外由模糊神经网络控制器还可以构成模糊神经网络的模型参考自适应控制系统。其结构如图2所示。
技术创新
1自适应模糊神经网络的概念
一个网络能够通过训练,改变其内部表示,使输入输出能够向好的方向发展,称该网络是自适应的,即能学习。
自适应模糊神经网络系统的定义是指具有学习算法的模糊神经网络系统,这里的模糊神经网络系统是由服从模糊逻辑规则的一系列规则所“如果一则”构造的;而学习算法则依靠数据信息来对模糊神经系统的参数进行调整。自适应模糊神经网络系统被认为是通过学习能自动产生模糊规则的模糊神经网络系统。
3模糊神经网络控制器的结构
各层节点的输入输出关系如下:
(1)第一层(输入层):该层将变换后的误差及误
差变化率。
输入:
2模糊神经网络控制系统的结构
系统结构图如图1所示。其中FNNC为模糊神经网络控制器;R为输入信号;E、EC分别为误差及误差变化量化后的模糊量;ke、kc为量化因子。郝晓弘:教授
基金项目:甘肃省科技攻关项目资助编号:2GS044-A52-001-24
PLC技术应用200例》
I i (1)=x i ¡i =1, 2
输出:O (1)=I (1)¡i =1, 2¡j =1, 2,... n
ij i
(2)第二层(语言变量层):该层结点接受输入层
信号并用高斯函数作为隶属函数来划分输入信号的分布:
:360元/年-
85-
控制系统
中文核心期刊《微计算机信息》(测控自动化)2006年第22卷第5-1期
技
术创新
-
/:现场总线技术应用200例》
您的论文得到两院院士关注控制系统
PLC技术应用200例》:360元/年-
87-
控制系统
中文核心期刊《微计算机信息》(测控自动化)2006年第22卷第5-1期
6仿真说明
在确定了被控对象以及合适的控制系统之后,首先对模糊规则进行确定,而后按照修正公式进行编程仿真。本人试图在MATLAB6.5中使用神经网络工具箱中编制网络进行仿真,但经过自己搭建的网络不能被系统识别并予以训练,因此通过MATLAB语言可以实现,并取得了好的效果。
下面给出了在仿真过程中的实现方案:①首先对模糊逻辑规则进行初始化,aij把xi输入区间等分;②输入训练数据(x1,x2,...,xn;yd);③计算每一推理规则的隶属度μi和模糊推理输出y。④根据式所选定的学习算法调整实数后件wj;⑤重复③的模糊推理过程,计算出模糊推理输出y;⑥把④所得的wj、输出y、隶属度μi和期望输出yd代入式②和③,调整隶属度函数中心值
湖南大学学报,(4),1997;2465-73
[2]徐健,马宾.基于神经网络的智能厂房温湿度模糊控制系统研究[J]微计算机信息2005,1:76-77
[3]KenNozaki,HisaoIshbuchi,HideoTanaka.Asimplebutpowerfulheuristicforgeneratingfuzzyrulesfromnumericaldata.FuzzySetsandSystems,1997,86:251-270
作者简介:郝晓弘(1960-)汉族,男,兰州理工大学电气工程与信息工程学院教授,博士生导师,研究电机控制和工业以太网研究。刘树博(1981-)汉族,男,兰州理工大学电气工程与信息工程学院电力电子与电力传动专业硕士研究生,研究方向为电机控制。E-mail:liusb@mail2.lut.cn;李应启(1980-)汉族,男,兰州理工大学电气工程与信息工程学院电力电子与电力传动专业硕士研究生。
Authorsintroduction:HaoXiaohong:(1960-),male,
aij和宽度bij;
⑦计算目标函数E =
技术创新
,重复③到⑥
2
直到△E=E(t)-E(t-1)小于一个给定的误差限。
1
(y -y d )
2
ProfessorofElectricalandInformationEngineeringschoolatLanzhouuniversityofTechnology,doctor'stutor,majoringinthecontrolofmotorsandthestudyof
(1981-),male,postgraduateofEthernet.LiuShubo:
ElectricalandInformationEngineeringschoolatLanzhouuniversityofTechnology,majoringinthecontrolofmotors.
(730050甘肃兰州兰州理工大学电气工程与信息工程学院)郝晓弘刘树博李应启
图3采用BP算法的模糊神经网络系统的阶跃响应
(CollegeofElectricalandInformationEngineeringLanZhouUniversityofTechnology,Gansu,LanZhou,730050)Hao,XiaohongLiu,ShuboLi,Yingqi
通讯地址:(730050兰州理工大学159信箱)刘树博
(投稿日期:2005.8.18)(修稿日期:2005.9.29)
(接201页)判定的要求。
参考文献:
[1]A.Kubota,K.Aizawa,Inversefiltersforreconstructionofarbitrarilyfocusedimagesfromtwodifferentlyfocusedimages,IEEEInt.Conf.onImageProcessing2000(ICIP'2000),Vol.I,pp.101-104,Sep.10-132000,Vancouver,Canada.
[2]Kubota,AizawaandChen,Reconstructingdenselightfieldfromamulti-focusimagesarray,IEEEConferenceonMultimediaandExpo2004,Taipei,Taiwan,June2004.
[3]张庆阳,原思聪,严洁.玻璃纤维机械炉温控制系统的研究[J]微计算机信息2005,9:22-24
图4采用卡尔曼滤波算法的模糊神经网络控制系统的的阶跃响应
作者简介:丁喻洋,男,(1977.11).土家族,硕士.专业:控制理论与控制工程.现从事的工作参与“纤维和纺织品计算机图像自动分析检测技术的研究”项目的研究,E-
7结论与总结
图3和图4是模糊神经网络系统阶跃响应图象,
前者采用了BP算法,后者采用的是卡尔曼滤波算法。从图象上可以看出,图4的效果要优于图3,而且通过调节可以使系统稳定时间达到0.1秒以内,使系统的稳定性和实时性大大提高。
总之,自适应模糊神经网络控制系统将模糊控制与神经网络有机地结合起来,取长补短,提高了整个系统的性能。该系统具有较好的自适应性和鲁棒性等特点,在应用中能够达到令人满意的效果。
参考文献:
[1]王耀南模糊神经网络模型参考自适应控制及其应用湖南:
-
mail:dingyyang@mail.dhu.edu.cn或dingyyang@163.com曾培峰,男.(1964.5)汉.博士.专业:计算机,现从事的工作:计算机及通信的教学和科研工作.
(200051上海市东华大学信息科学与技术学院)丁喻洋曾培峰
(InformationScienceandTechnologyCollege,DonghuaUniverstiy,Shanghai200051)Ding,YuyangZeng,Peifeng
通讯地址:(200051上海市东华大学250#)丁喻洋
(投稿日期:2005.9.2)(修稿日期:2005.9.30)
/:现场总线技术应用200例》