模糊神經(jīng)網(wǎng)絡(luò)課件

主要內(nèi)容：模糊控制技術(shù)及其在溫控中的應(yīng)用1神經(jīng)網(wǎng)絡(luò)控制技術(shù)2模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用34遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化主要內(nèi)容：模糊控制技術(shù)及其在溫控中的應(yīng)用1神經(jīng)網(wǎng)絡(luò)控制技術(shù)211.1模糊邏輯的數(shù)學(xué)基礎(chǔ)從論域U中任意指定一個元素x，及U上的集合A如果x是集合A的一個元素，那么記做x∈A如果x不是集合A的一個元素，那么記做x?Ax與集合A的關(guān)系是:要么x屬于A，要么x不屬于A,二者必居其一，不允許有既屬于A又不屬于A的模棱兩可的情況發(fā)生。模糊集合的概念：其基本思想是把經(jīng)典集合中的絕對隸屬關(guān)系模糊化，從隸屬函數(shù)方面來看就是:元素x對A隸屬度不再局限于0或1，而是可以取從0到1的任何一個數(shù)值1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)從論域U中任意指定一個元素x，及U21.1模糊邏輯的數(shù)學(xué)基礎(chǔ)所謂論域U上的一個模糊子集(簡稱模糊集)A,是指對于任意x∈U,指定了一個數(shù)uA(x)∈[0,1]，叫做u對A的隸屬程度。映射uA叫做A的隸屬函數(shù)。隸屬函數(shù)的類型有以下三種類型（1）偏大型隸屬函數(shù)（S型）（2）偏小型隸屬函數(shù)（Z型）（3）中間型隸屬函數(shù)（π型）1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)所謂論域U上的一個模糊子集(簡稱模31.1模糊邏輯的數(shù)學(xué)基礎(chǔ)正態(tài)型隸屬函數(shù)：1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)正態(tài)型隸屬函數(shù)：41.1模糊邏輯的數(shù)學(xué)基礎(chǔ)左半梯形隸屬函數(shù)和右半梯形隸屬函數(shù)1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)左半梯形隸屬函數(shù)和右半梯形隸屬函數(shù)51.1模糊邏輯的數(shù)學(xué)基礎(chǔ)梯形隸屬函數(shù)1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)梯形隸屬函數(shù)61.2模糊控制技術(shù)的應(yīng)用1.2.1模糊控制的優(yōu)點由于控制系統(tǒng)的被控過程經(jīng)常伴有嚴(yán)重的非線性時變性、大滯后性以及大量的現(xiàn)場干擾，是得基于精確數(shù)學(xué)模型的傳統(tǒng)控制方案（傳統(tǒng)PID控制）很難獲得滿意的靜態(tài)效果。模糊控制基于模糊集合理論，模仿人的控制經(jīng)驗，運(yùn)用模糊推理方法，根據(jù)輸出直接映射出被控對象的控制量。它不依賴于對象的數(shù)學(xué)模型而實現(xiàn)了人類某些智能，使它顯示出了較強(qiáng)的生命力和吸引力，并很快被工業(yè)控制界廣泛應(yīng)用。1.2模糊控制技術(shù)的應(yīng)用1.2.1模糊控制的優(yōu)點71.2模糊控制技術(shù)的應(yīng)用1.2.2模糊控制器的工作原理模糊控制系統(tǒng)原理圖1.2模糊控制技術(shù)的應(yīng)用1.2.2模糊控制器的工作原理81.2模糊控制技術(shù)的應(yīng)用輸入：誤差、誤差變換率；輸出：控制量的變化模糊控制規(guī)則：操作人員的經(jīng)驗被總結(jié)，經(jīng)過數(shù)學(xué)處理存放在計算機(jī)中。模糊決策：根據(jù)模糊控制規(guī)則，仿照人腦的推理過程反模糊化：模糊決策精確化，變成一個精確量去驅(qū)動執(zhí)行機(jī)構(gòu)，以實現(xiàn)對工業(yè)過程的自動控制。1.2模糊控制技術(shù)的應(yīng)用輸入：誤差、誤差變換率；輸出：控制91.3模糊邏輯在溫度控制方面的應(yīng)用1.3.1確定輸入變量和輸出變量的模糊子集輸入量：①溫度的偏差E（實測溫度和所需溫度的差值）②溫度偏差的變化率EC（溫度變差之間的差值）輸出量：控制執(zhí)行機(jī)構(gòu)的精確量U1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.1確定輸入變量101.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的論域：[-6,6]U的論域：[0,10]確定模糊子集的方法：將確定的隸屬函數(shù)曲線離散化，就得到了有限個點上的隸屬度，便構(gòu)成了一個相應(yīng)的模糊變量的模糊子集E/EC/U的模糊子集：NB,NM,NS,ZO,PS,PM,PB{負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}1.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的論域：[-6,111.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的隸屬函數(shù)取為高斯函數(shù)；1.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的隸屬函數(shù)取為高121.3模糊邏輯在溫度控制方面的應(yīng)用模糊化：一般是先將精確量離散化，分成若干個離散值，然后每個離散值對相應(yīng)的模糊子集給定一個隸屬度，得到一個離散值與不同模糊量隸屬度的一張表格。當(dāng)讀入一個精確量的數(shù)值時，首先將它歸入與之最接近的離散值，然后從表格便可得到不同模糊量的隸屬度。1.3模糊邏輯在溫度控制方面的應(yīng)用模糊化：一般是先將精確量131.3模糊邏輯在溫度控制方面的應(yīng)用U的隸屬函數(shù)取為三角型函數(shù)1.3模糊邏輯在溫度控制方面的應(yīng)用U的隸屬函數(shù)取為三角型函141.3模糊邏輯在溫度控制方面的應(yīng)用精確化：

（1）最大隸屬度法對模糊子集A，所選的輸出x*應(yīng)該滿足：對任意x∈U，有uA(x*)≥uA(x)（2）加權(quán)平均法（重心法）1.3模糊邏輯在溫度控制方面的應(yīng)用精確化：

（1）最大隸屬151.3模糊邏輯在溫度控制方面的應(yīng)用隸屬函數(shù)選擇的規(guī)則：

隸屬函數(shù)曲線形狀較尖的模糊子集其分辨率較高，控制靈敏度較高；相反，隸屬函數(shù)曲線形狀較緩，控制特性也較平緩，系統(tǒng)穩(wěn)定性較好。因此，在選擇模糊變量的模糊集的隸屬函數(shù)時，在誤差較大區(qū)域采用低分辨率的模糊子集，在誤差較小或接近于零的區(qū)域采用高分辨率的模糊子集。1.3模糊邏輯在溫度控制方面的應(yīng)用隸屬函數(shù)選擇的規(guī)則：161.3模糊邏輯在溫度控制方面的應(yīng)用1.3.2量化因子和比例因子的概念設(shè)誤差E的論域為[-Xe，Xe]，誤差變化率EC的論域為[-Xc,Xc]誤差E的模糊子集的論域為{-n,-n+1,.......0,1,.......n-1,n}誤差變化率EC的模糊子集的論域為{-m,-m+1,.......0,1,.......m-1,m,}量化因子定義如下：誤差的量化因子：Ke=n/Xe誤差變化率的量化因子：Kc=m/Xc量化因子實現(xiàn)了從基本論域到模糊集論域的轉(zhuǎn)變1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.2量化因子和比171.3模糊邏輯在溫度控制方面的應(yīng)用設(shè)模糊控制器的輸出變量U的論域為[-Yu,Yu]U的模糊子集的論域為{-L,-L+1,.....0,.....L-1,L}比例因子定義如下：Ku=Yu/L比例因子實現(xiàn)了從模糊算法給出的精確控制量的論域到被控對象能夠接受的控制量的論域的轉(zhuǎn)化。1.3模糊邏輯在溫度控制方面的應(yīng)用設(shè)模糊控制器的輸出變量U181.3模糊邏輯在溫度控制方面的應(yīng)用量化因子和比例因子選擇規(guī)則：①Ke選擇較大時，系統(tǒng)響應(yīng)速度變快，上升時間變短，但是超調(diào)量變大；②Kc選擇較大時，響應(yīng)速度變快，但是對超調(diào)有明顯的遏制作用；③Ku選擇過小時，系統(tǒng)動態(tài)響應(yīng)時間過長；選擇過大時，會導(dǎo)致系統(tǒng)的震蕩；1.3模糊邏輯在溫度控制方面的應(yīng)用量化因子和比例因子選擇規(guī)191.3模糊邏輯在溫度控制方面的應(yīng)用1.3.3模糊推理與模糊規(guī)則根據(jù)控制的經(jīng)驗，可以建立如下的模糊推理表1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.3模糊推理與模201.3模糊邏輯在溫度控制方面的應(yīng)用1.3.4總結(jié)實施模糊控制的步驟總結(jié)如下：（1）將輸入的精確數(shù)據(jù)（溫差和溫差的變化）乘以量化因子映射到模糊子集的控制論域；（2）根據(jù)輸入數(shù)據(jù)在各個模糊子集中的隸屬度，確定其所屬的模糊子集；（3）查詢模糊推理表，獲得空置量所屬的模糊子集；（4）根據(jù)最大隸屬度法或重心法計算模糊輸出的量值，再乘以比例因子，即獲得控制論域中的實際空置量。1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.4總結(jié)211.3模糊邏輯在溫度控制方面的應(yīng)用模糊控制的實現(xiàn)：（1）根據(jù)操作人員在生產(chǎn)過程中積累的豐富經(jīng)驗，建立一組控制規(guī)則，形成模糊模型。先根據(jù)建立好的模糊模型，離線完成控制查詢表的計算，即將控制查詢表存儲在計算機(jī)中，以便在線控制時進(jìn)行查找。（2）直接利用確定好的控制查詢表，形成模糊算法，實現(xiàn)對被控過程的實時控制。1.3模糊邏輯在溫度控制方面的應(yīng)用模糊控制的實現(xiàn)：222.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.1神經(jīng)網(wǎng)絡(luò)的概念神經(jīng)網(wǎng)絡(luò)是從微觀結(jié)構(gòu)與功能上對人腦神經(jīng)系統(tǒng)的模擬而建立起來的一類模型，具有模擬人的部分形象思維的能力，其特點主要是具有非線性，學(xué)習(xí)能力和自適應(yīng)性，是模擬人的智能的一條重要途徑。它是由簡單信息處理單元(人工神經(jīng)元，簡稱神經(jīng)元)互聯(lián)組成的網(wǎng)絡(luò)，能接受并處理信息。網(wǎng)絡(luò)的信息處理由處理單元之間的相互作用來實現(xiàn)，它是通過把問題表達(dá)成處理單元之間的連接權(quán)來處理的。2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.1神經(jīng)網(wǎng)絡(luò)的概念232.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.2人工神經(jīng)元模型軸突突觸扣結(jié)數(shù)突細(xì)胞核細(xì)胞體軸突末梢神經(jīng)元結(jié)構(gòu)2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.2人工神經(jīng)元模型軸突突242.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元模型：

輸入權(quán)重加法器激活函數(shù)Xj輸出yjx2x3xnw3jwnjw2jf(Xj)w1jx1閾值θj2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元模型：權(quán)重加法器激活252.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元包括的幾個方面：（1）輸入：其中xi（i=1,2,.....n）表示從其他神經(jīng)元傳來的輸入信號；（2）權(quán)值：Wij表示從神經(jīng)元i到神經(jīng)元j的連接權(quán)值（3）閾值：θj根據(jù)以上的輸入和權(quán)值，即可獲得神經(jīng)元的凈輸入·2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元包括的幾個方面：262.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（4）輸出：式中yj表示神經(jīng)元j的輸出，f（）表示神經(jīng)元j的激活函數(shù)；（5）激活函數(shù)：又叫做活化函數(shù)，不同的活化函數(shù)對應(yīng)不同的神經(jīng)元模型A.階躍函數(shù)：神經(jīng)元輸出0或者12.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（4）輸出：272.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.非對稱型sigmoid函數(shù)β=22.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.非對稱型sigmoid函數(shù)282.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)C.對稱型sigmoid函數(shù)（雙曲正切函數(shù)）2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)C.對稱型sigmoid函數(shù)（292.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.3神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)A.前饋型神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）特點：（1）神經(jīng)元分層排列，有輸入層、中間層(或叫隱層，可有若干層)和輸出層組成，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。（2）各層神經(jīng)元的連接權(quán)重用Wij表示，此神經(jīng)網(wǎng)絡(luò)的全部信息都包含在權(quán)重之中2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.3神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)302.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（3）實現(xiàn)的方法：給定一個輸入向量X=(x1,x2,....,xn)以及期望的輸出向量Y=(y1,y2,.....yq)，通過樣本的訓(xùn)練，不斷修正各層神經(jīng)元之間的連接權(quán)重Wij,直到網(wǎng)絡(luò)的輸出與期望向量相等或相近。其修正模式可用下式表達(dá)：

2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（3）實現(xiàn)的方法：給定一個輸入向312.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.反饋網(wǎng)絡(luò)（Hopfield神經(jīng)網(wǎng)絡(luò)）連接方法：假設(shè)網(wǎng)絡(luò)中有N個神經(jīng)元，那么每個神經(jīng)元就有N個輸入和一個輸出，即每個神經(jīng)元都是等價的。2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.反饋網(wǎng)絡(luò)（Hopfield322.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)實現(xiàn)的方法：（1）給神經(jīng)網(wǎng)絡(luò)個神經(jīng)元之間的連接權(quán)賦值，即存儲樣本模式設(shè)有M類樣本模式，其中第S類樣本模式為則神經(jīng)元i和神經(jīng)元j之間的連接權(quán)為：i,j=1,2,.....,n,i≠j2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)實現(xiàn)的方法：則神經(jīng)元i和神經(jīng)元j332.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（2）輸入未知模式，式中表示神經(jīng)元i的初始狀態(tài)。如果用xi(t)表示神經(jīng)元i在t時刻的輸出狀態(tài)，則xi(t)的初始值為xi(0)=i=1,2,......n（3）用迭代算法計算xi(t+1),計算進(jìn)行到神經(jīng)元的輸出不隨進(jìn)一步的迭代而變化時，算法收斂。此時神經(jīng)元的輸出即為與未知模板匹配最好的樣本模式。2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（2）輸入未知模式342.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.1模糊神經(jīng)網(wǎng)絡(luò)的引入模糊控制技術(shù)的優(yōu)缺點：優(yōu)點：（1）采用語言型控制規(guī)則，基于現(xiàn)場操作人員的控制經(jīng)驗或相關(guān)專家的知識，在設(shè)計中不需要建立被控對象的精確數(shù)學(xué)模型，因而使得控制機(jī)理和策略易于接受與理解。（2）模糊控制系統(tǒng)的魯棒性強(qiáng)，干擾和參數(shù)變化對控制效果的影響被大大減弱，尤其適合于非線性、時變及純滯后系統(tǒng)的控制。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.1模糊神經(jīng)網(wǎng)絡(luò)的引入352.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)模糊控制技術(shù)的優(yōu)缺點：缺點：（1）模糊控制利用領(lǐng)域?qū)＜业南闰炛R進(jìn)行近似推理，但在工程實際應(yīng)用中對時變參數(shù)非線性系統(tǒng)，缺乏在線自學(xué)習(xí)或自調(diào)整的能力。（2）如何自動生成或調(diào)整隸屬度函數(shù)或調(diào)整模糊規(guī)則，是一個很復(fù)雜的問題。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)模糊控制技術(shù)的優(yōu)缺點：362.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：優(yōu)點：（1）人工神經(jīng)網(wǎng)絡(luò)可以充分逼近任意復(fù)雜的非線性關(guān)系，可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)，它的所有定量或定性的信息都等勢分布儲存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，有很強(qiáng)的魯棒性和容錯性；（2）采用了并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：372.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：缺點：（1）神經(jīng)網(wǎng)絡(luò)是典型的黑箱型的學(xué)習(xí)模式，當(dāng)學(xué)習(xí)完后，神經(jīng)網(wǎng)絡(luò)所獲得輸入/輸出關(guān)系無法用容易被人接受的方式表示出來；（2）不適于表達(dá)基于規(guī)則的知識，因此神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，由于不能很好地利用己有的經(jīng)驗知識，常常只能將初始權(quán)值取為零或隨機(jī)數(shù)，從而增加了網(wǎng)絡(luò)的訓(xùn)練時間或者陷入非要求的局部極值。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：382.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模糊控制與神經(jīng)網(wǎng)絡(luò)的三種融合方式如下：（1）利用神經(jīng)網(wǎng)絡(luò)驅(qū)動模糊推理2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)392.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)（2）應(yīng)用神經(jīng)網(wǎng)絡(luò)優(yōu)化模糊控制器參數(shù)（3）利用神經(jīng)網(wǎng)絡(luò)記憶模糊控制規(guī)則2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)（2）應(yīng)用神經(jīng)網(wǎng)絡(luò)優(yōu)化模糊控制402.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.1確定系統(tǒng)中模糊控制部分輸入：E(期望的溫度值和測量的溫度值之差)Ec(本次測量誤差-上次測量誤差)輸出：控制量UE和Ec的模糊子集：{NB,NM,NS,ZO,PS,PM,PB}各模糊子集的隸屬函數(shù)2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.1確定系統(tǒng)中模412.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.2確定系統(tǒng)中神經(jīng)網(wǎng)絡(luò)部分2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.2確定系統(tǒng)中神422.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第一層：輸入層作用：該層中的每個神經(jīng)元表示一個輸入變量，該層神經(jīng)元直接把輸入變量xi的值通過激活函數(shù)傳遞給下一層中的神經(jīng)元。該層共有兩個神經(jīng)元，分別把偏差e和偏差變化率ec傳遞給下一層中的神經(jīng)元。2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第一層：輸入層432.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第二層：模糊化層作用：先對輸入變量定義一些模糊子集，通過相應(yīng)的模糊子集上的隸屬度函數(shù)，輸入變量轉(zhuǎn)換成相應(yīng)的模糊子集上的隸屬度。此層的連接權(quán)值取12.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第二層：模糊化層此層的連442.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第三層：模糊推理層作用：神經(jīng)元個數(shù)和模糊規(guī)則的個數(shù)相等，此層共有49個節(jié)點。每個神經(jīng)元代表一條模糊規(guī)則，執(zhí)行“與”操作，用乘積代替取小運(yùn)算，此層連接權(quán)值都取為12.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第三層：模糊推理層452.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第四層：去模糊化層作用：將模糊量轉(zhuǎn)變?yōu)榫_量式中u表示系統(tǒng)的輸出，WK表示第四層和第三層之間的連接權(quán)值2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第四層：去模糊化層462.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.3神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法需要學(xué)習(xí)的參數(shù)有：aij,bij,Wk設(shè)期望輸出為r(k)，被控對象的實際輸出為y(k)，則性能指標(biāo)Jc學(xué)習(xí)方法：依據(jù)最速下降法修正網(wǎng)絡(luò)的加權(quán)系數(shù)，即按Jc對加權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整，并附加一個使搜索快速收斂全局極小的動量項，減少學(xué)習(xí)過程中的震蕩，以控制規(guī)則作為訓(xùn)練樣本。2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.3神經(jīng)網(wǎng)絡(luò)的學(xué)472.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用式中η表示學(xué)習(xí)率常數(shù)，λ動量項常數(shù)2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用式中η表示學(xué)習(xí)率常數(shù)，λ482.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用對于w(k)，其修正算法如下2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用對于w(k)，其修正算法492.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用同理可得aij和bij的修正式2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用同理可得aij和bij的502.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制中的應(yīng)用對于式中出現(xiàn)的，可用下述方法獲得2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制中的應(yīng)用對于式中出現(xiàn)的512.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用學(xué)習(xí)的樣本為2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用學(xué)習(xí)的樣本為522.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.1遺傳算法簡介模糊神經(jīng)網(wǎng)絡(luò)同樣存在著初始規(guī)則的獲取困難、輸入輸出語言變量隸屬度函數(shù)難以確定、網(wǎng)絡(luò)學(xué)習(xí)緩慢以及學(xué)習(xí)無法達(dá)到全局最優(yōu)的問題。遺傳算法是模擬生物的進(jìn)化現(xiàn)象，并采用自然進(jìn)化機(jī)制來表現(xiàn)復(fù)雜現(xiàn)象的一種概率搜索方法。從理論上和實踐中都已證明，遺傳算法能夠在復(fù)雜的空間內(nèi)進(jìn)行有效的搜索，并具有很強(qiáng)的魯棒性。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.1遺傳算法簡介532.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法(GA)的優(yōu)點：(1)GA是對參數(shù)的編碼進(jìn)行操作，而不是對參數(shù)本身。(2)GA采用群體搜索策略，即從許多初始點開始并行操作，而不是一個點，這可防止搜索過程收斂于局部最優(yōu)解。(3)GA對待尋優(yōu)的函數(shù)基本無限制，不要求函數(shù)連續(xù)可導(dǎo)及其它信息只需一個目標(biāo)函數(shù)，因此具有廣泛的適應(yīng)性。(4)GA使用概率的轉(zhuǎn)變規(guī)則，而不是確定性的規(guī)則去指導(dǎo)搜索。(5)GA在解空間內(nèi)進(jìn)行的是一種啟發(fā)式搜索，不是盲目地窮舉或完全隨機(jī)測試，因此搜索效率優(yōu)于其它方法，更適合大規(guī)模復(fù)雜問題的優(yōu)化。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法(GA)的優(yōu)點：542.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化GA的基本思想是:“適者生存，不適者淘汰”。選擇(selection)、交叉(crossover)和變異(mutation)是GA的三個主要操作算子，它們構(gòu)成了所謂的遺傳操作，使得優(yōu)良的品質(zhì)被逐漸保留并加以組合從而不斷產(chǎn)生最佳的個體。GA操作的基本步驟如下：（1）參數(shù)編碼參數(shù)編碼是將問題的解空間映射到遺傳空間，即對待求變量進(jìn)行編碼，使之成為基因。編碼方式有二進(jìn)制、十進(jìn)制和浮點數(shù)編碼等，通常使用的是二進(jìn)制編碼法，用一定長度的二進(jìn)制碼表示一個待求變量。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化GA的基本思想是:“552.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（2）初始群體的設(shè)定產(chǎn)生初始種群的方法通常有兩種。A.一種是完全隨機(jī)的方法產(chǎn)生。可用模擬擲硬幣或隨機(jī)數(shù)發(fā)生器來產(chǎn)生n個體，組成一個初始種群，代表優(yōu)化問題的一組初始解集合。這種方法適合對問題的解無任何先驗知識的情況。B.一種是對于某些具有先驗知識的優(yōu)化問題，可將此先驗知識轉(zhuǎn)化為一組必須滿足的要求，在滿足這些要求的解中再隨機(jī)選取n個個體組成初始解集合。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（2）初始群體的設(shè)定562.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（3）適應(yīng)值(適應(yīng)函數(shù))的設(shè)計適應(yīng)值一般為正數(shù)，取其最大值而不是最小值。如果優(yōu)化問題是求極小值，一般可取目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)函數(shù)。（4）選擇(selection)從當(dāng)代群體中選出優(yōu)良個體(即適配值大的個體)作為父代，為下一代繁殖之用。常用的選擇方法是比例選擇法。對任意一個個體串，其選擇概率正比于它的適應(yīng)值。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（3）適應(yīng)值(適應(yīng)函數(shù))572.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（5）交叉(crossover)交叉操作是把兩個父代個體的部分結(jié)構(gòu)加以交換重組生成新個體，其目的是為了在下一代中產(chǎn)生新的個體。二進(jìn)制編碼方式下常采用點式交叉(pointcrossover)。點式交叉又分為單點式、多點式和均勻式。交叉操作是使遺傳算法具有全局搜索的功能。交叉概率Pc一般很大，通常0.6-0.9之間。（6）變異(mutation)變異是以很小的概率，隨機(jī)地改變?nèi)后w中個體的某些基因。在二進(jìn)制編碼方式下，使串的某一個數(shù)字由1變?yōu)?或由0變?yōu)?。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（5）交叉(crosso582.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化其操作流程如下2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化其操作流程如下592.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.2遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化優(yōu)化的基本思想：將模糊神經(jīng)網(wǎng)絡(luò)控制器的學(xué)習(xí)分為離線學(xué)習(xí)和在線學(xué)習(xí)兩個階段：（1）利用GA算法優(yōu)化具有全局性的參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，用BP算法調(diào)節(jié)和優(yōu)化具有局部性的參數(shù)。（2）GA算法作為一種離線訓(xùn)練模糊神經(jīng)推理控制器后(粗略學(xué)習(xí))，用BP算法作為一種在線調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的局部性參數(shù)(細(xì)調(diào)節(jié))。（3）這兩種方法綜合使用，可以大大提高模糊神經(jīng)推理控制系統(tǒng)的自學(xué)習(xí)性能和魯棒性。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.2遺傳算法對模602.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)仍然為上節(jié)中所述結(jié)構(gòu)：輸入層（2）-模糊化層（14）-推理層（49）-清晰化層（1）優(yōu)化方法如下：（1）隸屬函數(shù)的中心參數(shù)和寬度參數(shù)(aij，bij)是全局性的參數(shù)，可用遺傳算法來調(diào)整和優(yōu)化，（2）而推理原則的結(jié)論部分中的權(quán)值W較多地具有局部性，所以采用BP算法在線調(diào)節(jié)。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)仍然為上節(jié)中61的2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法對(aij，bij)的離線調(diào)整的步驟：A.隨機(jī)產(chǎn)生N個二進(jìn)制字符串，每個字符串表示整個網(wǎng)絡(luò)的一組參數(shù)。首先將各參數(shù)(aij，bij)用二進(jìn)制串表示,設(shè)參數(shù)在預(yù)訂的范圍

內(nèi)變化，則參數(shù)串的表示值和實際參數(shù)值之間的關(guān)系可用下式表示：的2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法對(aij，b622.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化B.將各二進(jìn)制字符串譯碼成網(wǎng)絡(luò)的各參數(shù)值，然后計算每一組參數(shù)的適合度值。如果從過程操作數(shù)據(jù)中，已經(jīng)得到樣本數(shù)據(jù)(ei,△ei,ui),(1≤i≤m)，目標(biāo)就是尋找最優(yōu)模糊隸屬函數(shù)參數(shù)(aij，bij)，使得計算每一組參數(shù)的適合度值fi2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化B.將各二進(jìn)制字符串譯碼632.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化C.通過交叉和變異產(chǎn)生新的群體交叉的概率PC選擇為[0.5,1]，而變異的概率比較小，Pm選擇為[0.005,0.1].一般采用自適應(yīng)的方法確定Pm和PC的值K1和K2均小于12.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化C.通過交叉和變異產(chǎn)生642.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化產(chǎn)生新群體的步驟如下：2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化產(chǎn)生新群體的步驟如下：652.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化D.所產(chǎn)生的新一代的個體連同上一代中性能最好的那個個體共同組成新群體。E.返回步驟(2)直到群體中的個體性能滿足要求為止。F.群體中適應(yīng)度最好的字符中所表示的參數(shù)就是所要的網(wǎng)絡(luò)參數(shù)。G.把適應(yīng)度最好FNNC接入模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)中2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化D.所產(chǎn)生的新一代的個體662.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化注意的兩個方面：（1）當(dāng)采用GA學(xué)習(xí)時，要有效地配合使用交叉和變異算子，在遺傳算法中，交叉算子因其全局搜索能力強(qiáng)而作為主算子，變異算子因其搜索能力強(qiáng)而作為輔助算子。一般來講，交叉概率只要取較大的值而變異概率相對要小的多。這樣，群體在即將尋到最優(yōu)值時，不會因變量變異而破壞此進(jìn)程。（2）遺傳操作完成之后，按適值選取最后一代群體中n個可能具有全局性的進(jìn)化解，分別以這些解為初始權(quán)值，用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行求解，比較n個由神經(jīng)網(wǎng)絡(luò)求的最優(yōu)解，從而獲得全局最優(yōu)解。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化注意的兩個方面：672.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.3BP算法在線優(yōu)化經(jīng)過GA算法訓(xùn)練好FNNC后，采用在線學(xué)習(xí)方法，利用BP快速梯度算法調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值，定義在線學(xué)習(xí)的性能指標(biāo)為:在t時刻后的權(quán)值調(diào)節(jié)式為：2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.3BP算法在線682.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化整個基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)溫度控制系統(tǒng)的框圖如下：2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化整個基于遺傳算法的模糊神692.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化調(diào)整后的E調(diào)整后的EC2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化調(diào)整后的E調(diào)整后的EC702.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化71主要內(nèi)容：模糊控制技術(shù)及其在溫控中的應(yīng)用1神經(jīng)網(wǎng)絡(luò)控制技術(shù)2模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用34遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化主要內(nèi)容：模糊控制技術(shù)及其在溫控中的應(yīng)用1神經(jīng)網(wǎng)絡(luò)控制技術(shù)2721.1模糊邏輯的數(shù)學(xué)基礎(chǔ)從論域U中任意指定一個元素x，及U上的集合A如果x是集合A的一個元素，那么記做x∈A如果x不是集合A的一個元素，那么記做x?Ax與集合A的關(guān)系是:要么x屬于A，要么x不屬于A,二者必居其一，不允許有既屬于A又不屬于A的模棱兩可的情況發(fā)生。模糊集合的概念：其基本思想是把經(jīng)典集合中的絕對隸屬關(guān)系模糊化，從隸屬函數(shù)方面來看就是:元素x對A隸屬度不再局限于0或1，而是可以取從0到1的任何一個數(shù)值1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)從論域U中任意指定一個元素x，及U731.1模糊邏輯的數(shù)學(xué)基礎(chǔ)所謂論域U上的一個模糊子集(簡稱模糊集)A,是指對于任意x∈U,指定了一個數(shù)uA(x)∈[0,1]，叫做u對A的隸屬程度。映射uA叫做A的隸屬函數(shù)。隸屬函數(shù)的類型有以下三種類型（1）偏大型隸屬函數(shù)（S型）（2）偏小型隸屬函數(shù)（Z型）（3）中間型隸屬函數(shù)（π型）1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)所謂論域U上的一個模糊子集(簡稱模741.1模糊邏輯的數(shù)學(xué)基礎(chǔ)正態(tài)型隸屬函數(shù)：1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)正態(tài)型隸屬函數(shù)：751.1模糊邏輯的數(shù)學(xué)基礎(chǔ)左半梯形隸屬函數(shù)和右半梯形隸屬函數(shù)1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)左半梯形隸屬函數(shù)和右半梯形隸屬函數(shù)761.1模糊邏輯的數(shù)學(xué)基礎(chǔ)梯形隸屬函數(shù)1.1模糊邏輯的數(shù)學(xué)基礎(chǔ)梯形隸屬函數(shù)771.2模糊控制技術(shù)的應(yīng)用1.2.1模糊控制的優(yōu)點由于控制系統(tǒng)的被控過程經(jīng)常伴有嚴(yán)重的非線性時變性、大滯后性以及大量的現(xiàn)場干擾，是得基于精確數(shù)學(xué)模型的傳統(tǒng)控制方案（傳統(tǒng)PID控制）很難獲得滿意的靜態(tài)效果。模糊控制基于模糊集合理論，模仿人的控制經(jīng)驗，運(yùn)用模糊推理方法，根據(jù)輸出直接映射出被控對象的控制量。它不依賴于對象的數(shù)學(xué)模型而實現(xiàn)了人類某些智能，使它顯示出了較強(qiáng)的生命力和吸引力，并很快被工業(yè)控制界廣泛應(yīng)用。1.2模糊控制技術(shù)的應(yīng)用1.2.1模糊控制的優(yōu)點781.2模糊控制技術(shù)的應(yīng)用1.2.2模糊控制器的工作原理模糊控制系統(tǒng)原理圖1.2模糊控制技術(shù)的應(yīng)用1.2.2模糊控制器的工作原理791.2模糊控制技術(shù)的應(yīng)用輸入：誤差、誤差變換率；輸出：控制量的變化模糊控制規(guī)則：操作人員的經(jīng)驗被總結(jié)，經(jīng)過數(shù)學(xué)處理存放在計算機(jī)中。模糊決策：根據(jù)模糊控制規(guī)則，仿照人腦的推理過程反模糊化：模糊決策精確化，變成一個精確量去驅(qū)動執(zhí)行機(jī)構(gòu)，以實現(xiàn)對工業(yè)過程的自動控制。1.2模糊控制技術(shù)的應(yīng)用輸入：誤差、誤差變換率；輸出：控制801.3模糊邏輯在溫度控制方面的應(yīng)用1.3.1確定輸入變量和輸出變量的模糊子集輸入量：①溫度的偏差E（實測溫度和所需溫度的差值）②溫度偏差的變化率EC（溫度變差之間的差值）輸出量：控制執(zhí)行機(jī)構(gòu)的精確量U1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.1確定輸入變量811.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的論域：[-6,6]U的論域：[0,10]確定模糊子集的方法：將確定的隸屬函數(shù)曲線離散化，就得到了有限個點上的隸屬度，便構(gòu)成了一個相應(yīng)的模糊變量的模糊子集E/EC/U的模糊子集：NB,NM,NS,ZO,PS,PM,PB{負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}1.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的論域：[-6,821.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的隸屬函數(shù)取為高斯函數(shù)；1.3模糊邏輯在溫度控制方面的應(yīng)用E/EC的隸屬函數(shù)取為高831.3模糊邏輯在溫度控制方面的應(yīng)用模糊化：一般是先將精確量離散化，分成若干個離散值，然后每個離散值對相應(yīng)的模糊子集給定一個隸屬度，得到一個離散值與不同模糊量隸屬度的一張表格。當(dāng)讀入一個精確量的數(shù)值時，首先將它歸入與之最接近的離散值，然后從表格便可得到不同模糊量的隸屬度。1.3模糊邏輯在溫度控制方面的應(yīng)用模糊化：一般是先將精確量841.3模糊邏輯在溫度控制方面的應(yīng)用U的隸屬函數(shù)取為三角型函數(shù)1.3模糊邏輯在溫度控制方面的應(yīng)用U的隸屬函數(shù)取為三角型函851.3模糊邏輯在溫度控制方面的應(yīng)用精確化：

（1）最大隸屬度法對模糊子集A，所選的輸出x*應(yīng)該滿足：對任意x∈U，有uA(x*)≥uA(x)（2）加權(quán)平均法（重心法）1.3模糊邏輯在溫度控制方面的應(yīng)用精確化：

（1）最大隸屬861.3模糊邏輯在溫度控制方面的應(yīng)用隸屬函數(shù)選擇的規(guī)則：

隸屬函數(shù)曲線形狀較尖的模糊子集其分辨率較高，控制靈敏度較高；相反，隸屬函數(shù)曲線形狀較緩，控制特性也較平緩，系統(tǒng)穩(wěn)定性較好。因此，在選擇模糊變量的模糊集的隸屬函數(shù)時，在誤差較大區(qū)域采用低分辨率的模糊子集，在誤差較小或接近于零的區(qū)域采用高分辨率的模糊子集。1.3模糊邏輯在溫度控制方面的應(yīng)用隸屬函數(shù)選擇的規(guī)則：871.3模糊邏輯在溫度控制方面的應(yīng)用1.3.2量化因子和比例因子的概念設(shè)誤差E的論域為[-Xe，Xe]，誤差變化率EC的論域為[-Xc,Xc]誤差E的模糊子集的論域為{-n,-n+1,.......0,1,.......n-1,n}誤差變化率EC的模糊子集的論域為{-m,-m+1,.......0,1,.......m-1,m,}量化因子定義如下：誤差的量化因子：Ke=n/Xe誤差變化率的量化因子：Kc=m/Xc量化因子實現(xiàn)了從基本論域到模糊集論域的轉(zhuǎn)變1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.2量化因子和比881.3模糊邏輯在溫度控制方面的應(yīng)用設(shè)模糊控制器的輸出變量U的論域為[-Yu,Yu]U的模糊子集的論域為{-L,-L+1,.....0,.....L-1,L}比例因子定義如下：Ku=Yu/L比例因子實現(xiàn)了從模糊算法給出的精確控制量的論域到被控對象能夠接受的控制量的論域的轉(zhuǎn)化。1.3模糊邏輯在溫度控制方面的應(yīng)用設(shè)模糊控制器的輸出變量U891.3模糊邏輯在溫度控制方面的應(yīng)用量化因子和比例因子選擇規(guī)則：①Ke選擇較大時，系統(tǒng)響應(yīng)速度變快，上升時間變短，但是超調(diào)量變大；②Kc選擇較大時，響應(yīng)速度變快，但是對超調(diào)有明顯的遏制作用；③Ku選擇過小時，系統(tǒng)動態(tài)響應(yīng)時間過長；選擇過大時，會導(dǎo)致系統(tǒng)的震蕩；1.3模糊邏輯在溫度控制方面的應(yīng)用量化因子和比例因子選擇規(guī)901.3模糊邏輯在溫度控制方面的應(yīng)用1.3.3模糊推理與模糊規(guī)則根據(jù)控制的經(jīng)驗，可以建立如下的模糊推理表1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.3模糊推理與模911.3模糊邏輯在溫度控制方面的應(yīng)用1.3.4總結(jié)實施模糊控制的步驟總結(jié)如下：（1）將輸入的精確數(shù)據(jù)（溫差和溫差的變化）乘以量化因子映射到模糊子集的控制論域；（2）根據(jù)輸入數(shù)據(jù)在各個模糊子集中的隸屬度，確定其所屬的模糊子集；（3）查詢模糊推理表，獲得空置量所屬的模糊子集；（4）根據(jù)最大隸屬度法或重心法計算模糊輸出的量值，再乘以比例因子，即獲得控制論域中的實際空置量。1.3模糊邏輯在溫度控制方面的應(yīng)用1.3.4總結(jié)921.3模糊邏輯在溫度控制方面的應(yīng)用模糊控制的實現(xiàn)：（1）根據(jù)操作人員在生產(chǎn)過程中積累的豐富經(jīng)驗，建立一組控制規(guī)則，形成模糊模型。先根據(jù)建立好的模糊模型，離線完成控制查詢表的計算，即將控制查詢表存儲在計算機(jī)中，以便在線控制時進(jìn)行查找。（2）直接利用確定好的控制查詢表，形成模糊算法，實現(xiàn)對被控過程的實時控制。1.3模糊邏輯在溫度控制方面的應(yīng)用模糊控制的實現(xiàn)：932.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.1神經(jīng)網(wǎng)絡(luò)的概念神經(jīng)網(wǎng)絡(luò)是從微觀結(jié)構(gòu)與功能上對人腦神經(jīng)系統(tǒng)的模擬而建立起來的一類模型，具有模擬人的部分形象思維的能力，其特點主要是具有非線性，學(xué)習(xí)能力和自適應(yīng)性，是模擬人的智能的一條重要途徑。它是由簡單信息處理單元(人工神經(jīng)元，簡稱神經(jīng)元)互聯(lián)組成的網(wǎng)絡(luò)，能接受并處理信息。網(wǎng)絡(luò)的信息處理由處理單元之間的相互作用來實現(xiàn)，它是通過把問題表達(dá)成處理單元之間的連接權(quán)來處理的。2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.1神經(jīng)網(wǎng)絡(luò)的概念942.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.2人工神經(jīng)元模型軸突突觸扣結(jié)數(shù)突細(xì)胞核細(xì)胞體軸突末梢神經(jīng)元結(jié)構(gòu)2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.2人工神經(jīng)元模型軸突突952.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元模型：

輸入權(quán)重加法器激活函數(shù)Xj輸出yjx2x3xnw3jwnjw2jf(Xj)w1jx1閾值θj2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元模型：權(quán)重加法器激活962.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元包括的幾個方面：（1）輸入：其中xi（i=1,2,.....n）表示從其他神經(jīng)元傳來的輸入信號；（2）權(quán)值：Wij表示從神經(jīng)元i到神經(jīng)元j的連接權(quán)值（3）閾值：θj根據(jù)以上的輸入和權(quán)值，即可獲得神經(jīng)元的凈輸入·2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)人工神經(jīng)元包括的幾個方面：972.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（4）輸出：式中yj表示神經(jīng)元j的輸出，f（）表示神經(jīng)元j的激活函數(shù)；（5）激活函數(shù)：又叫做活化函數(shù)，不同的活化函數(shù)對應(yīng)不同的神經(jīng)元模型A.階躍函數(shù)：神經(jīng)元輸出0或者12.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（4）輸出：982.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.非對稱型sigmoid函數(shù)β=22.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.非對稱型sigmoid函數(shù)992.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)C.對稱型sigmoid函數(shù)（雙曲正切函數(shù)）2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)C.對稱型sigmoid函數(shù)（1002.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.3神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)A.前饋型神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）特點：（1）神經(jīng)元分層排列，有輸入層、中間層(或叫隱層，可有若干層)和輸出層組成，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。（2）各層神經(jīng)元的連接權(quán)重用Wij表示，此神經(jīng)網(wǎng)絡(luò)的全部信息都包含在權(quán)重之中2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)2.1.3神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)1012.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（3）實現(xiàn)的方法：給定一個輸入向量X=(x1,x2,....,xn)以及期望的輸出向量Y=(y1,y2,.....yq)，通過樣本的訓(xùn)練，不斷修正各層神經(jīng)元之間的連接權(quán)重Wij,直到網(wǎng)絡(luò)的輸出與期望向量相等或相近。其修正模式可用下式表達(dá)：

2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（3）實現(xiàn)的方法：給定一個輸入向1022.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.反饋網(wǎng)絡(luò)（Hopfield神經(jīng)網(wǎng)絡(luò)）連接方法：假設(shè)網(wǎng)絡(luò)中有N個神經(jīng)元，那么每個神經(jīng)元就有N個輸入和一個輸出，即每個神經(jīng)元都是等價的。2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)B.反饋網(wǎng)絡(luò)（Hopfield1032.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)實現(xiàn)的方法：（1）給神經(jīng)網(wǎng)絡(luò)個神經(jīng)元之間的連接權(quán)賦值，即存儲樣本模式設(shè)有M類樣本模式，其中第S類樣本模式為則神經(jīng)元i和神經(jīng)元j之間的連接權(quán)為：i,j=1,2,.....,n,i≠j2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)實現(xiàn)的方法：則神經(jīng)元i和神經(jīng)元j1042.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（2）輸入未知模式，式中表示神經(jīng)元i的初始狀態(tài)。如果用xi(t)表示神經(jīng)元i在t時刻的輸出狀態(tài)，則xi(t)的初始值為xi(0)=i=1,2,......n（3）用迭代算法計算xi(t+1),計算進(jìn)行到神經(jīng)元的輸出不隨進(jìn)一步的迭代而變化時，算法收斂。此時神經(jīng)元的輸出即為與未知模板匹配最好的樣本模式。2.1神經(jīng)網(wǎng)絡(luò)的概念和結(jié)構(gòu)（2）輸入未知模式1052.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.1模糊神經(jīng)網(wǎng)絡(luò)的引入模糊控制技術(shù)的優(yōu)缺點：優(yōu)點：（1）采用語言型控制規(guī)則，基于現(xiàn)場操作人員的控制經(jīng)驗或相關(guān)專家的知識，在設(shè)計中不需要建立被控對象的精確數(shù)學(xué)模型，因而使得控制機(jī)理和策略易于接受與理解。（2）模糊控制系統(tǒng)的魯棒性強(qiáng)，干擾和參數(shù)變化對控制效果的影響被大大減弱，尤其適合于非線性、時變及純滯后系統(tǒng)的控制。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.1模糊神經(jīng)網(wǎng)絡(luò)的引入1062.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)模糊控制技術(shù)的優(yōu)缺點：缺點：（1）模糊控制利用領(lǐng)域?qū)＜业南闰炛R進(jìn)行近似推理，但在工程實際應(yīng)用中對時變參數(shù)非線性系統(tǒng)，缺乏在線自學(xué)習(xí)或自調(diào)整的能力。（2）如何自動生成或調(diào)整隸屬度函數(shù)或調(diào)整模糊規(guī)則，是一個很復(fù)雜的問題。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)模糊控制技術(shù)的優(yōu)缺點：1072.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：優(yōu)點：（1）人工神經(jīng)網(wǎng)絡(luò)可以充分逼近任意復(fù)雜的非線性關(guān)系，可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)，它的所有定量或定性的信息都等勢分布儲存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，有很強(qiáng)的魯棒性和容錯性；（2）采用了并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：1082.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：缺點：（1）神經(jīng)網(wǎng)絡(luò)是典型的黑箱型的學(xué)習(xí)模式，當(dāng)學(xué)習(xí)完后，神經(jīng)網(wǎng)絡(luò)所獲得輸入/輸出關(guān)系無法用容易被人接受的方式表示出來；（2）不適于表達(dá)基于規(guī)則的知識，因此神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，由于不能很好地利用己有的經(jīng)驗知識，常常只能將初始權(quán)值取為零或隨機(jī)數(shù)，從而增加了網(wǎng)絡(luò)的訓(xùn)練時間或者陷入非要求的局部極值。2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)缺點：1092.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模糊控制與神經(jīng)網(wǎng)絡(luò)的三種融合方式如下：（1）利用神經(jīng)網(wǎng)絡(luò)驅(qū)動模糊推理2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)2.2.2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)1102.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)（2）應(yīng)用神經(jīng)網(wǎng)絡(luò)優(yōu)化模糊控制器參數(shù)（3）利用神經(jīng)網(wǎng)絡(luò)記憶模糊控制規(guī)則2.2模糊神經(jīng)網(wǎng)絡(luò)概念與結(jié)構(gòu)（2）應(yīng)用神經(jīng)網(wǎng)絡(luò)優(yōu)化模糊控制1112.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.1確定系統(tǒng)中模糊控制部分輸入：E(期望的溫度值和測量的溫度值之差)Ec(本次測量誤差-上次測量誤差)輸出：控制量UE和Ec的模糊子集：{NB,NM,NS,ZO,PS,PM,PB}各模糊子集的隸屬函數(shù)2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.1確定系統(tǒng)中模1122.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.2確定系統(tǒng)中神經(jīng)網(wǎng)絡(luò)部分2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.2確定系統(tǒng)中神1132.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第一層：輸入層作用：該層中的每個神經(jīng)元表示一個輸入變量，該層神經(jīng)元直接把輸入變量xi的值通過激活函數(shù)傳遞給下一層中的神經(jīng)元。該層共有兩個神經(jīng)元，分別把偏差e和偏差變化率ec傳遞給下一層中的神經(jīng)元。2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第一層：輸入層1142.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第二層：模糊化層作用：先對輸入變量定義一些模糊子集，通過相應(yīng)的模糊子集上的隸屬度函數(shù)，輸入變量轉(zhuǎn)換成相應(yīng)的模糊子集上的隸屬度。此層的連接權(quán)值取12.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第二層：模糊化層此層的連1152.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第三層：模糊推理層作用：神經(jīng)元個數(shù)和模糊規(guī)則的個數(shù)相等，此層共有49個節(jié)點。每個神經(jīng)元代表一條模糊規(guī)則，執(zhí)行“與”操作，用乘積代替取小運(yùn)算，此層連接權(quán)值都取為12.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第三層：模糊推理層1162.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第四層：去模糊化層作用：將模糊量轉(zhuǎn)變?yōu)榫_量式中u表示系統(tǒng)的輸出，WK表示第四層和第三層之間的連接權(quán)值2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用第四層：去模糊化層1172.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.3神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法需要學(xué)習(xí)的參數(shù)有：aij,bij,Wk設(shè)期望輸出為r(k)，被控對象的實際輸出為y(k)，則性能指標(biāo)Jc學(xué)習(xí)方法：依據(jù)最速下降法修正網(wǎng)絡(luò)的加權(quán)系數(shù)，即按Jc對加權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整，并附加一個使搜索快速收斂全局極小的動量項，減少學(xué)習(xí)過程中的震蕩，以控制規(guī)則作為訓(xùn)練樣本。2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用2.3.3神經(jīng)網(wǎng)絡(luò)的學(xué)1182.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用式中η表示學(xué)習(xí)率常數(shù)，λ動量項常數(shù)2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用式中η表示學(xué)習(xí)率常數(shù)，λ1192.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用對于w(k)，其修正算法如下2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用對于w(k)，其修正算法1202.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用同理可得aij和bij的修正式2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用同理可得aij和bij的1212.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制中的應(yīng)用對于式中出現(xiàn)的，可用下述方法獲得2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制中的應(yīng)用對于式中出現(xiàn)的1222.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用學(xué)習(xí)的樣本為2.3模糊神經(jīng)網(wǎng)絡(luò)在溫度控制的應(yīng)用學(xué)習(xí)的樣本為1232.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.1遺傳算法簡介模糊神經(jīng)網(wǎng)絡(luò)同樣存在著初始規(guī)則的獲取困難、輸入輸出語言變量隸屬度函數(shù)難以確定、網(wǎng)絡(luò)學(xué)習(xí)緩慢以及學(xué)習(xí)無法達(dá)到全局最優(yōu)的問題。遺傳算法是模擬生物的進(jìn)化現(xiàn)象，并采用自然進(jìn)化機(jī)制來表現(xiàn)復(fù)雜現(xiàn)象的一種概率搜索方法。從理論上和實踐中都已證明，遺傳算法能夠在復(fù)雜的空間內(nèi)進(jìn)行有效的搜索，并具有很強(qiáng)的魯棒性。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化2.4.1遺傳算法簡介1242.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法(GA)的優(yōu)點：(1)GA是對參數(shù)的編碼進(jìn)行操作，而不是對參數(shù)本身。(2)GA采用群體搜索策略，即從許多初始點開始并行操作，而不是一個點，這可防止搜索過程收斂于局部最優(yōu)解。(3)GA對待尋優(yōu)的函數(shù)基本無限制，不要求函數(shù)連續(xù)可導(dǎo)及其它信息只需一個目標(biāo)函數(shù)，因此具有廣泛的適應(yīng)性。(4)GA使用概率的轉(zhuǎn)變規(guī)則，而不是確定性的規(guī)則去指導(dǎo)搜索。(5)GA在解空間內(nèi)進(jìn)行的是一種啟發(fā)式搜索，不是盲目地窮舉或完全隨機(jī)測試，因此搜索效率優(yōu)于其它方法，更適合大規(guī)模復(fù)雜問題的優(yōu)化。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法(GA)的優(yōu)點：1252.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化GA的基本思想是:“適者生存，不適者淘汰”。選擇(selection)、交叉(crossover)和變異(mutation)是GA的三個主要操作算子，它們構(gòu)成了所謂的遺傳操作，使得優(yōu)良的品質(zhì)被逐漸保留并加以組合從而不斷產(chǎn)生最佳的個體。GA操作的基本步驟如下：（1）參數(shù)編碼參數(shù)編碼是將問題的解空間映射到遺傳空間，即對待求變量進(jìn)行編碼，使之成為基因。編碼方式有二進(jìn)制、十進(jìn)制和浮點數(shù)編碼等，通常使用的是二進(jìn)制編碼法，用一定長度的二進(jìn)制碼表示一個待求變量。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化GA的基本思想是:“1262.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（2）初始群體的設(shè)定產(chǎn)生初始種群的方法通常有兩種。A.一種是完全隨機(jī)的方法產(chǎn)生。可用模擬擲硬幣或隨機(jī)數(shù)發(fā)生器來產(chǎn)生n個體，組成一個初始種群，代表優(yōu)化問題的一組初始解集合。這種方法適合對問題的解無任何先驗知識的情況。B.一種是對于某些具有先驗知識的優(yōu)化問題，可將此先驗知識轉(zhuǎn)化為一組必須滿足的要求，在滿足這些要求的解中再隨機(jī)選取n個個體組成初始解集合。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（2）初始群體的設(shè)定1272.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（3）適應(yīng)值(適應(yīng)函數(shù))的設(shè)計適應(yīng)值一般為正數(shù)，取其最大值而不是最小值。如果優(yōu)化問題是求極小值，一般可取目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)函數(shù)。（4）選擇(selection)從當(dāng)代群體中選出優(yōu)良個體(即適配值大的個體)作為父代，為下一代繁殖之用。常用的選擇方法是比例選擇法。對任意一個個體串，其選擇概率正比于它的適應(yīng)值。2.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（3）適應(yīng)值(適應(yīng)函數(shù))1282.4遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)化（5）交叉(crossover)