机械伺服系统基于模糊神经网络的复合控制
2010年3月第17卷第2期控制工程
Contr ol Engineering of China Mar.2010Vol .17,No .2
文章编号:167127848(2010)022*******
收稿日期:2009206223; 收修定稿日期:2009208207
基金项目:国家自然基金资助项目(E06A30020
)作者简介:徐春梅(19732),女,山东昌乐人,讲师,博士,主要从事智能控制,高精度伺服控制等方面的教学与科研工作。
机械伺服系统基于模糊神经网络的复合控制
徐春梅
(北京交通大学电气工程学院,北京 100044
)
摘 要:惯性参数大范围变化和低速状态下的非线性摩擦是制约机械伺服系统跟踪性能的
主要因素,基于LuGre 动态摩擦模型和干扰观测器的补偿控制可以实现非线性摩擦力矩的动态补偿,但状态观测器的设计是基于被控对象的数学模型,当负载惯性参数大范围变化时,上述控制系统性能无法保障,针对上述问题提出一种基于模糊神经网络补偿的状态观测器复合控制,分析了基于模糊神经网络补偿复合控制的理论与实现方法,并以直流电机飞行仿真转台作为被控对象进行了仿真试验,试验结果表明了控制方法的有效性。关 键 词:机械伺服系统;干扰观测器;模糊神经网络;摩擦力矩;补偿;跟踪控制中图分类号:TP 27 文献标识码:A
Co mplex Contr ol Based on Fuzzy 2neural f orMechanical Serv o Syste ms
XU Chun 2m ei
(School of Electrical Engineering,Beijing J iao Tong University,Beijing 100044,China )
Abstract:I nertial parameters varying in large range and nonlinear fricti onal t orque are the main fact ors that lead t o mechanical servo syste m tracking perfor mance declinati on .The LuGre dyna m ic f ricti on model and the disturbance observer realize the dynam ic compen 2sati on of nonlinear fricti on t orque .W hen servo syste m inertial para meters varying in large range,the tracking perfor mance can not be guaranteed because of the design of disturbance observer based on the mathe matic model of contr ol syste m.A comp lex contr ol sche me is p r oposed t o deal with the above p r oble m s .Fuzzy 2neural net w ork is used t o compensate the I nertial para meters varying of mechanical
servo syste m.The theory and realizing way of the p r op sed method are analyzed .Experi m ental results f or a DC mot or servo 2system show
the effectiveness of the p r oposed method .
Key words:mechanical servo system s;disturbance observer;fuzzy 2neural net w ork;fricti onal t orque;compensati on;tracking con 2tr oll
1 引 言
对于负载参数大范围变化的高精度伺服系统,
设计出具有强鲁棒稳定性和鲁棒模型跟踪性能的控
制器,是目前研究的热点[124]
,对于摩擦环节产生的非线性扰动力矩,必须通过施加适当的控制作用
来消除摩擦力矩的影响[5]
,目前常采用的方法包括
自适应摩擦补偿方法[6]、变结构控制方法[7]
、基于
干扰观测器的补偿方法[8]
以及基于摩擦模型的补偿
方法[9211]
等。
基于LuGre 摩擦模型的补偿加干扰观测器的控制方法,近年来在伺服控制系统中获得了成功的应用[12213],但干扰观测器的设计基于被控对象开环数学模型,因为伺服系统的非线性、不确定性及各种测量噪声的影响,伺服系统精确的数学模型无法获得,特别当伺服系统负载大范围变化时,控制系统性能就无法保障,为解决这一问题,本文提出了伺
服系统基于神经网络补偿的复合控制方法。
2 复合控制器设计
复合控制器结构,如图1所示
。
图1 模糊神经网络补偿的复合控制器结构
F i g 11 Con trol structure of co m plex con trol
ba sed on fuzzy 2neura l
其中,d 为等效干扰,ξ为测量噪声,虚线框
内为干扰观测器,G p (s )为机械伺服系统广义被控对象开环模型,G n (s )为名义模型,Q (s )为低通滤
波器,G c (s )为位置闭环控制器,T f (
θ)为摩擦补偿环节。
控制器的输出为
u =u p -^d +u f +T f
(1)1)干扰观测器设计 干扰观测器的基本思想是将外部力矩干扰及模型参数变化造成的实际对象与名义模型输出的差异,统统等效到控制输入端,即观测出等效干扰,在控制中引入等量的补偿,实
现对干扰完全抑制[13]
。如图1中的G p (s )为对象的传递函数,G n (s )为名义模型,d 为等效干扰,^d 为观测干扰,u 为控制输入。由图1,求出等效干扰的估计值^d 为
^d =((u +d )G p (s )
G n (s )
-u )?Q (s )
(2)
式中,G n (s )为被控对象开环名义模型。
对于机械伺服系统,忽略转轴的扭曲变形及未建模动态等因素影响,名义模型可以取为
G n (s )=
1
s (J n s +b n )
(3)式中,J n 为系统的等效转动惯量;b n 为系统的等效阻尼系数。
Q (s )的选择应使Q (s )/G n (s )正则,取:
Q (s )=3τs +1
s 3+3τs 2
+3τs +1
(4)2)位置闭环控制器设计 位置闭环采用微分先行的P D 控制,控制律如下:
u p =K P ?(r -θ)-K D ?
θ(5)速度信号通过位置信号的后向差分得到,考虑到量化噪声的影响,将差分信号经过II R 滤波。选择P D 控制参数时,直接以名义模型为控制对象,使闭环系统有足够的稳定裕量和相位裕量,响应无超调。
3)摩擦补偿环节设计 LuGre 摩擦模型是一种典型动态摩擦模型,设状态变量z 代表接触面鬃
毛的平均变形
[6]
(bristle def or m ),则T f 可由下面的LuGre 模型来描述:
T f =σ0z +σ1 z +α
θ(6) z = θ-σ0| θ|
g (
θ)z
(7)g θ=F c +(F s -F c )exp [-( θ/V s )2
]+α θ(8)式中,σ0,σ1称为动态摩擦参数;F c ,
F s ,α,V s 称为静态摩擦参数,其中,F c 为库仑摩擦,F s 为静摩擦,α为粘性摩擦系数,V s 为切换速度。
因此,LuGre 模型是由参数σ0,σ1,F c ,F s ,α,V s 决定的,对于特定的系统这些参数可通过实验进行辨识。
4)模糊神经网络补偿器设计 模糊神经网络采用的二输入一输出的4层动态回归网络结构,如图2所示。
图2 四层动态模糊神经网络结构
F i g 12 Sstructure of dynam i c fuzzy neura l networks
网络推理过程及参数学习算法请参看文献[8]。为建立模糊神经网络的学习算法,分析图1所示的控制系统,电动伺服系统经过参数简化处理的微分方程表述如下:
(^A +A 3)¨θ+(^B +B 3
) θ+u d =u
(9)式中,^A,^B 为系统参数的确定线性部分,即名义
模型参数;A 3,B 3
分别表示系统参数的非线性、不确定性部分;u d 表示各种非线性干扰力矩的等效电压之和;u 为控制电压。
由图1复合控制器输出电压为
u =u p -^d +u f +T f
(10)将式(12)带入式(11),得:(^A +A 3)¨θ+(^B +B 3
) θ+u d =u p -^d +u f +T f (11)
整理得:A 3¨θ+B 3
θ+u d -u f =u p -^d +T f -(^A ¨θ+^B
θ)(12)
由上式看出,当u f =A 3¨θ+B 3
θ+u d 时,模糊
神经网络对系统非线性、模型不确定性及各种干扰
因素进行了完全补偿。此时(u p -^d +T f )-(^A ¨θ+
^B
θ)=0,即按照名义模型设计的复合控制器只对理想线性系统进行控制,系统误差e →0。
为此定义如下变量:
v =u p -^d +T f -(^A ¨θ+^B
θ)(13)由式(12):
v =A 3¨θ+B 3
θ+u d -u f
(14)当v =0时,模糊神经网络对系统非线性进行了完全补偿,系统误差e →0。因此定义模糊神经网络性能指标函数:
E =v
2
2=(u p -^d +T f -^A ¨θ-^B θ)22=
(A 3¨θ+B 3 θ+u d -u f )
22
(15)
由负梯度下降法及链式法则可得模糊神经网络的参数迭代算法如下:
?
741? 第2期 徐春梅:机械伺服系统基于模糊神经网络的复合控制
W (t +1)=W (t )+η(-
5E
5W )=W (k )-η(u p -^d +T f -^A ¨θ-^B
θ)5(A 3¨θ+B 3 θ+u d -u f )
5W
(16)这样通过模糊神经网络参数在线学习,使v →0,则控制系统误差e →0。
3 应用研究
以某直流电动飞行仿真转台内框为仿真实验对象,此系统简化模型为
G p (s )=1/(Js 2
+B s )
(17)通过模型辨识模型参数J =010033,b =01067。控制器设计目的是控制电机电压u,使转台转角跟踪输入信号。
P D 控制器参数取K P =112,K V =010833;取Q (s )=Q 31(s ),考虑干扰观测器的稳定性和对扰动的抑制能力,取滤波器参数为τ=0102。
LuGre 摩擦模型参数辨识是一个复杂的过程,本文直接给出通过遗传算法优化的结果:
F c =0128N ?m ,F s =0134N ?m
α=0102N ?m /rad,V s =0101rad /s σ0=300N ?m /rad,σ1=215N ?m /rad
模糊神经网络输入变量为跟踪误差e 和u f ,误差e 和u f 取[NB NS Z PS P B ]这5个模糊变量。
为了验证加入模糊神经网络补偿器对提高系统跟踪性能的影响,在实验过程中作了对比试验,实验结果如下所述:
为了叙述方便,采用下面英文缩写来代表组成控制器的各个组成部分:
①P D 代表位置闭环P D 控制律;②DOB 代表扰观测器部分;③TF 代表基于LuGre 摩擦模型的补偿器;④F NN 代表模糊神经网络补偿器。
试验1 通过实验研究控制器对外部干扰的鲁棒性,指令信号为r (t )=015sin (πt ),系统无外加负载,系统进入稳定状态后在t =4s 处在控制端加入阶跃干扰信号du =110,P D +DOB +TF 控制器位置跟踪曲线和P D +DOB +TF +F NN 控制器位置跟踪曲线,
如图3所示。
图3 控制器对外部干扰的鲁棒性试验曲线F i g 13 The exper i m en t a l of extrna l d isturbance
由此可知,加入模糊神经网络补偿器,模糊神
经网络补偿了非线性和各种干扰因素,控制跟踪精度更高,P D +DOB +TF +F NN 控制器更好地抑制摩擦非线性影响,并对外部干扰有强鲁棒稳定性。
试验2 通过实验研究控制器对负载变化的鲁棒性。在不改变控制器参数的情况下,通过更换机
械安装负载改变控制系统惯量参数,指令信号仍为r (t )=015sin (πt ),当负载由0增加为20kg 时,P D +DOB +TF 控制器跟踪和P D +DOB +
TF +F NN 控制器跟踪曲线如图4所示。
图4 控制器对负载变化的鲁棒性试验F i g 14 The exper i m en t a l of load vary i n g
由图4可知,P D +DOB +TF 控制器能抑制摩
擦和外部干扰,并具有鲁棒稳定性,但随着被控对象惯性系统的改变,控制系统跟踪性能变差。而加入模糊神经网络补偿的控制器不但能抑制摩擦等非
线性因素和外部干扰,且当惯性系统变化时,能通过模糊神经网络的自学习能力补偿惯性系统改变带来的不确定性,控制系统跟踪性能仍然很好。
(下转第153页)
?841?控 制 工 程 第17卷
可以通过求解一类偏微分方程来解决永磁同步反馈控制问题。针对常规哈密顿反馈耗散控制方法不能很好控制系统动态性能的不足,利用哈密顿函数作为增益调度参数,提出了切换和插值混合哈密顿反馈耗散控制方法,该方法简单实用,在保证了系统稳定性的同时,改善了系统的暂态性能。仿真和实验结果表明,较固定增益参数方法,本文提出的哈密顿反馈耗散增益调度控制方法可以使得系统具有更好的动态性和稳定性。
参考文献(References):
[1] Tabuada P,Pappas G J.Abstracti ons of Ham ilt onian contr ol system s
[C].O rlando,F L,US A:Pr oceedings of40th Conference on Deci2
si on and Contr ol,2001.
[2] Choi Y J,Chung W K,Youm Y.Robust contr ol of mani pulat ors u2
sing Ha m ilt onian op ti m izati on[C].A lbuquerque,NM,US A:Pr o2
ceedings of I nternati onal Conference on Robotics and Aut omati on,
1997.
[3] Ramacher U,Nachbar P.The Ha m ilt onian app r oach t o neural net2
works dyna m ics[C].Singapore:1991I EEE I nternati onal Joint
Conference On Neural Net w orks(Cat.No.91CH306520),1991. [4] O rtega R,van der Schaft A,J,Mareels I,et al.Putting energy back
in contr ol[J].I EEE Contr ol Syste m s Magazine,2001,21(2):182
33.
[5] Cheng D,Spurgeon S.Stabilizati on of Ha m ilt onian syste m swith dis2
si pati on[J].I nternati onal Journal of Contr ol,2001,74(5):4652 473.
[6] Guo Y,Xi Z,Cheng D.Speed regulati on of per manent magnet syn2
chr onous mot or via feedback dissi pative ha m ilt onian realisati on
[J].Contr ol Theory&App licati ons,I ET,2007,1(1):2812290. [7] 暨绵浩.永磁同步电动机及其调速系统综述和展望[J].微特
电机,2007,35(3):49252.(J i M ianhao.Summarize and p r os pect
of the P MS M syste m of frequency2conversi on and ti m ing[J].S mall &Special Electrical machines,2007,35(3):49252.)
[8] Kumar R,Gup ta R,A,Singh B.I ntelligent tuned P I D contr ollers f or
P MS M drive2a critical analysis[C].Mumbai,I ndia:I EEE I nterna2 ti onal Conference on I ndustrial Technol ogy,2006.
[9] Fang C H,Huang C M,L in S K.Adap tive sliding2mode t orque con2
tr ol of a P M synchr onous mot or[J].Electric Power App licati ons,
I EE Pr oceedings,2002,149(3):2282236.
[10]L illy J H,Yang L.Slidingmode tracking f or pneumatic muscle actu2
at ors in opposing pair configurati on[J].I EEE Transacti on on Con2 tr ol Syste m s Technol ogy,2005,13(4):5502558.
[11]L in F J,W ai R J,Chen H P.A P M synchr onous servo mot or drive
with an on2line trained fuzzy neural net w ork contr oller[J].I EEE Transacti ons on Energy Conversi on,1998,13(4):3192325. [12]王家军,赵光宙,齐冬莲.反推式控制在永磁同步电动机速度跟
踪控制中的应用[J].中国电机工程学报,2004,24(8):6572 660.(W ang J iajun,Zhao Guangzhou,Q i Donglian.Speed tracking contr ol of per manent magnet synchr onous mot or with backstepp ing [J].Pr oceedings of the Csee,2004,24(8):6572660.)
[13]L iu D L,Zhao G Z.Grey feedback linearizati on s peed contr ol and
its app licati on in inducti on mot or[J].Journal of Zhejiang Universi2 ty(Science),2005,39(8):116421171.
[14]马俊功,王世富,王占林.电液伺服速度系统的模糊增益调度控
制[J].北京航空航天大学学报,2007,33(3):2942297.(Ma Jungong,W ang Shifu,W ang Zhanlin.Fuzzy gain scheduling contr ol
f or electr o2hydraulic servo vel ocity syste m]J].Journal of Beijin
g U2
niversity of Aer onautics and A str onautics,2007,33(3):2942297) [15]刘会金,张振环.基于PCH模型的APF非线性L2增益控制新
方法[J].电力系统及其自动化学报,2008,20(2):9216.(L iu Huijin,Zhang Zhenhuan.Novel monlinear L2gaincontr ol method
f or active power filter based on port contr olled ha m ilt onian model
[J].Pr oceeding of the CS U2EPS A,2008,20(2):9216.)
[16]黄祖毅,李东海,姜学智,等.倒立摆摆角全程控制的增益调度
方法[J].电机与控制学报,2004,8(2):1302133.(Huang Zuyi, L i Donghai,J ing Xuezhi,et al.Gl obal contr ol for the angle of invert2 ed pendulum with gain scheduled[J].Electric Machines and Con2 tr ol,2004,8(2):1302133.)
[17]Petr ovic V,O rtega R,Stankovic A M.A gl obally convergent energy2
based contr oller for P M synchr onous mot ors[C].Phoenix,AZ,US A:
Pr oceedings of the38th I EEE Conference,1999.
(上接第148页)
4 结 语
针对机械伺服系统控制中遇到的摩擦、外部干扰和惯性系统大范围变化等非线性和不确定性因素,本文给出了一种新的复合控制方案,通过LuGre 动态摩擦模型和干扰观测器实现了摩擦和外部干扰的动态补偿,并通过模糊神经网络在线调整动态补偿机械负载变化带来的模型参数摄动,与没有模糊神经网络补偿的控制器相比,可以在机械负载变化时取得更好的跟踪性能。
参考文献(References):
[1] Yao B M,Tom izuka M.H igh2perfor mance r obust moti on contr ol of
machine t ools:an adap tive r obust contr ol app r oach comparative ex2 peri m ents[J].I EEE Trans on Mechatr onics,2003,2(2):63276.
[2] Yao B,Fangp ing B.Adap tive r obust contr ol of single2r od hydraulic
actuat ors theory and experi m ents[J].I EEE/AS ME Trans on Mechatr onics,2004,5(2):79291.
[3] Xu L,Yao B.Out put feedback adap tive r obust p recisi on moti on
contr ol of linear mot ors[J].Aut omatica,2001,37(7):10292
1039.
[4] Yao B,Tom izuika M.Adap tive r obust contr ol of M I M O nonlinear
system s in se m i2strict feedback for m s[J].Aut omatica,2001,37
(9):130521321.
[5] 刘强.高性能机械素服系统运动控制技术综述[J].电机与控
制学报,2008,12(5):6032607.(L iu Q iang.Survey on moti on contr ol technol ogies of high perfor mance mechanical servo syste m s [J].Electric Machines and Contr ol,2008,12(5):6032607). [6] KangM S.Robust digital fricti on compensati on[J].Contr ol Engi2
neering Practice,2005,6(3):3592367.
[7] Young K D.A variable structure contr ol app r oach t o fricti on f orce
compensati on[C].Philadel phia,Pennsylvania:Pr oceedings of the American Contr ol Conference I EEE,1998.
[8] Vedagarbha P,Daws on D M.Fee m ster M.Tracking contr ol of me2
chanical syste m s in the p resence of nonlinear dyna m ic fricti on effects[J].I EEE Trans Contr ol Syste m Technol ogy,2003,7(4):
4462456.
[9] Ohnishi K,Shibata M,Muraka m i T.Moti on contr ol f or advanced
mechatr onics[J].I EEE/AS ME Transacti on on Mechatr onics,
2001,1(1):56267.
[10]于志伟,曾鸣,乔大鹏.采用复合控制的直流力矩电机摩擦补偿
[J].电机与控制学报,2008,12(5):5392544.(Yu Zhi w ei,Zeng M ing,Q iao https://www.wendangku.net/doc/be5024810.html,p lex contr ol f or fricti on compensati on in DC mot ors[J].Electric Machines and Contr ol,2008,12(5):5392 544.)
[11]Chen X,Komada S,Fukuda T.Design of a nonlinear disturbance
observer[J].I EEE Transacti on on I ndustry Electr onics,2000,47
(2):4292437.
[12]Shahruz SM.Perf or mance enhance ment of a class of nonlinear sys2
te m s by disturbance observer[J].I EEE/AS ME Trans on Mecha2 tr onics,2000,5(3):3192323.
[13]苗中华,刘成良,王旭永,等.大摩擦力矩下电液伺服系统高精
度控制与实验分析[J].上海交通大学学报,2008,42(10):
173121735.(M iao Zhonghua,L iu Chengliang,W ang Xuyong,et al.
Precisi on contr ol sche me and experi m ental analysis of hydraulic ser2 vo system with large fricti on t orque[J].Journal of Shang Hai J iao2 t ong University,2008,42(10):173121735.)
?
3
5
1
?
第2期 裘 君等:P MS M的哈密顿反馈耗散增益调度控制
神经网络与模糊控制考试题及答案
一、填空题 1、模糊控制器由模糊化接口、解模糊接口、知识库和模糊推理机组成 2、一个单神经元的输入是 1.0 ，其权值是 1.5，阀值是-2，则其激活函数的净输入是-0.5 ，当激活函数是阶跃函数，则神经元的输出是 1 3、神经网络的学习方式有导师监督学习、无导师监督学习 和灌输式学习 4、清晰化化的方法有三种：平均最大隶属度法、最大隶属度取最小/最大值法和中位数法，加权平均法 5、模糊控制规则的建立有多种方法，是：基于专家经验和控制知识、基于操作人员的实际控制过程和基于过程的模糊模型，基于学习 6、神经网络控制的结构归结为神经网络监督控制、神经网络直接逆动态控制、神网自适应控制、神网自适应评判控制、神网内模控制、神网预测控制六类 7．傅京逊首次提出智能控制的概念，并归纳出的3种类型智能控制系统是、和。 7、人作为控制器的控制系统、人机结合作为控制器的控制系统、无人参与的自主控 制系统 8、智能控制主要解决传统控制难以解决的复杂系统的控制问题，其研究的对象具备的3个特点为、和。 8、不确定性、高度的非线性、复杂的任务要求 9．智能控制系统的主要类型有、、、 、和。 9、分级递阶控制系统，专家控制系统，神经控制系统，模糊控制系统，学习控制系统，集成或者（复合）混合控制系统 10．智能控制的不确定性的模型包括两类：(1)； (2)。 10、(1)模型未知或知之甚少；(2)模型的结构和参数可能在很大范围内变化。11．控制论的三要素是：信息、反馈和控制。 12．建立一个实用的专家系统的步骤包括三个方面的设计，它们分别是、 和。知识库的设计推理机的设计人机接口的设计 13．专家系统的核心组成部分为和。知识库、推理机 14．专家系统中的知识库包括了3类知识，它们分别为、、 和。判断性规则控制性规则数据
模糊神经网络技术研究的现状及展望
模糊神经网络技术研究的现状及展望 摘要：本文对模糊神经网络技术研究的现状进行了综述，首先介绍了模糊控制技术和神经网络技术的发展，然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性，接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述，指出了目前模糊神经网络的研究发展中还存在的一些问题，并对模糊神经网络的发展进行了展望。 关键字：模糊控制；神经网络；模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此，通过模拟人类学习和自适应能力，人们提出了智能控制的思想。控制理论专家Austrom（1991）在IFAC大会上指出：模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法，各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点，避免了两者的缺点，已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年，英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制，提出了模糊控制论。至今，模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮，其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆，分类和优化计算等功能，在解决高度非线性和严重不确定系统的控制问题方面，显示了巨大的优势和潜力模糊控制系统与神经网络系统具有整体功能的等效性[2]，两者都是无模型的估计器，都不需要建立任何的数学模型，只需要根据输入的采样数据去估计其需要的决策：神经网络根据学习算法，而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上，两者具有相同的正规数学特性，且共享同一状态空间[3]。 另一方面，模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射，但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合，后者正好弥补前者的这点不足，而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度。因此，模糊逻辑和神经网络虽然有着本质上的不同，但由于两者都是用于处理不确定性问题，不精确性问题，两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4]；Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT，Fuzzy Approximation Theorem)[5]；Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系，正是由于这类理论上的共性，才使模糊逻辑和神经网络的结合成为可能。 2 模糊神经网络的学习算法 各种类型的模糊神经网络学习算法的共同方面是结构学习和参数学习两部分。结构学习是指按照一定的性能要求确定模糊系统的推理规则的条数，每条规则的前提和结论的隶属度函数以及由清晰化得到具体的规则数。参数学习是指进一步细化各隶属函数的参数以及模糊规则的其他参数，以使系统达到最优。结构学习主要是从输入输出数据中提取规则或由输入空间模糊划分获得规则，主要有启发式搜索、模糊网格法、树形划分法、基于模糊聚类的学习算
模糊神经网络讲义
模糊神经网络（备课笔记） 参考书： 杨纶标，高英仪。《模糊数学原理及应用》（第三版），广 州：华南理工大学出版社 彭祖赠。模糊数学及其应用。武汉：武汉科技大学 胡宝清。模糊理论基础。武汉：武汉大学出版社 王士同。模糊系统、模糊神经网络及应用程序设计。 《模糊系统、模糊神经网络及应用程序设计》 本书全面介绍了模糊系统、模糊神经网络的基本要领概念与原理，并以此为基础，介绍了大量的应用实例及编程实现实例。 顾名思义，模糊神经网络就是模糊系统和神经网络的结合，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。 选自【模糊神经网络P17】 预备知识 复杂的东西是难以精确化的，这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授（美国加利福尼亚大学）所说：“当系统的复杂性增加时，我们使它精确化的能力将减小。直到达到一个阈值，一旦超越它，复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们，复杂性越高，有意义的精确化能力就越低；而复杂性意味着因素众多，以致人们往往不可能同时考察所有因素，只能把研究对象适当简化或抽象成模型，即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时，即使本来是明确的概念，也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰，如“光滑铰链”这个力学模型，什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义，客观上两者之间没有绝对分明的界限；主观上，决策者对此类非程序化决策做出判断时，主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏，本来有很多因素，比如人品、性格、相貌
神经网络预测控制综述
神经网络预测控制综述 摘要：近年来，神经网络预测控制在工业过程控制中不仅得到广泛的应用，而且其理论研究也取得了很大进展。对当前各种神经刚络预测控制方法的现状及其工业应用进行了较深入地分析，并对其存在的问题和今后可能的发展趋势作了进一步探讨。 关键词：神经网络；预测控制：非线性系统；工业过程控制 Abstract: In recent years, neural network predictive control has not only been widely used in industrial process control, but also has made great progress in theoretical research. The current status of various neural network prediction control methods and their industrial applications are analyzed in depth, and the existing question and possible future development trends are further discussed. Keywords: neural network; predictive control: nonlinear system; industrial process control
20世纪70年代以来，人们从工业过程的特点出发，寻找对模型精度要去不高而同样能实现高质量控制性能的方法，预测控制就是在这种背景下发展起的[1]。预测控制技术最初山Richalet和Cutler提出[2],具有多步预测、滚动优化、反馈校正等机理，因此能够克服过程模型的不确定性，体现出优良的控制性能，在工业过程控制中取得了成功的应用。如Shell公司、Honeywell公司、Centum 公司，都在它们的分布式控制系统DCS上装备了商业化的预测控制软件包．并广泛地将其应用于石油、化工、冶金等工业过程中[3]。但是，预测函数控制是以被控对象的基函数的输出响应可以叠加为前提的，因而只适用于线性动态系统控制。对于实际中大量的复杂的非线性工业过程。不能取得理想的控制效果。而神经网络具有分布存储、并行处理、联想记忆、自组织和自学习等功能，以神经元组成的神经网络可以逼近任意的：线性系统。使控制系统具有智能化、鲁棒性和适应性，能处理高维数、非线性、干扰强、难建模的复杂工业过程。因此，将神经网络应用于预测控制，既是实际应用的需要，同时也为预测控制理论的发展开辟了广阔的前景。本文对基于神经网络的预测控制的研究现状进行总结，并展望未来的发展趋势。 l神经网络预测控制的基本算法的发展[4] 实际中的控制对象都带有一定的菲线性，大多数具有弱非线性的对象可用线性化模型近似，并应用已有的线性控制理论的研究成果来获得较好的控制效果。而对具有强非线性的系统的控制则一直是控制界研究的热点和难点。 就预测控制的基本原理而言，只要从被控对象能够抽取出满足要求的预测模型，它便可以应用于任何类型的系统，包括线性和非线性系统。 由于神经网络理论在求解非线性方面的巨大优势，很快被应用于非线性预测控制中。其主要设计思想是：利用一个或多个神经刚络，对非线性系统的过程信息进行前向多步预测，然后通过优化一个含有这些预测信息的多步优化目标函数，获得非线性预测控制律。在实际应用与理论研究中形成了许多不同的算法。如神经网络的内模控制、神经网络的增量型模型算法控制等，近来一些学者对有约束神经网络的预测控制也作了相应的研究。文献[5]设计了多层前馈神经网络，使控制律离线求解。文献[6]采用两个网络进行预测，但结构复杂，距离实际应用还有一定的距离，文献[7]利用递阶遗传算法，经训练得出离线神经网络模型．经多步预测得出对象的预测模型，给出了具有时延的非线性系统的优化预测控制。将神经网络用于GPC的研究成果有利用Tank．Hopfield网络处理GPC矩阵求逆的算法，基于神经网络误差修正的GPC算法、利用小脑模型进行提前计算的GPC 算法、基于GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预
智能控制导论报告BP神经网络模糊控制
智能控制导论实验报告 2012-01-09 姓名：_______________ 常青_________ 学号：0815321002 班级：____________ 08自动化 指导老师：___________ 方慧娟________
实验一：模糊控制器设计与实现 一、实验目的 1. 模糊控制的特征、结构以及学习算法 2. 通过实验掌握模糊自整定PID 的工作原理 二、实验内容 已知系统的传递函数为：1/(10s+1)*e(-0.5s) 。假设系统给定为阶跃值r=30 ，系统初始值r0=0. 试分别设计 (1) 常规的PID 控制器； (2) 常规的模糊控制器； (3) 比较两种控制器的效果； (4) 当通过改变模糊控制器的比例因子时，系统响应有什么变化？ 三、实验设备 Matlab 7.0 软件/SIMULINK 四、实验原理 1.模糊控制 模糊逻辑控制又称模糊控制，是以模糊集合论，模糊语言变量和模糊逻辑推理为基础的一类计算机控制策略，模糊控制是一种非线性控制。图1-1 是模糊控制系统基本结构，由图可知模糊控制器由模糊化，知识库，模糊推理和清晰化(或去模糊化)四个功能模块组成。
控制的。其传递函数的形式是: G(s) k p(1 T I S T D S），PID控制原理 针对模糊控制器每个输入，输出，各自定义一个语言变量。因为对控制输出的判断，往往不仅根据误差的变化，而且还根据误差的变化率来进行综合评判。所以在模糊控制器的设计中，通常取系统的误差值e和误差变化率ec为模糊控制器的两个输入，则在e的论域上定义语言变量“误差 E ” ，在ec的论域上定义语言变量“误差变化EC ” ；在控制量u的论域上定义语言变量“控制量U”。 通过检测获取被控制量的精确值，然后将此量与给定值比较得到误差信号e，对误差取微分得到误差变化率ec,再经过模糊化处理把分明集输入量转换为模糊集输入量，模糊输入变量根据预先设定的模糊规则，通过模糊逻辑推理获得模糊控制输出量，该模糊输出变量再经过去模糊化处理转换为分明集控制输出量。 2.PID控制 在模拟控制系统中，控制器最常用的控制规律是PID控制。PID 控制器是一种线性控制器。它根据给定值与实际输出值之间的偏差来 框图如图1-2所示。
基于神经网络的模糊控制
基于神经网络的仿真实验 一、实验目的 1．熟悉神经网络的结构、特征及学习算法 2．通过实验掌握利用神经网络进行样本学习与训练的方法。 3．通过实验了解神经网络的结构、权值、学习速率、动量因子对控制效果的影响。 4．通过实验掌握用Matlab 实现神经网络控制系统仿真的方法 二、实验内容 1．给出仿真系统的设计过程和程序清单。 2．记录实验数据和曲线 三、实验步骤 1．在Matlab 下依据原理编写仿真程序并调试。 2．给定输入信号，或训练样本，运行程序，记录实验数据和控制曲线 3．修改神经网络结构参数，如权值、学习速率、动量因子、隐含层神经元个数等，重复步骤（2） 四、实验要求 1. 使用BP 网络逼近对象： 采样时间取2ms,输入信号为u(k)=2sin(10πt),神经网络为3-10-2结构,权值W1,W2的初始取值取[-1,+1]之间的随机值,取η=0.80,α=0.06。 2．取标准样本为3 神经网络为3-12-2结构,权值的初始取值取[-1,+1]之间的随机值,取η =0.70,α=0.05，训练最终目标为 。 3．被控对象为 输入指令为一方波信号：))4sgn(sin(8.0)(t k rin π=,采样时间为1ms ，η=0.60，采用有监督Hebb 学习实现权值的学习，初始权值取 [][]2.0,15.015.015.0321===K w w w W 五、实验程序 1.clear all; 清除所有文件； close all; 关闭所有已开文件； xite=0.80; 惯性系数为0.8； alfa=0.06; 学习速率为0.06； w2=rands(6,1); 初始化隐含层与输出层6行1列的权值矩阵； s t k y k y k u k yout 5.0) 1(1)1()()(2 3 ≤-+-+=) 2(632.0)1(10.0)2(26.0)1(368.0)(-+-+-+-=k u k u k y k y k y 1010-=E
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@https://www.wendangku.net/doc/be5024810.html, 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。
模糊神经网络的基本原理与应用概述
模糊神经网络的基本原理与应用概述 摘要：模糊神经网络（FNN）是将人工神经网络与模糊逻辑系统相结合的一种具有强大的自学习和自整定功能的网络,是智能控制理论研究领域中一个十分活跃的分支,因此模糊神经网络控制的研究具有重要的意义。本文旨在分析模糊神经网络的基本原理及相关应用。 关键字：模糊神经网络，模糊控制，神经网络控制，BP算法。 Abstract:A fuzzy neural network is a neural network and fuzzy logic system with the combination of a powerful. The self-learning and self-tuning function of the network, is a very intelligent control theory research in the field of active branches. So the fuzzy neural network control research has the vital significance. The purpose of this paper is to analysis the basic principle of fuzzy neural networks and related applications. Key Words: Fuzzy Neural Network, Fuzzy Control, Neural Network Control, BP Algorithm.
1人工神经网络的基本原理与应用概述 人工神经网络的概念 人工神经网络(Artificial Neural Network,简称ANN)是由大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统,它使用大量简单的相连的人工神经元来模仿生物神经网络的能力,从外界环境或其它神经元获得信息,同时加以简单的运算,将结果输出到外界或其它人工神经元。神经网络在输入信息的影响下进入一定状态,由于神经元之间相互联系以及神经元本身的动力学特性,这种外界刺激的兴奋模式会自动地迅速演变成新的平衡状态,这样具有特定结构的神经网络就可定义出一类模式变换即实现一种映射关系。由于人工神经元在网络中不同的联接方式,就形成了不同的人工神经网络模式,其中误差反向传播网络(Back-Propagation Network,简称BP网络)是目前人工神经网络模式中最具代表性,应用得最广泛的一种模型【1,2】。 人工神经网络研究的发展简史 人工神经网络的研究己有近半个世纪的历史但它的发展并不是一帆风顺的,神经网络的研究大体上可分为以下五个阶段[3]。 (1) 孕育期(1956年之前):1943年Mcculloch与Pitts共同合作发表了“A logical calculus of ideas immanent in Nervous Activity”一文,提出了神经元数学模型(即MP模型)。1949年Hebb提出Hebb学习法则,对神经网络的发展做出了重大贡献。可以说,MP模型与学习规则为神经科学与电脑科学之间架起了沟通的桥梁,也为后来人工神经网络的迅速发展奠定了坚实的基础。 (2)诞生期(1957年一1968年):1960年Widrow提出了自适应线性元件模型,Rossenbaltt在1957年提出了第一种人工神经网络模式一感知机模式,由二元值神经元组成,该模式的产生激起了人工神经网络研究的又一次新高潮。(3)挫折期(1969年一1981年):1969年Minsky等人写的《感知机》一书以数学方法证明了当时的人工神经网络模式的学习能力受到很大限制。之后,人工神经网络的研究一直处于低潮。
模糊神经网络控制器的优化设计
文章 @=D N =D CM 9=C 8
络辨识器!"##$ 及被控对象%控制器的输入为偏差&和偏差变化率’&(输出为控制量)%神经网络辨识器!"##$ 用来逼近被控对象输出( 由其提供被控对象输出对输入的导数信息 %B (@4*(+C B 4*(+(D(E - 输出>A @B !+$4H I @B 4678!?@B !+$ $(@4*(+C B 4*(+(D E -式中F @B 与G @B 分别为高斯函数的中心值及宽度值参数2J $第三层!模糊规则层$> 该层的每个结点代表*条规则2输入>?!J $!B 5*$E ;K 4A !+$*B A !+$ +K ( B 4*(+(D(E C K 4*(+(D(E -输出>A !J $@4H @ 4?!J $@(@4*(+(D L !4E +$-M $第四层!输出层$> 所有规则层结点均与该层结点连接(完成解模糊(每个连接权代表该条规则输出隶属函数的中心值2 输入>?!M $ 4N L O 4* A O !J $P O (P O 为输出层连接权值-输出>A !M $4)Q 4 ?!M $ N L O 4* A !J $ O - * **第R 期 模糊神经网络控制器的优化设计 万方数据
智能控制题库
智能控制题库
1. 试说明智能控制的的基本特点是什么？ （1）学习功能（1分）（2）适应功能（1分）（3）自组织功能（1分） （4）优化能力（2分） 2、试简述智能控制的几个重要分支。 专家控制、模糊控制、神经网络控制和遗传算法。 3、试说明智能控制研究的数学工具。 智能控制研究的数学工具为：（1）符号推理与数值计算的结合；（2）离散事件与连续时间系统得结合；（3）模糊集理论；（4）神经网络理论；（5）优化理论 4.智能控制系统有哪些类型，各自的特点是什么？ （1）专家控制系统（1分） 专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验。它具有启发性、透明性、灵活性、符号操作、不一确定性推理等特点。（2）模糊控制系统（1分） 在被控制对象的模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。（3）神经控制系统（1分） 神经网络具有某些智能和仿人控制功能。学习算法是神经网络的主要特征。 5、简述专家控制与专家系统存在的区别。 专家控制引入了专家系统的思想，但与专家系统存在区别：（1）专家系统能完成专门领域的功能，辅助用户决策；专家控制能进行独立的、实时的自动决策。专家控制比专家系统对可靠性和抗干扰性有着更高的要求。
（2）专家系统处于离线工作方式，而专家控制要求在线获取反馈信息，即要求在线工作方式。 6、试说明智能控制的三元结构，并画出展示它们之间关系的示意图。 把智能控制扩展为三元结构，即把人工智能、自动控制和运筹学交接如下表示：（2分） IC=AI∩AC∩OR OR一运筹学（Operation research）IC一智能控制( intelligent control); Al一人工智能(artificial intelligence); AC一自动控制(automatic Colltrol); ∩一表示交集. 8. 简述智能控制系统较传统控制的优点。 在传统控制的实际应用遇到很多难解决的问题，主要表现以下几点：（1）实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，无法获得精确的数学模型。(1分)（2）某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述，即无法解决建模问题。(1分)（3）针对实际系统往往需要进行一些比较苛刻的线性化假设，而这些假设往往与实际系统不符合。(1分)（4）实际控制任务复杂，而传统的控制任务要求低，对复杂的控制任务，如机器人控制、CIMS、社会经济管理系统等复杂任务无能为力。(1分) 智能控制将控制理论的方法和人工智能技术灵活地结合起来，其控制方法适应对象的复杂性和不确定性,能够比较有
模糊控制与神经网络
BP神经网络 BP (Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。 如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。 在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 神经网络 神经网络是： 思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。 逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面： （1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。 （2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。 （3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。 （4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。 纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。 【人工神经网络的工作原理】 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
智能控制技术试卷
一、选择题 1、蔡自兴教授提出智能控制系统的四元结构,认为智能控制就是人工智能、控制理论、系统理论与运筹学四种学科的交叉。 2、专家就是指在某一专业领域内其专业知识与解决问题的能力达到很高水平的学者。 3、专家系统中的知识按其在问题求解中的作用可分为三个层次,即数据级、知识库级与控制级。 4、不确定性知识的表示有三种:概率、确定性因子与模糊集合。 5、Hebb学习规则就是一种无教师的学习方法,它只根据神经元连接间的激活水平改变权值,因此这种方法又称为相关学习与并联学习。 6、交叉运算就是两个相互配对的染色体按某种方式相互交换其部分基因,从而形成两个新的个体。 二、判断题 1、IEEE控制系统协会把智能控制归纳为:智能控制系统必须具有模拟人类学习与自适应的能力。( T ) 2、不精确推理得出的结论可能就是不确定的,但会有一个确定性因子,当确定性因子超过某个域值时,结论便不成立。( F ) 3、一般的专家系统由知识库、推理机、解释机制与知识获取系统等组成。( T ) 4、人机接口就是专家系统与领域专家、知识工程师、一般用户间进行交互的界面,由一组程序及相应的硬件组成,用于完成知识获取工作。( F ) 5、Hopfield神经网络就是反馈神经网络中最简单且应用广泛的模型,它具有联想记忆的功能。( F ) 6、知识就是将有关的信息进一步关联在一起,形成了更高层次含义的一种信息结构,信息与关联就是构成知识的两个基本要素。( T ) 7、建造知识库涉及知识库建造的两项主要技术就是知识获取与知识存放。( F ) 8、模糊控制系统往往把被控量的偏差(一维)、偏差变化(二维)以及偏差的变化率(三维) 作为模糊控制器的输入。( T ) 9、RBF网络的学习过程与BP网络的学习过程就是类似的,两者的主要区别在于使用了相同的激励函数。( F ) 10、应用遗传算法求解问题时,在编码方案、适应度函数及遗传算子确定后,算法将利用进化过程中获得的信息自信组织搜索。( T ) 三、简答题 1、分别说明专家系统与专家控制系统？ 答:专家系统就就是利用存储在计算机内的某一特定领域内人类专家的知识,来解决过去需要人类专家才能解决的现实问题的计算机系统。专家控制就是将人工智能领域的专家系统理论与技术与控制理论方法与技术相结合,仿效专家智能,实现对较为复杂问题的控制。基于专家控制原理所设计的系统称为专家控制系统。 2、人工神经网络中两种典型的结构模型就是什么？它们进行学习时具有哪些特点？ 答:两种典型的结构模型就是前馈神经网络与反馈神经网络。前馈神经网络有感知器与BP 网络等;主要采用 学习规则,这就是有教师学习方法。反馈神经网络有Hopfield神经网络、Boltzmann机网络等;主要采用Hebb学习规则,概率式学习算法。 3、应用遗传算法计算时,设计编码的策略与编码评估准则(即编码原则)就是什么？ 答:设计编码策略:(1)完备性(2)健全性(3)非冗余性 编码评估准则,即编码原则:(1)有意义基因块编码规则(2)最小字符集编码原则。
一种递归模糊神经网络自适应控制方法
一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙 炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘 要: 构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词: 递归模糊神经网络;自适应控制;交流伺服中图分类号: TP183 文献标识码: A 文章编号: 037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract : A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words : recurrent fuzzy neural network ;adaptive control ;AC servo 1 引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1～3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4～7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2 RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121) 第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34 N o.12 Dec. 2006
昆工智能控制试题附答案
一、填空题 1．智能控制是一门新兴的交叉学科学科，它具有非常广泛的应用领域，例如在机器人控制中的应用、在过程控制中的应用、飞行器控制和。 1、交叉学科在机器人控制中的应用在过程控制中的应用飞行器控制 2．传统控制包括经典反馈控制和现代理论控制。 3．一个理想的智能控制系统应具备的基本功能是、、和。 3 、学习功能适应功能自组织功能优化能力 4．智能控制中的三元论指的是：、和。 4、运筹学，人工智能，自动控制 5．近年来，进化论、、和等各门学科的发展给智能控制注入了巨大的活力，并由此产生了各种智能控制方法。 5、神经网络模糊数学专家系统 6．智能控制方法比传统的控制方法更能适应对象的、和 。6、时变性非线性不确定性 7．傅京逊首次提出智能控制的概念，并归纳出的3种类型智能控制系统是 、和。 7、人作为控制器的控制系统、人机结合作为控制器的控制系统、无人参与的自主控 制系统 8、智能控制主要解决传统控制难以解决的复杂系统的控制问题，其研究的对象具备的3个特点为、和。 8、不确定性、高度的非线性、复杂的任务要求 9．智能控制系统的主要类型有、、、、和。 9、分级递阶控制系统，专家控制系统，神经控制系统，模糊控制系统，学习控制系统，集成或者（复合）混合控制系统 10．智能控制的不确定性的模型包括两类：(1) ； (2) 。 10、(1)模型未知或知之甚少；(2)模型的结构和参数可能在很大范围内变化。11．控制论的三要素是：信息、反馈和控制。 12．建立一个实用的专家系统的步骤包括三个方面的设计，它们分别是、和。知识库的设计推理机的设计人机接口的设计13．专家系统的核心组成部分为和。知识库、推理机 14．专家系统中的知识库包括了3类知识，它们分别为、、和。判断性规则控制性规则数据 15．专家系统的推理机可采用的3种推理方式为推理、和推理。 15、正向推理、反向推理和双向推理 16．根据专家控制器在控制系统中的功能，其可分为和。