模糊神经网络的优点范文1
随着社会工业化速度的不断加速，能源的竞争愈来愈激烈。生物质能源作为一种可再生的清洁能源被广泛认可，生物气化技术就是利用生物质能的一种有效手段，对经济的发展和环境的保护都起到积极作用。但是，生物气化技术是一种热化学处理技术，其工作过程十分复杂，包含着大量的不确定因素，这就需要运用生物质气化炉的智能控制系统来达到预期的控制效果。新形势下，积极运用模糊神经网络对生物质气化炉进行智能控制，是实现可靠控制效果的重要举措。
【关键词】模糊神经网络 生物质气化炉 智能控制
生物质气化过程是一项复杂化学反应过程，具有非线性、不稳定性、负荷干扰等特性，只有实行智能控制才能受到良好的控制效果。模糊神经网络作为智能研究比较活跃的领域，有效融合了神经网络和模糊理论的优点，能够有效的解决生物质气化过程中的非线性、模糊性等问题，既保证控制的精确度，又能进行快速地升降温。本文通过对模糊神经网络的内涵特征进行全面分析，阐述了基于模糊神经网络的生物质气化炉的智能控制，并通过仿真实验进行反复验证。
1 模糊神经网络的内涵功能
简而言之模糊神经网络就是具有模糊权值和输入信号的神经网络。模糊神经网络是自动化控制领域内一门新兴技术，其本质上是将常规的神经网络输入模糊信号，因而模糊神经网络具备了模糊系统和神经网络的优势，集逻辑推理、语言计算等能力于一身，具有学习、联想、模糊信息处理等功能。模糊神经网络是智能控制和自动化不断发展的产物，在充分利用神经网络的并行处理能力的基础上，大大提高了模糊系统的推理能力。
模糊神经网络是科技发展的产物，有效吸收了神经网络系统和模糊系统的优点，在智能控制和自动化发展等方面有着重要的作用，能够有效地处理非线性、模糊性等诸多问题，在处理智能信息方面能够发挥巨大潜力。模糊神经网络形式多种多样，主要包括逻辑模糊神经网络、算术模糊神经网络、混合模糊神经网络等多种类型，被广泛的运用于模糊回归、模糊控制器、模糊谱系分析、通用逼近器等方面的研究中，随着智能控制和自动化领域的不断发展，模糊神经网络广泛应用于智能控制领域。
2 基于模糊神经网络的生物质气化炉的智能控制系统
2.1 温度智能控制系统
生物质热值、给料理以及一次风量等因素变化能够影响到生物质气化炉的炉温，但是最重要的影响因素是在气化炉工作过程中物料物理和化学反应的放热和吸热。由于生物质气化工作过程中的生物质热值的变化范围较小，在实际运行中很难测量与控制，有时可以忽略不计，同时，该工作过程中存在非线性和大滞后等问题，采用传统的数学模型达不到预期测量效果，因此需要利用模糊神经网络设计气化炉炉温控制系统，不断的提高温度的控制效果。模糊神经网络首先根据当前温度以及设定温度设，主控制器对最优的生物质物料添加量进行预测，然后由副控制根据该添加量，全面跟踪控制送料速度，从而能够进行精确上料和控制炉温。模糊神经网络系统十分庞大复，其中包含了大量错综复杂的神经元，蕴含对非线性的可微分函数训练权值的基本理念。模糊神经网络具有正向传递和反向传播两个不同的功能，在信息的正向传递中，采用逐步运算的方式对输入的数据信息进行处理，信息依次进入输入层、隐含层最终到达输出层。假如在输出层获得的输出信息没达到预期效果时，就会在计算输出层的偏差变化值后通过网络将偏差信号按原路反向传回，与此同时各层神经元的权值也会随之进行改变，直到符合预期的控制效果。
2.2 含氧量智能控制系统
在生物质气化工作过程中，可燃气体的含氧量是衡量其生产质量的重要依据，能够严重影响气化产物的安全使用，因此，通过模糊神经网络实现生物质气化炉含氧量的智能控制十分重要。其含氧量智能控制系统的目的是为了合理控制可燃气体的含氧量，从而稳定气化炉的温度。但是，一次风进风量是影响可燃气体的含氧量的重要因素，所以可以把控制一次风量作为主要调节手段，有效地解决含氧量控制和炉温控制之间的矛盾，在控制炉温的前提条件下，最大程度地降低可燃气体含氧量，进而有效控制气化产物含氧量的。生物质气化炉含氧量的智能控制系统是严格运用模糊神经网络控制原理，主控制器采用温度模糊免疫 PID控制，根据炉内含氧量和温度的偏差进行推算，查找出鼓风机转速的最优状态，副控制则以此为根据，全面跟随与控制鼓风机的速度，确保鼓风机转速。生物质气化炉工作过程中的不同阶段和部件具有不同的控制要求，模糊神经网络就要充分发挥被控对象的优良性能，根据不同的控制要求，合理运用模糊神经网络控制原理对 PID参数模型中的数据信息进行在线修改，从而达到预期的控制效果。
3 基于模糊神经网络的生物质气化炉智能控制系统的仿真实验
为了验证运用模糊神经网络进行生物质气化炉的智能控制的真实效果，对生物质气化炉的温度智能控制系统进行仿真实验，并进行详细地分析。为了保证生物质气化炉能够在条件大体一致的状态下进行运行状况，仿真实验可以采用组合预测算法。首先要到某厂气化炉现场采集2000组干燥层温度数据，并且从中选取连续1500组作为仿真实验样本数据，然后对剩余500组实验样本数据进行研究，通过两组数据的分析建立预测模型。然后采用模糊神经网络对生物质气化炉的温度控制系统进行三次模拟化实验，三种不同情况下的仿真试验结果为：在无外界任何干扰的情况下，模糊神经网络控制无论在超调量还是其他方面，都比单纯的模糊控制效果好；在生物质给料量扰动的情况下，模糊神经网络控制要比单纯的模糊控制所受的影响要小很多；在发生一次风量搅动的情况下，模糊神经网络控制仍受到极小的影响。从三种不同情况下的仿真试验中可以看出基于模糊神经网络的生物质气化炉的炉温智能控制系统效果较好，具有极强的抗干扰性，能够有效地预测气化炉温度实时值，把平均误差控制在很小范围内，并且智能控制系统能实时跟踪实际温度的变化，根据实际温度的变化做出相应的变化，从而能够有效地控制气化炉温度和可燃气体含氧量。
4 结束语
总之，基于模糊神经网络的生物质气化炉的智能控制系统具有较好的控制效果，有效的解决了生物质气化过程中的一系列问题，能够十分精确地控制生物质气化炉的炉温及可燃气体的含氧量，对于保证社会经济的稳定发展以及生态环境的改善发挥了重要作用。
参考文献
[1]王春华.基于模糊神经网络的生物质气化炉的智能控制[J].动力工程，2009（09）：828-830.
[2]王中贤.热管生物质气化炉的模拟与试验[J].江苏大学学报：自然科学版，2008，29（6）：512-515.
模糊神经网络的优点范文2
关键词：无刷直流电机；PID；模糊控制；BP神经网络；模糊神经网络（FNN）
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）17-0185-03
Abstract： Based on the traditional PID control， the brushless dc motor speed the introduction of Fuzzy control， Fuzzy PID controller is designed. Then the Fuzzy control and neural network are integrated， make the membership functions and fuzzy rules and fuzzy reasoning mapping of BP network structure and parameters， extracting of Fuzzy PID controller input/output data， training the BP neural network， construction of fuzzy neural network （FNN） controller， the brushless dc motor speed loop stability control is realized. System simulation results show that Fuzzy PID and Fuzzy neural network control strategy is superior to traditional PID control， and the adaptive ability of the control system of brushless motor， the dynamic and static performance， and obviously improve the ability to resist load disturbance.
Key words： Brushless dc motor； PID； Fuzzy control； BP neural network； fuzzy neural network （FNN）
无刷直流电机的产生凭借其体积小、重量轻、结构简单、维护方便、运行可靠、效率高等诸多优点，在许多领域得到了广泛应用[1]。由于无刷直流电机调速控制系统是多变量、强耦合的非线性系统，而传统的 PID 控制只适用于线性系统，并且主要依赖于系统精确的数学模型，在一些要求高精度、高性能的场合，PID 调速已不能满足较高的控制要求。因此，研究采用新型智能化控制方法提高控制系统的整体性能具有重要意义。
模糊控制是智能控制的一个重要分支，它是一种以模糊集合论、模糊语言变量和模糊逻辑推理为基础的计算机控制[2-4]。人工神经网络是从微观结构和功能上对人脑神经系统的模拟而建立起来的一类模型，具有非线性、学习能力和自适应特征[5]。
本文将模糊控制和神经网络控制相融合，优势互补，设计了一个模糊神经网络控制器对无数直流电机的转速环进行控制。通过仿真实验与传统PID控制进行比较研究。
1 PID控制
PID控制是将经过反馈后得到的误差信号分别进行比例、积分和微分运算叠加得到控制器输出信号。常规PID控制系统仿真模型如图1所示。
式中，KP为比例系数，为积分时间常数，[τ]为微分时间常数，三者都是可调参数。在实际应用中多是通过试凑法来确定PID的参数。
2 模糊PID控制器
模糊控制器设计：结构如图2所示。输入为偏差e和偏差变化率[ec=de/dt]，输出量为实际控制量u。偏差 E、EC、U 的模糊子集均取：{NB，NM，NS，ZO，PS，PM，PB}，论域均为[-6，6]，选取正态分布隶属度函数。当控制系统输入为2500rpm时，设置比例因子分别为[ke=0.0024]，[kec=0.000022]，[ku=416]。对应的模糊控制规则如表1所示。
基于Matlab 2009a软件环境，对无刷电机（BLDCM）和逆变器模型搭建Simulink仿真模型。BLDCM参数：额定功率 P=1kW，额定转速[ne]=3000rpm，定子绕组相电阻R=2.875?，绕组自感L=8.5mH，互感M=1.2mH，转动惯量[J=0.008kg?m2]，极对数[p=4]。参数设置：给定2500rpm，采样周期[Ts=5×10-5s]，PID参数：[kp=100]，[ki=5]，[kd=0.1]。PID与模糊控制器切换点设置为12。模糊PID控制的无刷直流电机控制系统仿真模型如图3所示。
3 基于 BP神经网络的模糊神经网络控制器
BP神经网络是一种多层前馈神经网络[6]，其结构如图6所示，网络由输入层、隐层、输出层组成。结构为i-j-m。[wij]为输入到隐层连接权，[wjm]为隐层到输出的连接权。
本文采用单输入/单输出的网络结构，隐层取15个神经元，即网络结构为1-15-1。将图3所示的模糊PID控制系统采集误差e和控制器输出u，作为网络的输入、输出量，共采集1000组数据样本，归一化后输入网络进行离线训练。参数设置：误差精度设置为0.00001，隐层函数为“tansig”，输出层函数选择“purelin”，训练方式为“trainlm”，该方法具有较快的收敛速度。将训练好的BP网络提取Simulink模型后作为模糊神经网络控制器，导入至电机控制系统，置换PID控制器如图7所示。然后还需调节归一化、反归一化参数，并进行给定输入、负载扰动作用下的实验。
负载扰动为3[N?m]，输入启动信号为2500rpm，测试响应曲线。将PID和FNN两种控制方法的转速仿真结果归纳为一个图，如图8所示。图中FNN表示模糊神经网络控制器。常规PID控制器参数：[kp=17] [ki=0.013]，[kd=0]。两种方法控制器限幅值均为[-500，500]。
由图8明显看出，采用模糊神经网络控制性能比PID控制好很多，达到无超调，响应速度很快，抗负载扰动能力很强，而PID控制无论启动还是抗干扰适应能力弱。从而证明了模糊神经网络控制的优越性。
模糊控制与神经网络方法融合，是将神经网络的学习能力引入到模糊控制系统中，用神经网络来实现模糊控制中的模糊化、模糊推理、精确化计算。需要采集输入样本数据用 BP 算法对网络进行离线训练；利用训练好的网络，在线计算得到最佳输出。这种控制模式反应速度快，而且能充分发挥神经网络的自学习功能和联想记忆能力，对于未在训练样本中出现的情况，也可以通过联想记忆功能，做出最优控制决策，表现非常灵活。
在 Simulink仿真环境下建立模糊神经网络控制器模型后，即可实现模糊神经网络控制器与Power System Blockset仿真环境的有效连接。
5 结论
在 MATLAB环境中对无刷直流电机调速控制系统速度环进行PID控制仿真。在此基础上，设计了模糊PID控制器、模糊神经网络控制器，建立了无刷直流电机调速系统的仿真模型，并进行了给定输入、负载扰动作用实验。仿真实验结果曲线表明模糊PID控制、模糊神经网络控制均优于常规PID控制，动静态得到较大提高，尤其是模糊神经网络控制器具有较强的自学习、自适应和抗扰动能力，系统的可靠性、稳定性和鲁棒性好，从而证明了本文方法的有效性。
参考文献：
[1] 曹少泳. 基于 DSP 的 BLDCM 无位置传感器模糊 PID 调速系统的研究[D]. 华南理工大学，2007.
[2] 姜长生，王从庆，等. 智能控制与应用[M]. 科学出版社，2007：75-79.
[3] 韩俊峰，李玉惠. 模糊控制技术[M]. 重庆大学出版社，2003.
[4] 刘曙光，魏俊民，竺志超. 模糊控制技术[M]. 中国纺织出版社，2001.
模糊神经网络的优点范文3
[关键词]遗传算法 灰色系统 专家系统 模糊控制 小波分析
一、前言
神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段：1947~1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则， 如MP模型、HEBB学习规则和感知器等；1970~1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984年，Hiton教授提出Boltzman机模型。1986年Kumelhart等人提出误差反向传播神经网络，简称BP网络。目前，BP网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮。神经网络具有以下优点：
(1) 具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。
(2) 并行处理方法，使得计算快速。
(3) 自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。
(4) 可以充分逼近任意复杂的非线性关系。
(5) 具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。
二、神经网络应用现状
神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下：
(1) 图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。
(2) 信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。
(3) 模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。
(4) 机器人控制。对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。
(5) 卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于BP网络的波形分类和特征提取在计算机临床诊断中的应用。
(6) 焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。
(7) 经济。能对商品价格、股票价格和企业的可信度等进行短期预测。
(8) 另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。
三、神经网络发展趋势及研究热点
1.神经网络研究动向
神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。
(1) 神经计算的基础理论框架以及生理层面的研究仍需深入。这方面的工作虽然很困难，但为了神经计算的进一步发展却是非做不可的。
(2) 除了传统的多层感知机、径向基函数网络、自组织特征映射网络、自适应谐振理论网络、模糊神经网络、循环神经网络之外，一些新的模型和结构很值得关注，例如最近兴起的脉冲神经网络(spiking neural network)和支持向量机(support vector machine)。
(3) 神经计算技术与其他技术尤其是进化计算技术的结合以及由此而来的混合方法和混合系统，正成为一大研究热点。
(4) 增强神经网络的可理解性是神经网络界需要解决的一个重要问题。这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。
(5) 神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。
2.研究热点
(1)神经网络与遗传算法的结合。遗传算法与神经网络的结合主要体现在以下几个方面：网络连接权重的进化训练；网络结构的进化计算；网络结构和连接权重的同时进化；训练算法的进化设计。基于进化计算的神经网络设计和实现已在众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性能和结果。但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研究有待于加强提高。神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。
(2)神经网络与灰色系统的结合。灰色系统理论是一门极有生命力的系统科学理论，自1982年华中理工大学的邓聚龙教授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预测、决策、控制、评估为纲的技术体系。目前，国内外对灰色系统的理论和应用研究已经广泛开展，受到学者的普遍关注。灰色系统理论在在处理不确定性问题上有其独到之处，并能以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字精确描述的复杂系统问题。
神经网络与灰色系统的结合方式有：(1) 神经网络与灰色系统简单结合；(2) 串联型结合；(3) 用神经网络增强灰色系统；(4) 用灰色网络辅助构造神经网络；(5) 神经网络与灰色系统的完全融合。
(3)神经网络与专家系统的结合。基于神经网络与专家系统的混合系统的基本出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络或专家系统实现。其研究的主要问题包括：混合专家系统的结构框架和选择实现功能子系统方式的准则两方面。由于该混合系统从根本上抛开了神经网络和专家系统的技术限制，是当前研究的热点。把粗集神经网络专家系统用于医学诊断，表明其相对于传统方法的优越性。
(4)神经网络与模糊逻辑的结合
模糊逻辑是一种处理不确定性、非线性问题的有力工具。它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。但它缺乏有效的自学习和自适应能力。
而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。
模糊神经控制的未来研究应集中于以下几个方面：
(1) 研究模糊逻辑与神经网络的对应关系，将对模糊
控制器的调整转化为等价的神经网络的学习过程，用等价的模糊逻辑来初始化神经网络；
(2) 完善模糊神经控制的学习算法，以提高控制算法的速度与性能，可引入遗传算法、BC算法中的模拟退火算法等，以提高控制性能；
(3) 模糊控制规则的在线优化，可提高控制器的实时性与动态性能；
(4) 需深入研究系统的稳定性、能控性、能观性以及平衡吸引子、混沌现象等非线性动力学特性。
关于神经网络与模糊逻辑相结合的研究已有很多，比如，用于氩弧焊、机器人控制等。
(5)神经网络与小波分析的结合
小波变换是对Fourier分析方法的突破。它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。
利用小波变换的思想初始化小波网络，并对学习参数加以有效约束，采用通常的随机梯度法分别对一维分段函数、二维分段函数和实际系统中汽轮机压缩机的数据做了仿真试验，并与神经网络、小波分解的建模做了比较，说明了小波网络在非线性系统黑箱建模中的优越性。小波神经网络用于机器人的控制，表明其具有更快的收敛速度和更好的非线性逼近能力。
四、结论
经过半个多世纪的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，但其理论分析方法和设计方法还有待于进一步发展。相信随着神经网络的进一步发展，其将在工程应用中发挥越来越大的作用。
参考文献：
[1]张曾科.模糊数学在自动化技术中的应用[M].清华大学出版社，1997.
[2]李士勇.模糊控制・神经控制和智能控制论[M].哈尔滨工业大学出版，1996.250-387.
[3]谢联峻.模糊控制在列车自动驾驶中的应用[J].自动化与仪器仪表，1999，(4).
[4]Collier W C，Weiland，R J Smart Carts，Smart Highways[J].IEEE Spec-trum，1994，31(4)：27-33.
[5]Hatwal H，Mikulcik E C.some Inverse Solutions to an Automobile Path Tracking Problem with Input Control of Steeringand Breaks，Ve-hicle system Dynamics，1986，(15)：61-71.
[6]Kosuge K，Fukuda T，Asada H.Acquisition if Human Skills for Robotic System[C].In：Proc IEEE Int Symp On Intelligen Control，1991.469-489.
[7]王小平，曹立明.遗传算法―理论、应用与软件实现.西安交通大学出版社，2002.
[8]Maniezzo V.Genetic evolution of the topologh and weight distribution
of neural network[J].IEEE Trans on Neural Network，1994，5(1)35-67.
[9]Harrald P G，Kamstra M.Evolving artificial neural networks to combine financial forecase[J].IEEE Trans on Evol Computer ，1997，1(1)：39-54.
[10]邓聚龙.灰色系统理论教程.华中理工大学出版社，1990.
[11]吕宏辉，钟珞，夏红霞.灰色系统与神经网络融合技术探索.微机发展，2000，23(4)：67-109.
模糊神经网络的优点范文4
80年代初，在美国、日本、接着在我国国内都掀起了一股研究神经网络理论和神经计算机的热潮，并将神经网络原理应用于图象处理、模式识别、语音综合及机器人控制等领域。近年来，美国等先进国家又相继投入巨额资金，制定出强化研究计划，开展对脑功能和新型智能计算机的研究。
人脑是自生命诞生以来，生物经过数十亿年漫长岁月进化的结果，是具有高度智能的复杂系统，它不必采用繁复的数字计算和逻辑运算，却能灵活处理各种复杂的，不精确的和模糊的信息，善于理解语言、图象并具有直觉感知等功能。
人脑的信息处理机制极其复杂，从结构上看它是包含有140亿神经细胞的大规模网络。单个神经细胞的工作速度并不高（毫秒级），但它通过超并行处理使得整个系统实现处理的高速性和信息表现的多样性。
因此，从信息处理的角度对人脑进行研究，并由此研制出一种象人脑一样能够“思维”的智能计算机和智能信息处理方法，一直是人工智能追求的目标。
神经网络就是通过对人脑的基本单元---神经元的建模和联结，来探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。本文介绍神经网络的特点以及近年来有关神经网络与混沌理论、模糊计算和遗传算法等相结合的混合神经网络研究的动态。
一．神经网络和联结主义
回顾认知科学的发展，有所谓符号主义和联结主义两大流派。符号主义从宏观层次上，撇开人脑的内部结构和机制，仅从人脑外在表现出来的智能现象出发进行研究。例如，将记忆、判断、推理、学习等心理活动总结成规律、甚至编制成规则，然后用计算机进行模拟，使计算机表现出各种智能。
符号主义认为，认识的基本元素是符号，认知过程是对符号表示的运算。人类的语言，文字的思维均可用符号来描述，而且思维过程只不过是这些符号的存储、变换和输入、输出而已。以这种方法实现的系统具有串行、线性、准确、简洁、易于表达的特点，体现了逻辑思维的基本特性。七十年代的专家系统和八十年代日本的第五代计算机研究计划就是其主要代表。
联接主义则与其不同，其特点是从微观出发。联接主义认为符号是不存在的，认知的基本元素就是神经细胞（神经元），认知过程是大量神经元的联接，以及这种联接所引起的神经元的不同兴奋状态和系统所表现出的总体行为。八十年代再度兴起的神经网络和神经计算机就是这种联接主义的代表。
神经网络的主要特征是：大规模的并行处理和分布式的信息存储，良好的自适应、自组织性，以及很强的学习功能、联想功能和容错功能。与当今的冯．诺依曼式计算机相比，更加接近人脑的信息处理模式。主要表现如下：
神经网络能够处理连续的模拟信号。例如连续灰度变化的图象信号。
能够处理混沌的、不完全的、模糊的信息。
传统的计算机能给出精确的解答，神经网络给出的是次最优的逼近解答。
神经网络并行分布工作，各组成部分同时参与运算，单个神经元的动作速度不高，但总体的处理速度极快。
神经网络信息存储分布于全网络各个权重变换之中，某些单元障碍并不影响信息的完整，具有鲁棒性。
传统计算机要求有准确的输入条件，才能给出精确解。神经网络只要求部分条件，甚至对于包含有部分错误的输入，也能得出较好的解答，具有容错性。
神经网络在处理自然语言理解、图象模式识别、景物理解、不完整信息的处理、智能机器人控制等方面有优势。
符号主义和联接主义两者各有特色，学术界目前有一种看法：认为基于符号主义得传统人工智能和基于联接主义得神经网络是分别描述人脑左、右半脑的功能，反映了人类智能的两重性：精确处理和非精确处理，分别面向认识的理性和感性两个方面，两者的关系应该是互补而非互相代替。理想的智能系统及其表现的智能行为应是两者相互结合的结果。
接下去的问题是，符号AI和联接AI具体如何结合，两者在智能系统中相互关系如何？分别扮演什么角色？目前这方面发表的文献很多，大致有如下几种类型：
1．松耦合模型：符号机制的专家系统与联接机制的神经网络通过一个中间媒介（例如数据文件）进行通讯。
2．紧耦合模型：与松耦合模型相比较，其通讯不是通过外部数据进行，而是直接通过内部数据完成，具有较高的效率。其主要类型有嵌入式系统和黑板结构等。
3．转换模型：将专家系统的知识转换成神经网络，或把神经网络转换成专家系统的知识，转换前的系统称为源系统，转换后的系统称为目标系统，由一种机制转成另一种机制。如果源系统是专家系统，目标系统是神经网络，则可获得学习能力及自适应性；反之，可获得单步推理能力、解释能力及知识的显式表示。当然，转换需要在两种的机制之间，确定结构上的一致性，目前主要问题是还没有一种完备而精确的转换方法实现两者的转换。有待进一步研究。
4．综合模型：综合模型共享数据结构和知识表示，这时联接机制和符号机制不再分开，两者相互结合成为一个整体，既具有符号机制的逻辑功能，又有联接机制的自适应和容错性的优点和特点。例如联接主义的专家系统等。
近年来神经网络研究的另一个趋势，是将它与模糊逻辑、混沌理论、遗传进化算法等相结合，即所谓“混合神经网络”方法。由于这些理论和算法都是属于仿效生物体信息处理的方法，人们希望通过她们之间的相互结合，能够获得具有有柔性信息处理功能的系统。下面分别介绍。
二．混沌理论与智能信息处理
混沌理论是对貌似无序而实际有序，表面上看来是杂乱无章的现象中，找出其规律，并予以处理的一门学科。早在七十年代，美国和欧洲的一些物理学家、生物学家、数学家就致力于寻求在许许多多不同种类的不规则性之间的联系。生物学家发现在人类的心脏中有混沌现象存在，血管在显微镜下交叉缠绕，其中也有惊人的有序性。在生物脑神经系统中从微观的神经膜电位到宏观的脑电波，都可以观察到混沌的性态，证明混沌也是神经系统的正常特性。
九十年代开始，则更进一步将混沌和神经网络结合起来，提出多种混沌神经网络模型，并探索应用混沌理论的各种信息处理方法。例如，在神经元模型中，引入神经膜的不应性，研究神经元模型的混沌响应，研究在神经网络的方程中，不应性项的定标参数，不定性时间衰减常数等参数的性质，以及这些参数于神经网络混沌响应的关系，并确定混沌---神经网络模型具有混沌解的参数空间。经过试验，由这种混沌神经网络模型所绘出的输出图形和脑电图极为相似。
现代脑科学把人脑的工作过程看成为复杂的多层次的混沌动力学系统。脑功能的物理基础是混沌性质的过程，脑的工作包含有混沌的性质。通过混沌动力学，研究、分析脑模型的信息处理能力，可进一步探索动态联想记忆、动态学习并应用到模式识别等工程领域。例如：
对混沌的随机不规则现象，可利用混沌理论进行非线性预测和决策。
对被噪声所掩盖的微弱信号，如果噪声是一种混沌现象，则可通过非线性辨识，有效进行滤波。
利用混沌现象对初始值的敏锐依赖性，构成模式识别系统。
研究基于混沌---神经网络自适应存储检索算法。该算法主要包括三个步骤，即：特征提取、自适应学习和检索。
模式特征提取采用从简单的吸引子到混沌的层次分支结构来描述，这种分支结构有可能通过少数几个系统参数的变化来加以控制，使复杂问题简单化。自适应学习采用神经网络的误差反传学习法。检索过程是通过一个具有稳定吸引子的动力学系统来完成，即利用输入的初始条件与某个吸引子（输出）之间的存在直接对应关系的方法进行检索。利用这种方法可应用于模式识别。例如黑白图象的人脸识别。
三．模糊集理论与模糊工程
八十年代以来在模糊集理论和应用方面，也有很大进展。1983年美国西海岸AI研究所发表了称为REVEAL的模糊辅助决策系统并投入市场，1986年美国将模糊逻辑导入OPS---5，并研究成功模糊专家系统外壳FLOPS，1987年英国发表采用模糊PROLOG的智能系统FRIL等。除此通用工具的研制以外，各国还开发一系列用于专用目的的智能信息处理系统并实际应用于智能控制、模式识别、医疗诊断、故障检测等方面。
模糊集理论和神经网络虽然都属于仿效生物体信息处理机制以获得柔性信息处理功能的理论，但两者所用的研究方法却大不相同，神经网络着眼于脑的微观网络结构，通过学习、自组织化和非线性动力学理论形成的并行分析方法，可处理无法语言化的模式信息。而模糊集理论则着眼于可用语言和概念作为代表的脑的宏观功能，按照人为引入的隶属度函数，逻辑的处理包含有模糊性的语言信息。
神经网络和模糊集理论目标相近而方法各异。因此如果两者相互结合，必能达到取长补短的作用。将模糊和神经网络相结合的研究，约在15年前便已在神经网络领域开始，为了描述神经细胞模型，开始采用模糊语言，把模糊集合及其运算用于神经元模型和描述神经网络系统。目前，有关模糊---神经网络模型的研究大体上可分为两类：一类是以神经网络为主，结合模糊集理论。例如，将神经网络参数模糊化，采用模糊集合进行模糊运算。另一类以模糊集、模糊逻辑为主，结合神经网络方法，利用神经网络的自组织特性，达到柔性信息处理的目的。
与神经网络相比，模糊集理论和模糊计算是更接近实用化的理论，特别近年来美国和日本的各大公司都纷纷推出各种模糊芯片，研制了型号繁多的模糊推理板，并实际应用于智能控制等各个应用领域，建立“模糊工程”这样一个新领域。日本更首先在模糊家电方面打开市场，带有模糊控制，甚至标以神经---模糊智能控制的洗衣机、电冰箱、空调器、摄象机等已成为新一代家电的时髦产品。我国目前市场上也有许多洗衣机，例如荣事达洗衣机就是采用模糊神经网络智能控制方式的洗衣机。
四．遗传算法
遗传算法（Genetic Algorithm ：GA）是模拟生物的进化现象（自然、淘汰、交叉、突然变异）的一种概率搜索和最优化方法。是模拟自然淘汰和遗传现象的工程模型。
GA的历史可追溯到1960年，明确提出遗传算法的是1975年美国Michigan大学的Holland博士，他根据生物进化过程的适应现象，提出如下的GA模型方案：
1．将多个生物的染色体（Chromosmoe）组成的符号集合，按文字进行编码，称为个体。
2．定义评价函数，表示个体对外部环境的适应性。其数值大的个体表示对外部环境的适应性高，它的生存（子孙的延续）的概率也高。
3．每个个体由多个“部分”组合而成，每个部分随机进行交叉及突然变异等变化，并由此产生子孙（遗传现象）。
4．个体的集合通过遗传，由选择淘汰产生下一代。
遗传算法提出之后，很快得到人工智能、计算机、生物学等领域科学家的高度重视，并在各方面广泛应用。1989年美国Goldberg博士发表一本专著：“Genetic Algorithms in Search，Optimization and Machine Learning”。出版后产生较大影响，该书对GA的数学基础理论，GA的基本定理、数理分析以及在搜索法、最优化、机器学习等GA应用方面进行了深入浅出的介绍，并附有Pascal模拟程序。
1985年7月在美国召开第一届“遗传算法国际会议”（ICGA）。以后每隔两年召开一次。近年来，遗传算法发展很快，并广泛应用于信息技术的各个领域，例如：
智能控制：机器人控制。机器人路径规划。
工程设计：微电子芯片的布局、布线；通信网络设计、滤波器设计、喷气发动机设计。
图象处理：图象恢复、图象识别、特征抽取。
调度规划：生产规划、调度问题、并行机任务分配。
优化理论：TSP问题、背包问题、图划分问题。
人工生命：生命的遗传进化以及自增殖、自适应；免疫系统、生态系统等方面的研究。
神经网络、模糊集理论和以遗传算法为代表的进化算法都是仿效生物信息处理模式以获得智能信息处理功能的理论。三者目标相近而方法各异；将它们相互结合，必能达到取长补短、各显优势的效果。例如，遗传算法与神经网络和模糊计算相结合方面就有：
神经网络连续权的进化。
传统神经网络如BP网络是通过学习，并按一定规则来改变数值分布。这种方法有训练时间过长和容易陷入局部优化的问题。采用遗传算法优化神经网络可以克服这个缺点。
神经网络结构的进化。
目前神经网络结构的设计全靠设计者的经验，由人事先确定，还没有一种系统的方法来确定网络结构，采用遗传算法可用来优化神经网络结构。
神经网络学习规则的进化。
模糊神经网络的优点范文5
关键词：模糊控制；滑模控制；复杂系统
中图分类号：G632 文献标识码：B 文章编号：1002-7661（2014）14-094-01
随着控制理论实践的不断深入，被控对象的结构及数学模型也越来越复杂，呈现出时变性、多输入多输出、高度复杂性、非线性、不确定性等特点。面对这些复杂特征，传统的基于精确数学模型的控制理论的局限性日趋明显，于是出现了诸如变结构控制、自适应控制、模糊控制、神经网络控制以及智能控制等新的控制手段。本文就模糊滑模控制的产生及发展现状做简单介绍。
滑模控制因其独特的优势在伺服机构、飞行器控制等领域有着广阔的发展前景。但是，实际系统由于切换装置不可避免地存在惯性，变结构控制在不同的控制逻辑中来回切换，会导致实际滑模运动不是准确地发生在切换面上，容易引起系统的剧烈抖动。这一缺点使其在实际应用中受到了很大的限制。抖动不仅影响控制的精确性，增加能量消耗，而且系统中的高频未建模动态很容易被激发起来，破坏系统性能，甚至使系统产生振荡或失稳，损坏控制器部件。而将模糊控制与滑模变结构控制结合应用来克服变结构控制所带来的抖动便成为很多专家学者的研究重点。
一、常规模糊滑模控制
模糊控制和滑模变结构控制各有优缺点，有某种相似之处，又有互补之处。90年代以后专家学者把二者结合，构成模糊滑模控制，实现两者之间的取长补短。同时还可在一定程度上削弱或克服滑模变结构控制的抖动现象。目前，模糊控制与滑模变结构控制的结合运用主要有以下三种方式[1]。
1、通过模糊控制规则自适应地调节符号函数项的值，可以在保证趋近速度和减小抖动的前提下较好地选择和 。
2、通过模糊控制规则直接确定滑模控制量，即直接把切换函数及其微分 作为输入量，通过模糊推理获得滑模控制的控制量。
3、变结构控制、模糊控制的复合控制策略。在大偏差时采用滑模变结构控制，在小偏差时采用模糊控制的运行方式。
二、自适应模糊滑模控制
普通的模糊滑模控制的设计仍然是基于经验的。由于模糊规则的选取有很大的任意性，在很多情况下有效经验的获取并不是容易的事。为了达到一定精度，选择的模糊规则可能非常复杂[2,3]，且系统参数在控制过程中也没有自适应和自学习能力。为使系统在不确定性以及对象出现参数和结构变化的情况下保证不变性，自适应模糊滑模控制应运而生，并成为非线性系统自适应控制方法研究的主流[4]。
三、基于模糊神经网络的滑模控制
人工神经网络同样具有自学习和自适应的能力。它和模糊系统的结合有助于扩大二者在滑模控制领域内的应用。模糊神经网络（Fuzzy Neural Networks, FNN）结合了模糊控制与神经网络控制两者的优势，不仅具有神经网络自学习和快速处理的能力，而且具有模糊控制系统能够充分利用先验知识、以较少的规则数来表达知识的优势，避免了神经网络不能很好地利用已有经验知识，往往将初始权值取为零或随机数使网络训练时间变长或者陷入非要求的局部极值的缺点，也避免了模糊控制由于缺乏自学习和自适应能力，给控制器参数的学习和调整带来的困难。模糊神经网络与滑模控制的结合应用可以通过以下几种方式：一、用T-S模糊神经网络等价系统不确定的动态特性 和 ，再按一般滑模控制的方法形成控制律。控制过程中FNN 的参数根据实际系统的输入输出数据在线自学习。或者以 为输入的标准模糊神经网络实时估计系统动态不确定性的上界，以此与状态反馈相结合构造滑模控制。也可用结构自组织的广义参数学习的模糊径向基函数网络完成系统动态不确定性的等价，在此基础上构造系统的滑模控制律。这几种方式均是通过模糊神经网络来等效系统不确定项的，也可直接采用模糊神经网络构造滑模控制率，如：L in等[8]直接用以 为输入的标准模糊神经网络构造滑模控制律，基于 最小化用梯度下降方法完成FNN的参数自适应；为了保证滑模产生条件存在，还构造了带符号函数的监督控制律。当与系统状态相关的李亚普洛夫函数值进入零的一个邻域时，监督律作用撤消。于是从总体上保证了滑模产生条件的满足和稳态时的无抖振。
四、模糊滑模控制与其它策略的结合
除了以上所描述的问题之外，关于模糊滑模控制和其它策略相结合还有其他诸多方面的内容，它们体现了控制理论的交叉融合。遗传算法作为一种优化算法，在模糊滑模控制中亦得到较多应用。可以采用遗传算法对控制器增益参数、模糊规则、隶属函数进行优化，有效减小或消除抖振。当然还有其他算法与模糊滑模控制的结合应用，在此就不在累述。
参考文献：
[1] 王翠红 自适应模糊滑模控制的设计与分析[D] 西南交通大学 2002
[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321
[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306
[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17
[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502
[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39
模糊神经网络的优点范文6
关键词：模糊神经网络；PID；控制系统；非线性
中图分类号：TP183 文献标识码：A文章编号：1007-9599 (2011) 20-0000-02
Design of Control System Based on FNN PID
Duan Zhengjun1,Zhao Ran1,Tian Wenxue2
(1.TISCO Stainless Steel Pipe company,Taiyuan030000,China;2. China Chemical Engineering Second Construction Corporation,Taiyuan030000,China)
Abstract:At present,many of intelligent algorithm apply to the non-linear control system,it is intelligent control systems,for example,neural network,fuzzy control.According to the neural networks and fuzzy control in this article,introduced design principles and implementation based on neural nerwork and PID algorithm.
Keywords:Fuzzy neural network;PID;Control System;Nonlinear
一、引言
模糊神经网络（FNN）是模糊逻辑控制和神经网络两者结合的产物。模糊逻辑控制和神经网络两者单独使用时候，都会有一定的缺陷。模糊逻辑在一定的论域上面有很好的收敛性，在进行模糊量的运算上有优势；而神经网络具有强的自学习、自适应、并行运算和精确计算的能力。因此，两者结合可以优势互补，从而很大提高综合能力。FNN-PID是将模糊神经网络融进PID算法中，实现二者结合。FNN-PID算法具有PID控制器优点、模糊控制的良好收敛性和对模糊量的运算优势，也有神经网络自学习、自适应的特性。
二、FNN系统结构
FNN具有很多种结构和算法，对于不同的控制对象，在综合考虑运算速度和精度的情况下，可以使模糊神经网络结构有所不同。本文模糊神经网络采用如图1的结构，两个输入变量是有 、 ，为误差E与误差变化量EC。输出变量为Y，为PID三要素中的一个。根据专家经验知识把每个输入因子分为（NM，NS，ZO，PS，PM）五个模糊状态记为T[ ]。
图1.模糊神经网络的结构
第一层至第三层是实现模糊控制规则，第四层去除模糊化并实现输出实际控制对象的值，每层的作用如下：
第一层为输入层，该层的节点直接与输入层相连，起着将输入向量X传送到下一层的作用，其节点个数等于输入变量个数。输入输出关系可表示为：
， i=1，2（1）
第二层为隶属函数层，其作用是计算输入量属于各语言变量值模糊集合的隶属函数值，节点个数 ，每个节点代表一个模糊集合，可表示为：
， j=1，2，3（2）
式中j―― 的模糊分割数， 、 ――高斯函数中第j个输入对第i个结点的中心和宽度。
第三层为模糊规则层，每个节点代表一条模糊规则。采用IF-THEN模糊规则，可表示为：
：If is and is and…is THEN Yis（3）
式中，1≤n≤2，1≤i≤3： （4）
第四层为输出层： （5）
三、FNN的学习算法及步骤
在学习方法上，我们选择在线学习，在线学习就是针对整个训练集的每一个输入和对应的输出要求，每学习一条规则，就进行一次连接权的调整；这样一轮一轮不断的自动的调整网络连接权，知道整个网络达到所有的要求的响应为止。学习目的是对产生样本规律的统计特性进行建模，从具体观测推测隐含的规律，输出结果与样本接近。为了提高测量的精度，要求 、 和 三个参数能够适应环境的变化，即可实时调节高斯隶属函数和连接第三、第四层的权重比。具体算法如下：
式（5）可以按下式表示：（6）
设 ， ， ，从而得到式（6）的简化形式为： ，由式子（6）和式子（7）得到（8）式：
（9）
（10）
定义输出误差为： （11），其中 ――k时刻的输出值， ――k时刻的输出期望值。
定义系统的性能指标为：（12）
采用反方向传播方法进行监督学习，使性能指标E值最小化。根据梯度下降方法有：
以上式子分别为（13），（14），（15）。其中 为学习速度，由于采用在线学习，那么 为一个定值。根据性能指标选取规则和专家经验知识，取终止条件为E≤0.005，具体的学习步骤如下：
步骤1： 、 、 及 的初始值在[0，1]之间随机选取， 的值为恒定值，根据经验决定。
步骤2：根据式子（11），（13），（14），（15）计算得出比较理想的 ， ， 值。
步骤3：根据式子（12）计算E，若E≤0.002，迭代结束。否则，令 ， ， 为初始值并返回步骤2。
四、PID-FNN系统的设计及实现
根据FNN结构可知，输入是误差和误差变化量，输出是PID控制参数中的一个，故我们设计PID-FNN系统时要使用3个FNN，选择这样的FNN结构是为了更加精确的得到PID所需要的修正值。当然，这里所用的FNN是已经结束学习过程的。PID-FNN控制系统的具体结构如图2所示。
PID-FNN系统具体实现过程如下：①根据FNN的学习算法，通过提供的样本对FNN-Kp、FNN-Ki和FNN-Kd进行训练，使其得到合适的权值，满足性能指标为止。②误差和误差变化量做归一化处理，作为FNN-Kp、FNN-Ki和FNN-Kd的输入。③根据式子（1）（2）（4）（5）计算FNN的各层的输出，FNN-Kp、FNN-Ki和FNN-Kd最后一层的输出就是PID控制参数Kp、Ki和Kd的修正值。④利用③中得到的修正值，对经典PID控制器所得出的Kp、Ki和Kd的值进行修正。⑤Kp、Ki和Kd的修正后的值传送给控制对象，并由图2中所示，控制结果反馈回到计算误差处进行误差计算。由此跳转到②步。
图2.FNN-PID系统结构
五、结束语
FNN融合了模糊控制和神经网络的特点，本文利用这一点设计了PID-FNN控制系统并予以实现。文章中介绍了FNN的系统结构和学习过程的算法以及步骤，然后设计了PID-FNN的系统结构，并且描述了具体的实现过程。
本文作者创新点：模糊神经网络（FNN）是模糊逻辑控制和神经网络两者结合的产物。两者结合可以优势互补，从而很大提高综合能力。从而能够更迅速、更精确的对PID参数进行修正，已达到最佳的控制状态。
参考文献：
[1]李士勇.模糊控制,神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出版社,1996
[2]曾黄麟.智能计算[M].重庆:重庆大学出版社,2004
[3]晁勤,傅成华.自动控制原理[M].重庆:重庆大学出版社,2005
[4]武嘉.辅助控制系统设计与仿真[M].北京:电子工业出版社,2005
