本文将神经网络与模糊控制相结合, 为模糊控制器提供了良好的学习功能, 并自动生成模糊控制规则。通过神经网络实现的模糊控制, 对于知识的表达是隐含地分布到整个网络中。在控制应用时, 不必进行复杂的规则搜索和推理, 只需要通过高速并行的分布计算就可以输出结果。
1 神经网络的选择及简介
目前, 在人工神经网络的实际应用中, 绝大部分的神经网络模型都采用BP网络及其变化形式, 它也是前向网络的核心部分, 体现了人工神经网络的精华。众所周知, BP网络权值的调整采用的是负梯度下降法, 这种调节权值的方法有其局限性, 即收敛速度慢和局部极小等。
本文将采用逼近能力、分类能力、学习速度和不存在局部极小等方面均优于BP网络的另一种网络——径向基函数网络 (Radial Basis Funtion, RBF) , 来实现与模糊控制的融合。
2 基于模糊神经网络控制器的设计实例
下面用洗衣机的控制为例来说明模糊神经控制器的设计过程。为简化控制过程, 用浑浊度及其浑浊度变化率作为控制系统的输入参量, 洗涤时间作为系统的输出。
考虑到适当的控制性能需求和程序的简化, 定义输入量浑浊度H的模糊词集为{清、较浊、浊、很浊}, 定义浑浊度变化率HC的模糊词集为{零、小、中、大}。
定义输出变量U的模糊词集为{短、较短、标准、长}, 输入和输出的论域都定义为[-6, 6]。
模糊控制规则是通过总结实际的控制经验而得来的。洗衣机的模糊控制规则可以归纳为16条, 如表1所示。
从模糊控制规则表可以看出, 共有16条控制规则, 每条规则都有一对样本, 则共有16对样本, 并根据模糊子集的赋值, 可以得到输入输出参量的模糊量。
用2/3的模糊量依次输入RBF神经网络进行离线训练, 当训练结束后, 神经网络便已经记忆了模糊控制规则, 使用时具有联想记忆功能, 可以用剩下的1/3模糊量进行验证。
3 实例仿真
在matlab中进行仿真, newrb () 函数参数设置:GOAL=1e-4;SPREAD=1;MN=20;DF=1。建立网络模型, net=newrb (P, T, G OAL, SPREAD, MN, DF) 。
训练过程中newrb () 函数每一次循环只产生一个神经元, 而每增加一个径向基神经元都能最大限度地降低误差, 如果未达到精度要求则继续增加神经元, 满足精度要求后网络设计成功。程序终止的条件是满足精度要求或达到最大神经元数目。
比较图1和图2的结果, 可以看到选择RBF网络的优越性。
4 结语
由模糊控制查询表数据训练出的RBF神经网络很好地逼近模糊推理过程, 训练后的网络, 控制过程简单, 对用于被控对象数学模型不清或难以建立的场合更能显示出其控制性能的优越性。
摘要：本文结合模糊控制和神经网络控制各自的特点, 设计了RBF模糊神经网络控制器, 并应用到洗衣机的控制中。最后, 在MATLAB中实现了仿真达到了预期的误差精度要求。
关键词：模糊神经网络,RBF神经网络,仿真
参考文献
[1] 董长虹.MATLAB神经网络与应用[M].北京:国防工业出版社, 2005.
[2] 飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社, 2005.
[3] 韩力群.人工神经网络、设计及应用[M], 北京:化学工业出版社, 2007.