智能控制第7章-模糊神經(jīng)網(wǎng)絡(luò)控制與自適應(yīng)神經(jīng)網(wǎng)絡(luò)課件

第7章模糊神經(jīng)網(wǎng)絡(luò)控制與自適應(yīng)神經(jīng)網(wǎng)絡(luò)智能控制基礎(chǔ)整體概述概述二點(diǎn)擊此處輸入相關(guān)文本內(nèi)容概述一點(diǎn)擊此處輸入相關(guān)文本內(nèi)容概述三點(diǎn)擊此處輸入相關(guān)文本內(nèi)容7.1 模糊神經(jīng)網(wǎng)絡(luò)控制7.2 基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)控制7.3*

自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)目錄7.1.1 神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)7.1.2 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法7.1 模糊神經(jīng)網(wǎng)絡(luò)控制模糊神經(jīng)網(wǎng)絡(luò)理論的出發(fā)點(diǎn)模糊控制系統(tǒng)的隸屬度函數(shù)或控制規(guī)則的設(shè)計(jì)方法存在很大的主觀性。利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能來優(yōu)化模糊控制規(guī)則和相應(yīng)的隸屬度函數(shù)、將一些專家知識(shí)預(yù)先分布到神經(jīng)網(wǎng)絡(luò)中去是提出模糊神經(jīng)網(wǎng)絡(luò)理論的兩個(gè)基本出發(fā)點(diǎn)。模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖結(jié)構(gòu)說明第一層節(jié)點(diǎn)為輸入節(jié)點(diǎn)，用來表示語言變量；輸出層的每個(gè)輸出變量有兩個(gè)語言節(jié)點(diǎn)，一個(gè)用于訓(xùn)練時(shí)期望輸出信號(hào)的饋入，另一個(gè)表示模糊神經(jīng)網(wǎng)絡(luò)推理控制的輸出信號(hào)節(jié)點(diǎn);第二層和第四層的節(jié)點(diǎn)稱為項(xiàng)節(jié)點(diǎn)，用來表示相應(yīng)語言變量語言值的隸屬度函數(shù)。第三層節(jié)點(diǎn)稱為規(guī)則節(jié)點(diǎn)，用來實(shí)現(xiàn)模糊邏輯推理。其中第三、四層節(jié)點(diǎn)間的連接系數(shù)定義規(guī)則節(jié)點(diǎn)的結(jié)論部、第二、三層節(jié)點(diǎn)間的連接系數(shù)定義規(guī)則節(jié)點(diǎn)的條件部。第一層這一層的節(jié)點(diǎn)只是將輸入變量值直接傳送到下一層。所以，且輸入變量與第一層節(jié)點(diǎn)之間的連接系數(shù)wji(1)=1。第二層實(shí)現(xiàn)語言值的隸屬度函數(shù)變換，可選取鐘型函數(shù)其中：mji和σji分別表示第i個(gè)輸入語言變量Xi的第j個(gè)語言值隸屬度函數(shù)的中心值和寬度?？沙橄罂醋鞯谝弧⒍由窠?jīng)元節(jié)點(diǎn)之間的連接系數(shù)wji(2)

。第三層完成模糊邏輯推理?xiàng)l件部的匹配工作。由最大、最小推理規(guī)則可知，規(guī)則節(jié)點(diǎn)實(shí)現(xiàn)的功能是模糊“與”運(yùn)算。

fj(3)=min(u1(3),u2(3),...,up(3)),aj(3)=fj(3)

且第二層節(jié)點(diǎn)與第三層節(jié)點(diǎn)之間的連接系數(shù)wji(3)=1第四層

有兩種模式從上到下的傳輸模式時(shí)，與第二層相同，實(shí)現(xiàn)模糊化的功能。從下到上的傳輸模式中，實(shí)現(xiàn)的是模糊邏輯推理運(yùn)算。根據(jù)最大、最小推理規(guī)則，是模糊“或”運(yùn)算：

fj(4)=max(u1(4),u2(4),...,up(4)),aj(4)=fj(4)

且第三、四層節(jié)點(diǎn)之間的連接系數(shù)wji(4)=1第五層有兩種模式從上到下的信號(hào)傳輸方式，同第一層。從下到上是精確化計(jì)算，如果采用重心法，有

則第四層節(jié)點(diǎn)與第五層節(jié)點(diǎn)之間的連接系數(shù)wji(5)可以看作是mji(5)·σji(5)。7.1.1 神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)7.1.2 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法7.1 模糊神經(jīng)網(wǎng)絡(luò)控制混合學(xué)習(xí)算法第一階段，使用自組織學(xué)習(xí)方法進(jìn)行各語言變量語言值隸屬度函數(shù)的初步定位以及盡量發(fā)掘模糊控制規(guī)則的存在性（即可以通過自組織學(xué)習(xí)刪除部分不可能出現(xiàn)的規(guī)則）在第二階段，利用有導(dǎo)學(xué)習(xí)方法來改進(jìn)和優(yōu)化期望輸出的各語言值隸屬度函數(shù)。1.自組織學(xué)習(xí)階段問題描述：給定一組輸入樣本數(shù)據(jù)xi(t),i=1,2,...,n、期望的輸出值yi(t),i=1,2,...,m、模糊分區(qū)｜T(x)｜和｜T(y)｜以及期望的隸屬度函數(shù)類型（即三角型、鐘型等）。學(xué)習(xí)的目的是找到隸屬度函數(shù)的參數(shù)和系統(tǒng)實(shí)際存在的模糊邏輯控制規(guī)則。隸屬度函數(shù)參數(shù)的獲取中心值mi的估計(jì)：Kohonen自組織映射法寬度值σi是與重疊參數(shù)r以及中心點(diǎn)mi鄰域內(nèi)分布函數(shù)值相關(guān)。Kohonen自組織映射法一種自組織學(xué)習(xí)。經(jīng)過一段時(shí)間的學(xué)習(xí)后，其權(quán)值的分布可以近似地看作輸入隨機(jī)樣本的概率密度分布。學(xué)習(xí)過程是一個(gè)Winner-take-all的過程，具體如下：mcloest(t+1)=mcloest(t)+α(t)[x(t)-mcloest(t)]mi(t+1)=mi(t)當(dāng)mi(t)≠mcloest(t)k=｜T(x)｜表示語言變量x語言值的數(shù)目寬度σi的計(jì)算通過求下列目標(biāo)函數(shù)的極小值來獲取，即：其中

r為重疊參數(shù)。也可以采用一階最近鄰域法近似：推理規(guī)則的確定即確定第三層規(guī)則節(jié)點(diǎn)和第四層輸出語言值節(jié)點(diǎn)之間的連接關(guān)系。采用競爭學(xué)習(xí)獲得記o(3)i(t)為規(guī)則節(jié)點(diǎn)的激勵(lì)強(qiáng)度、o(4)i(t)為第四層輸出語言值節(jié)點(diǎn)輸出，則規(guī)則刪除僅保留規(guī)則節(jié)點(diǎn)與同一輸出語言變量的所有語言值節(jié)點(diǎn)的連接系數(shù)最大的那個(gè)連接關(guān)系，將其余的連接關(guān)系刪除。當(dāng)某一規(guī)則節(jié)點(diǎn)與某一輸出語言變量所有語言值節(jié)點(diǎn)之間的連接系數(shù)都非常小時(shí)，則所有的連接關(guān)系都可以刪除。如果某一規(guī)則節(jié)點(diǎn)與第四層中的所有節(jié)點(diǎn)的連接系數(shù)都很少而被刪除的話，則該規(guī)則節(jié)點(diǎn)對輸出節(jié)點(diǎn)不產(chǎn)生任何影響。因此，該規(guī)則節(jié)點(diǎn)可以刪除。規(guī)則合并

合并的條件該組節(jié)點(diǎn)具有完全相同的結(jié)論部(如圖7-2中輸出變量yi中的第二個(gè)語言值節(jié)點(diǎn))；在該組規(guī)則節(jié)點(diǎn)中某些條件部是相同的(如圖7-2中輸入變量x0中的第一個(gè)語言值節(jié)點(diǎn)的輸出與該組規(guī)則節(jié)點(diǎn)全部相連)；該組規(guī)則節(jié)點(diǎn)的其它條件輸入項(xiàng)包含了所有其它輸入語言變量某一語言值節(jié)點(diǎn)的輸出。圖7-2:規(guī)則節(jié)點(diǎn)合并示例2.有導(dǎo)師學(xué)習(xí)階段可采用BP學(xué)習(xí)第五層反向傳播到上一層的廣義誤差δ(5)為第四層沒有任何參數(shù)進(jìn)行更新。唯一需要做的是實(shí)現(xiàn)誤差的反向傳播計(jì)算。第三層與第四層相似如果輸出語言變量有m個(gè)，則第二層qk(3)=δk(3)

當(dāng)aj(2)是第k個(gè)規(guī)則節(jié)點(diǎn)輸入值中的最小值時(shí)；qk(3)=0其它情況下。第二層學(xué)習(xí)公式整個(gè)學(xué)習(xí)流程7.1 模糊神經(jīng)網(wǎng)絡(luò)控制7.2 基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)控制7.3*

自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)目錄基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)控制神經(jīng)網(wǎng)絡(luò)控制器完全滿足自適應(yīng)控制的要素在線、實(shí)時(shí)地了解對象；有一個(gè)可調(diào)節(jié)環(huán)節(jié)；能使系統(tǒng)性能達(dá)到指標(biāo)要求和最優(yōu)。常規(guī)的神經(jīng)網(wǎng)絡(luò)控制器本身也具有一定的自適應(yīng)能力。設(shè)計(jì)思想與傳統(tǒng)的自適應(yīng)控制器一樣，有兩種不同的設(shè)計(jì)途徑：7.2.1 神經(jīng)網(wǎng)絡(luò)的模型參考自適應(yīng)控制7.2.2 神經(jīng)網(wǎng)絡(luò)的自校正控制7.2 基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)控制模型參考自適應(yīng)控制通過選擇一個(gè)適當(dāng)?shù)膮⒖寄Ｐ秃陀煞€(wěn)定性理論設(shè)計(jì)的自適應(yīng)算法，并利用參考模型的輸出與實(shí)際系統(tǒng)輸出之間的誤差信號(hào)，由一套自適應(yīng)算法計(jì)算出當(dāng)前的控制量去控制系統(tǒng)達(dá)到自適應(yīng)控制的目的。在實(shí)時(shí)性方面都沒有重大進(jìn)展?？刂撇呗匀绻豢叵到y(tǒng)

y(k+1)=f(y(k),y(k-1),u(k-1))+g(u(k))參考系統(tǒng)：

ym(k+1)=a1ym(k)+a2ym(k-1)+r(k)則控制輸入可?。夯谏窠?jīng)網(wǎng)絡(luò)的模型參考自適應(yīng)控制結(jié)構(gòu)例7-1非線性控制對象為參考系統(tǒng)的模型為：控制策略則控制系統(tǒng)的誤差方程為

其中上述控制可漸漸穩(wěn)定。離線辨識(shí)的控制效果u(k)=-Ni(y(k),y(k-1))+0.6y(k)+0.2y(k-1)+r(k)取r(k)=sin(2πk/25)在線辨識(shí)后的控制效果確定導(dǎo)師信號(hào)tj(k+1)=yp(k+1)-u(k)復(fù)雜情況對于

y(k+1)=f(y(k),y(k-1),u(k-1))+g(u(k))可得如果存在，可用神經(jīng)網(wǎng)絡(luò)逼近之。如不存在，可采用動(dòng)態(tài)BP學(xué)習(xí)算法。動(dòng)態(tài)BP學(xué)習(xí)算法設(shè)網(wǎng)絡(luò)模型已離線精確獲得。訓(xùn)練控制網(wǎng)絡(luò)，使下列標(biāo)準(zhǔn)最小結(jié)構(gòu)圖7.2.1 神經(jīng)網(wǎng)絡(luò)的模型參考自適應(yīng)控制7.2.2 神經(jīng)網(wǎng)絡(luò)的自校正控制7.2 基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)控制自校正控制如果系統(tǒng)的環(huán)境和模型中的參數(shù)已知，那么可以采用適當(dāng)?shù)脑O(shè)計(jì)方法來獲取某種意義下的最優(yōu)控制器。如果系統(tǒng)的