（模式识别与智能系统专业论文）基于cstr温度系统的模糊神经网络预测控制研究.pdf

c l a s s i f i e di n d e x ：u 6 61 4 3 lu d c ： 上 ad is s e r t a ti o nf o r t h ed e g r e eo fd e n g t h er e s e a r c ho fp r e d i c t i v ec o n t r 0 1b a s e d o nf u z z yn e u r a ln e t w o r ki nc st r t e m oe r a t t $ 5 ；t e e r a t u r esy s t e m c a n d i d a t e ：l ic h a n g p e n g s u p e r v i s o r ：p r o f l vs h u p i n g a c a d e m i cd e g r e ea p p l i e df o r ：m a s t e ro fe n g i n e e r i n g s p e c i a l i t y ：p a t t e r nr e c o g n i t i o na n di n t e l l i g e n ts y s t e m d a t eo fs u b m i s s i o n ：a u g 2 0 0 9 d a t eo fo r a le x a m i n a ti o n ：d e c 2 0 0 9 u n i v e r s i t y ：h a r b i ne n g i n e e r i n gu n i v e r s i t y 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的指导下，由 作者本人独立完成的。有关观点、方法、数据和文献的引用己在 文中指出，并与参考文献相对应。除文中己注明引用的内容外， 本论文不包含任何其他个人或集体己经公开发表的作品成果。对 本文的研究做出重要贡献的个人和集体，均己在文中以明确方式 标明。本人完全意识到本声明的法律结果由本人承担p 作者( 签字) ：及扶月惕 日期：彩弓年莎月乃咽 哈尔滨工程大学 学位论文授权使用声明 本人完全了解学校保护知识产权的有关规定，即研究生在校 攻读学位期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨 工程大学有权保留并向国家有关部门或机构送交论文的复印件。 本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据 库进行检索，可采用影印、缩印或扫描等复制手段保存和汇编本 学位论文，可以公布论文的全部内容。同时本人保证毕业后结合 学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈 尔滨工程大学。涉密学位论文待解密后适用本声明。 本论文( 囱在授予学位后即可口在授予学位1 2 个月后 口 解密后) 由哈尔滨工程大学送交有关部门进行保存、汇编等。 作者( 签字) ： 名次鹇 日期： 矽叮年j 2 月，口日 历砌1 ，笏 厶彦 日 ： 肜 、-、，j钧明 签 一 悠年 币夕 i y 纯 聊彳 哈尔滨工程大学硕士学位论文 摘要 实际工业生产过程中常常含有非线性、滞后环节，特别是在化工、冶炼 等生产过程中尤为显著。本文以连续搅拌反应釜( c s t r ) 的温度控制系统为 研究对象，针对复杂系统难建模、难控制的特点，采用智能预测控制算法对 c s t r 系统进行了研究。 c s t r 系统在反应过程中会产生大量的反应热，为保证生产正常进行及 时移去反应热是本文控制的主要目标。鉴于t - s 型模糊基神经网络对非线性 系统具有很强的逼近能力，本文将t - s 型模糊基神经网络与预测控制相结合， 试图解决c s t r 系统时变、滞后等问题。 本文在对模糊神经网络进行分析和研究的基础上，给出了两种常见的模 糊神经网络结构和它们在实际应用中的特点，研究了模糊神经网络算法。在 对c s t r 系统特点分析的基础上，指出了常规控制算法的不足。基于广义预 测控制的基本结构与原理，给出了c s t r 系统温度控制方案。建立了基于t - s 型模糊神经网络的c s t r 系统多步预测模型，采用粗调和精调两阶段辨识方 法，实现了对预测模型网络的隐节点个数、高斯径向基函数的数据中心及扩 展常数的辨识。 本文基于m p c e 1 0 0 0 多功能过程与控制实验系统平台，对c s t r 系统进 行了p i d 参数整定。并对c s t r 系统温度控制分别采用p i d 算法和模糊神经 网络预测控制算法，在加入干扰和模型改变情况下进行了仿真。仿真结果表 明，基于模糊神经网络预测控制算法具有良好的自适应性、鲁棒性和抗干扰 能力，验证了本文所给出算法的有效性和可行性。 关键词：c s t r ；模糊神经网络；预测控制 哈尔滨工程大学硕士学位论文 a b s t r a c t n o n l i n e a ra n dt i m e d e l a ya r ea l w a y so b s e r v e da st h et y p i c a lp h e n o m e n o n si n i n d u s t r i a lp r o c e s s e ss u c ha sc h e m i c a li n d u s t r ya n dp e t r o l i cm e t a l l u r g y t h i st h e s i s m a i n l ys t u d y st h ed e s i g no ft e m p e r a t u r ec o n t r o ls y s t e mf o rt h ep l a n to fc o n t i n u o u s s t i r r e dt a n kr e a c t o r ( c s t r ) i tm a k e sad i s c u s s i o no i li n t e l l i g e n tp r e d i c t i v ec o n t r o l a l g o r i t h mi nc s t r , i no r d e rt os o l v et h ep r o b l e m st h a tc o m p l i c a t e ds y s t e m sa r e d i f f i c u l tt og i v ec e r t a i nm o d e l sa n dc o n t r 0 1 t h eh e a tc r e a t e di nr e a c t i o ni sr e m o v e di nt i m eb yt h ec o n t r o l l e rt oe n s u r et h e n o r m a lp r o c e s s w i t ht h et h ep o w e r f u la b i l i t yt os i m u l a t ean o n l i n e a rs y s t e m ，t h e t - sf u z z yn e u r a ln e t w o r k ( f n n ) b a s e do nt h ef u z z yb a s i sf u n c t i o n ( f b f ) i s c o m b i n e dw i t ht h ep r e d i c t i v ec o n t r o la sac o n t r o ls c h e m e i nt h i sp a p e r , t w ou n i v e r s a ls t r u c t u r e so ff n na r e a n a l y s e d ,a n dt h e r e s e a r c h e so na l g o r i t h m ss h o wt h a ts o m ei m p r o p r i e t i e sa n dl i m i t a t i o n se x i s ti n n o r m a la l g o r i t h m so na c c o u n to ft h ec h a r a c t e r i s t i c so fc s t r f u r t h e r m o r ea c o n t r o l l e ri sd e s i g n e db yam u l t i - s t e p sp r e d i c t i v em o d e lb a s e do nf n n ，w h i c h a d o p t st w op h a s e so fi d e n t i f i c a t i o ns ot h a tt h ep a r a m e t e r sc a nb er e g u l a t e d s m o o t h l ya n dr o u g h l y c o n c e a l e dn o d e sn u m b e r s ，d a t ac e n t e ra n de x p a n d e d c o n s t a n to ft h eg a u s sr b fc a nb ei d e n t i f i e de i t h e r t h es i m u l a t i o no fc s t rp r o c e s si sp r a c t i s e do nt h em u l t i f u n c t i o np r o c e s s a n dc o n t r o le x p e r i m e n ts y s t e m ( m p c e - 1 0 0 0 ) u n d e rt h ec i r c u m s t a n c e st h a t s o m ei n t e r f e r e n c e sa r eg i v e na n dt h em o d e li sc h a n g e d ，t h ep r e d i c t i v ec o n t r o l b a s e do nf n ni sc o m p a r e dw i t ht h ep i dc o n t r o lw h o s ep a r a m e t e r sa r ea s c e r t a i n e d t h er e s u l t sg i v eac o n c l u s i o nt h a tt h ep r e d i c t i v ec o n t r o lb a s e do nf n n p r e s e n t s g o o da d a p t a t i o n , r o b u s ta n da b i l i t yo fa n t i i n t e r f e r e n c e t h u st h ea v a i l a b i l i t ya n d f e a s i b i l i t yo f t h ea l g o r i t h ma r ea p p r o v e d k e yw o r d s ：c s t r ；f u z z yn e u r a ln e t w o r k ；p r e d i c t i v ec o n t r o l 哈尔滨工程大学硕士学位论文 目录 第1 章绪论1 1 1本文研究背景及意义1 1 2 预测控制综述2 1 2 1发展历程及理论特点2 1 2 2 现有问题及研究动向4 1 3模糊神经网络综述5 1 3 1发展历程及理论特点5 1 3 2 现有问题及发展方向6 1 4 模糊理论和神经网络相结合的方法7 1 5 本文的主要工作9 第2 章模糊神经网络结构1 1 2 1 神经网络1 1 2 1 1 神经元模型1 1 2 1 2 神经网络结构1 2 2 2 模糊推理机制1 3 2 2 1 模糊推理算法。1 3 2 2 2m a m d a n i 模糊推理。1 4 2 2 3t s 模糊推理。1 7 2 3 两种常见的模糊神经网络结构1 8 2 3 1 模糊神经网络的类型1 8 2 3 2 模糊神经网络n f n n 1 9 2 3 3 模糊神经网络a n f i s 2 1 2 3 4 模糊基函数2 2 2 4 本章小结2 3 3 5 第4 章 4 1 4 2 4 3 4 4 4 5 第5 章 5 1 3 4 2 梯度下降法3 6 3 4 3k 均值聚类法3 9 本章小结4 0 基于模糊神经网络的预测控制器设计4 1 c s t r 系统的温度控制4 1 模糊神经网络预测控制系统结构4 2 基于模糊神经网络的多步预测模型4 3 4 3 1 多步递推预测模型4 3 4 3 2 误差反馈校正4 5 4 3 3 滚动优化算法4 6 c s t r 系统模糊神经网络离线辨识4 8 本章小结5 2 基于过程实验台的仿真研究5 3 过程控制系统仿真平台5 3 5 1 1m p c e 实验系统5 3 哈尔滨t 程大学硕士学位论文 5 2 5 3 5 1 2 5 3 1 5 3 2 反应过程温度特性。 系统控制要求。 5 3 3c s t r 系统p i d 参数整定 5 3 4 仿真结果分析一 5 4 本章小结 结j 沦一 参考文献 攻读硕士学位期间发表的论文和取得的科研成果 致谢 哈尔滨工程大学硕士学位论文 第1 章绪论 1 1 本文研究背景及意义 进入9 0 年代智能控制的研究成果大量涌现，智能控制不但在处理复杂系 统( 如非线性、快时变、复杂多变量、环境扰动等) 时能进行有效的控制， 同时具有学习能力、组织综合能力、自适应能力和优化能力。为了解决复杂 工业过程中的不确定性、多目标优化问题，智能控制中的一些方法被引入到 预测控制中，使预测控制向智能化发展，从而形成当前预测控制研究的一大 方向即智能预测控制。 化工生产在我国的国民经济建设中占有极其重要的地位，而反应器是化 工生产中实现化学反应的主要设备。连续搅拌反应釜c s t r ( c o n t i n u o u s l y s t i r r e dt a n kr e a e t o r ) 是生产聚合物的核心设备，在染料、试剂、药品、食品 以及合成材料等工业中得到广泛应用。它是一种复杂的非线性化学反应器， 其控制质量直接影响到生产的效率和质量指标。对c s t r 控制就是希望其内 部的某些主要工艺参数，如温度、压力、浓度等稳定，故通常采用定值控制， 对这些参数控制的好坏将直接影响生产物的质量。事实上由于浓度参数不便 测量，且压力参数不便控制，因此c s t r 系统多采用温度控制方案。 但作为被控对象，c s t r 系统具有高非线性、大时滞性、不确定性、高 危险性等特点，不利于常规算法控制。因为c s t r 反应过程要求一定的转化 率和聚合浓度，由于反应器的容量庞大，反应过程中会产生大量的反应热， 及时地移去反应热保证生产正常进行、防止事故发生是过程控制的主要目标。 由于其影响因素繁多，如外界条件、原料纯度、催化剂类型、原料添加数量、 循环水、加热蒸汽的温度、流量的变化等，使系统本身具有较大的时变性、 非线性和时滞性，控制起来非常困难，常规方法难以取得令人满意的效果。 目前针对高非线性系统的控制缺乏系统而有效的理论支持，解决这类问 题的常规思路是对非线性系统做线性化处理，可以采用反馈线性化和增益调 度【l 】等技术实现。反馈线性化依赖于精确的系统模型来完成非线性变换，该 模型可在一定假设基础上根据热力学及化学动力学原理【2 】得出，但模型获取 哈尔滨工程大学硕士学位论文 困难，并且模型容易因参数变化而失配。增益调度技术将非线性系统在一组 选定的工作点处近似为一系列线性时不变系统，如果系统在工作过程中偏离 了预先选定的工作点，也会产生严重的模型失配问题。因此许多学者尝试在这 类控制方案基础上引入多模型 3 】、变结构 4 1 、自适应【5 】等措施以克服上述问题。 随着基于计算机技术的智能算法和新控制模式的大量涌现，人们开始把 注意力转向设计基于模型辨识的控制方案从非线性系统的输入输出信息 直接提取近似模型，这样就避免了为对象建立精确机理模型的麻烦。 目前，大量的智能控制方案如模糊控制和神经网络控制等，已经广泛用 于非线性系统的控制。而随着智能控制理论的不断发展和完善，更多的智能 控制方法也被尝试应用于控制连续搅拌反应釜。因此，针对连续搅拌反应釜 研究合适的智能控制方案来设计较为理想的控制器，同时具有理论和现实上 的意义。本文研究的主要目的就是在c s t r 系统存在非线性、大时滞性、不 确定性的情况下探讨混合智能预测控制算法问题，将模糊神经网络控制方法 与预测控制相结合，对c s t r 系统进行预测建模控制。近年来，在非线性系 统的控制问题上，采用混合智能算法的模型控制已成为控制方案研究的热点 之一。 1 2 预测控制综述 1 2 1发展历程及理论特点 在6 0 年代末的工业生产实践中，人们试图针对过程控制的特点，突破传 统控制理论的局限，寻找一类不依赖于精确模型、便于发挥计算机功能、控 制综合效果好的控制算法。这一时期高速发展的计算机技术促使预测控制算 法应运而生。 1 9 7 8 年r i c h a l e t 、m e h r a 6 3 等人根据工业应用提出基于脉冲响应模型的预 测启发式控制算法( m p h c ) ，或称为模型算法控制( m a c ) 。并由此确立了 预测控制算法的基本特征：预测模型、滚动优化和反馈校正。这三个特征是 预测控制的生命力所在。1 9 8 0 年c u l t e r t 7 】提出基于阶跃响应模型的动态矩阵 控制( d m c ) ，该算法的优点是运算量小。19 7 8 年b r o s i l o w 、t o n g 8 】等人提 出推理控制( i c ) 。1 9 8 2 年g a r i c a t 9 j 提出内部模型控制( i m c ) 。i c 与i m c 仍 哈尔滨工程大学硕士学位论文 然是通过实验法建立非参数模型，但在结构上有助于进一步分析系统的闭环 动静态特性、稳定性和鲁棒性，从而有力地推动了预测控制理论的体系化。 1 9 8 4 年c l a r k e e l o 】等人将广义最小方差控制的自适应机制与预测控制的多步滚 动优化结合起来，提出基于受控自回归积分滑动平均模型( c a r i m a ) 的广 义预测控制( g p c ) 。1 9 8 7 年l e l i c 1 1 】提出基于c a r m a 模型的极点配置广义 预测控制( g p p ) 。这两种算法均采用了参数模型，可以在线递推估计并更新 原模型参数，其自校正机制能够有效缓解不确定因素所造成的模型失配。经 过多年的理论积累和应用检验，预测控制研究引起了工业界广泛的重视。1 9 8 4 年起，美国控制年会( a c c ) 和i e e e 决策与控制年会( c d c ) 开始讨论预 测控制专题。1 9 8 7 年起，国际自控联( i f a c ) 世界大会开始组织以预测控制 为主题的讨论会。 近4 0 年来，预测控制理论已经由早期若干经典算法( m a c 、d m c 、g p c 等) 扩展成为体系鲜明的控制理论。新的方案、算法和理论不断充实到现有 体系中。由于预测控制理论在结构上的模块化和灵活性，许多学者尝试把预 测控制与传统控制理论、智能控制理论及其他新型控制理论结合起来。在控 制方案的应用和改进方面，g p c 尤其受重视。文 1 2 】研究了具有p i d 结构的 广义预测控制；文 1 3 研究了变结构广义预测控制；文 1 4 】研究了模糊广义预 测控制；文 1 5 研究了基于神经网络的广义预测控制；文 1 6 1 研究了迭代预测 控制。 预测控制之所以发展成为过程控制的典范，其根本原因在于： ( 1 ) 对模型的宽容：对预测模型只有功能要求，没有结构形式限制。允 许采用实验建模法、机理建模法、智能建模法等各种方式建立局部模型，特 别适合复杂工业现场的具体需要。另一方面滚动策略和反馈机制也在一定程 度上放松了对模型精度的要求。 ( 2 ) 不必全局寻优：采用有限性时域的局部优化策略，使得优化计算量 大大减小：同时采用窗口滚动策略，从而在局部优化的基础上实现了全局的 优化。且容许在指标设计中考虑各种软、硬约束的可能性。 ( 3 ) 有自校正能力：滚动优化的同时，不断比较实际输出和模型输出并 反馈校正，增强了跟踪参考值的能力。并且在引入模型自校正机制后，还可 以充分利用系统真实的反馈信息来修正控制器，大大增强了控制器的鲁棒性。 哈尔滨工程大学硕士学位论文 1 2 2 现有问题及研究动向 尽管预测控制理论得到了显著发展和成功应用，但 统地解决，结构上还有很大的设计余地。通过设计新的 指标等环节，还可以进一步提高控制效果和算法的快速 制研究的典型问题有： ( 1 ) 针对非线性对象的模型设计问题：为了获取更 信息，可以进一步发挥建模灵活性，改善建模机制。如 灵活性是值得持续关注的问题。针对非线性对象的j ( n l m p c ) 已经研究出多种方法，用神经网络等智能理 预测控制模型是解决这类问题的思路之一。但神经网络 控制量的解析表达式带来一些困难。 ( 2 ) 针对有约束指标的最优策略问题：常见优化策 优化等，采用不同优化策略则可以导出不同的控制器结 标只是理想状态，在多变量和指标有约束的实际情况下，需要构造合适的优 化指标以确保存在可行解。针对有约束指标的有约束模型预测控制( c m p c ) 是当前预测控制研究的热剧1 7 】。 ( 3 ) 针对在线效率和多变量的算法优化问题：预测控制方案的复杂性通 常会与实际需求和设备限制相抵触，因此在照顾到控制效果的基础上，必须 对原理算法做进一步简化或变换以缩短控制量求解时间。另外考虑到模型辨 识的在线效率，还需要设计合适的模型校正或训练方法。针对多输入多输出 系统( m i m o ) 的解耦算法是预测控制研究的一类典型问题；针对多变量的 集结优化策略已被证实是减少预测控制在线计算量的一种有效方法，目前这 项研究刚刚起步【1 8 1 1 9 】。 ( 4 ) 针对动态模型的定量分析问题：预测控制中，在线更新参数后的模 型可能引起原来的闭环系统不稳定，建模误差和干扰也给定量分析系统鲁棒 性带来很大难度。其主要设计参数对闭环动静态特性、稳定性、鲁棒性和其 他控制性能的影响目前没有定量分析方案。思路之一是在自适应情况下建立 正确的反馈校正方法，从而保证预测控制算法在无限时域上的稳定性和收敛 性。 4 而在1 9 8 6 年，r u m e l l h a r t 和m c c e l l a n d 2 4 】提出了可供多层前向神经网络学习 的误差反向传播算法e b p ，该方法极大地推动了神经网络的研究和应用。这 一时期人们注意到模糊理论的语义解释机制和神经网络的学习机制有着强烈 的互补性。1 9 8 7 年，k o s k o 2 5 】第一次把模糊系统理论和神经网络理论有机结 合起来。9 0 年代初，y a m k a w a 和g u p m 提出了大量的模糊神经元模型，主要 工作集中在网型和学习算法的研究上。同期b e r e n j i 和k h e d k e i l 2 6 提出了基于 近似推理和再励学习的控制器( g a r i c ) 。1 9 9 2 年王立新提出模糊基函数概 哈尔滨工程大学硕士学位论文 念，进而将m a m d a n i 模糊推理规则与多层前向神经网络结合成标准模糊神经 网络，并证明万能逼近定理。1 9 9 3 年j s j a n g 2 7 】提出了采用t - - s 模糊推理规 则的模糊神经网络( a n f i s ) 。1 9 9 4 年l i n 和l e e 2 8 提出一种用多层前向网络 自动构造模糊控制器的方案。8 0 年代以来模糊理论和神经网络理论在学术界 得到了普遍的认同和重视。1 9 8 4 年国际模糊系统学会( i f s a ) 成立；1 9 8 7 年国际神经网络学会( 小n s ) 成立；1 9 8 8 年美国国家航天航空局( n a s a ) 主持神经网络与模糊系统的国际研讨会；1 9 8 8 年i e e e 召开第一届神经网络 国际学术年会；1 9 9 0 年i e e e 创办专刊i e e et r a n s a c t i o no nn e u r a ln e t w o r k ： 1 9 9 2 年i e e e 召开第一届模糊系统的国际学术年会；1 9 9 3 年i e e e 创办专刊 i e e et r a n s a c t i o no nf u z z ys y s t e m s 。 神经网络技术与模糊技术各自有不同的优点：前者以生理模式为模拟基 础，通过自动学习使人工智能更接近人脑的自组织和并行处理等功能；后者 则以心理模式和模糊逻辑为基础，抓住了人类思维中的模糊性特点，以模仿 人的模糊综合判断推理来处理常规方法难于解决的模糊信息处理问题，从而 使得计算机应用扩大到了人文、社会和心理等领域。模糊理论与神经网络不 仅结合方式灵活多样，而且引入了模糊理论的神经网络具有更强的信息处理 能力，既可以处理不精确的模糊信息，也可以处理精确信息。 模糊系统和专家系统都需要规则库支持。不同的是模糊系统以运算的形 式形成推理对应，而专家系统以检索的形式形成推理对应。模糊系统所能完 成的相似性推理在专家系统中无法实现。但模糊系统和专家系统也有同样的 局限规则库依赖于先验，而且无法自动生成规则。而神经网络的自学习 能力恰恰弥补了模糊系统的这一缺陷。采取神经网络技术来进行模糊处理， 则使得模糊规则的自动提取及模糊隶属度函数的自动生成有可能得以解决， 使模糊系统成为一种自适应模糊系统。 1 3 2 现有问题及发展方向 模糊神经网络的研究是智能理论的一个重要发展趋势，由于模糊理论是 一类数学算法工具，因此几乎可以和神经网络理论的任何环节结合，但过度 自由的发展态势反而使模糊神经网络难于形成较为规范的成长框架。这种发 展路线的模糊造成了模糊神经网络体系的模糊。另一方面，构成模糊推理的 6 对被控过程的定量控制。由此出现了模糊控制器。然而在复杂系统的控制过 程中，人们很难精确完整地总结出操作人员的实践经验，导致控制规则的不 完善，影响控制效果。另外，即使控制规则总结得比较完善，由于被控过程 运行中的不断变化，如果始终按照一组控制规则对其进行控制，也不可能取 得满意的控制效果。也正是基于这种情况，模糊控制器的自适应功能成为控 哈尔滨工程大学硕士学位论文 制系统设计者所追求的目标，由此出现了模糊自适应控制器的设计。 模糊控制与神经网络相结合构成的模糊神经网络控制器，既具有模糊控 制知识表达容易又兼有神经网络自学习能力强的优点，它不依赖于被控对象 精确的数学模型，并能根据被控对象参数和环境的变化自适应地调节控制器 的参数。模糊系统和神经网络相结合的方法有多种，概括起来有以下三类方 式【3 0 】： l 、功能模块的简单组合 在这类系统中，模块化的模糊系统和神经网络在内部结构上互相没有影 响，在功能上完全独立，各自充当子系统分别处理信号。完成控制时，用模 糊系统来处理便于用模糊规则表达的部分，用神经网络来处理难于用模糊规 则表达的部分，系统控制任务由两者共同实现。组合方式可采取串联或并联： ( 1 ) 并联组合 模糊系统模块和神经网络模块同时分别对系统输入信号做处理，各自的 输出经组合后得到实际控制量。 ( 2 ) 串联组合 模糊系统模块或神经网络模块单独享有系统输入信号，其输出信号再充 当另一方的输入信号。可认为前一个子系统模块是对信号的预处理。 2 、结构环节的互相辅助 模糊系统与神经网络在构建时可以互相充当对方的一个结构环节，使其 能力得以加强。 ( 1 ) 借助于模糊系统的神经网络 这种类型的模糊神经网络是以神经网络为主体，用模糊系统作为辅助工 具，利用模糊规则提供的专家知识及经验来设计和训练神经网络参数，也可 以利用模糊逻辑来设计神经网络的初始连接权，从而改进网络的学习能力、 收敛能力，提高网络的训练速度，能够克服神经网络易收敛于局部极小值的 缺点。 ( 2 ) 借助于神经网络的模糊系统 这种类型的模糊神经网络是以模糊系统为主体，用神经网络作为辅助工 具，可以利用神经网络调整模糊系统的前件或后件的隶属度函数，也可以自 动获取或优化模糊规则。另一方面具备联想记忆功能的神经网络还可以用于 结了模糊系统和神经网络相结合的方式。 ( 2 ) 探讨了模糊神经网络的原理和结构，研究了两种常见的模糊神经网 络结构n f n n 与a n f i s ，分析了它们各自应用的特点。 ( 3 ) 总结了c s t r 系统的特点，分析了常规控制方法的不足，基于预测 控制原理给出了c s t r 系统温度控制的智能预测控制方案。 1 0 哈尔滨t 程大学硕士学位论文 第2 章模糊神经网络结构 2 1神经网络 人工神经网络的发展经历了半个多世纪，从2 0 世纪4 0 年代初到8 0 年代， 神经网络的研究经历了低潮与高潮几起几落的发展过程。早在2 0 世纪初，人 们就已经发现人脑的工作方式与现在的计算机是不同的。人脑是由极大量基 本单元经过复杂的相互连接而成的一种高度复杂的，非线性的并行处理的信 息处理系统。人工神经网络正是在人类对其大脑神经网络认识理解的基础上 人工构造能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学 模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它 实际上是由大量简单元件相互连接组成的复杂网络，具有高度的非线性，能 够进行复杂的逻辑操作和非线性关系实现的系统。 2 1 1 神经元模型 图2 1 人工神经元模型 人工神经元模型如图2 1 所示。它相当于一个多输入单输出的非线性阈 值器件。定义p = p 。p 2 p 月】r 为神经元的输入向量；w = m ，w 2 ， 表示其 他神经元与该神经元的权值向量；矽为该神经元的阈值，如果神经元输入向 量的加权和大于9 ，则该神经元被激活。神经元的输出可表示为： 卫 口= 厂( 只一秒) ( 2 - 1 ) 哈尔滨工程大学硕士学位论文 j 宣暑i 置暑i i i i i 宣置置暑置宣昌昌置置i 暑葺；i i 置葺；i 暑暑宣葺置i 暑昌宣i i 暑盲i j i i ；i i 宣暑宣葺葺宣宣皇一 1 1 i i i i i 昌暑宣暑宣毒号昌置暑i 宣暑 2 1 2 神经网络结构 只有上亿个生物神经元连接成生物神经网络，才能完成对外部感知信息 的处理、记忆、学习等。同样，单个人工神经元往往不能完成对输入信号的 处理，它要按一定的规则连接成网络，并让网络中每个神经元的权值和阈值 按一定的规则变化，才能实现所设计神经网络的功能要求。人工神经网络的 连接形式和其拓扑多种多样，总的来说有两种形式，即分层型和互联型神经 网络。 分层型神经网络的拓扑结构如图2 2 所示，它又分为简单前馈网络、反 馈型前馈网络和内层互联前馈网络。 ( a ) 一般前馈网络 ( b ) 反馈型前馈网络 ( c ) 内层互联前馈网络 图2 2 分层型神经网络的拓扑结构 分层型神经网络将所有神经元按功能分为若干层，一般有输入层、中间 层和输出层，各层顺序连接。中间层不直接与外部输入和输出打交道，所以 又称为隐层。根据处理功能的不同，隐层可以有多层，也可以没有。 其中反馈型前馈网络是在分层前馈网络的基础上，将网络的输出反馈到 网络的输入，反馈可以将输出全部反馈，也可以是部分反馈。增加了反馈结 构的人工神经网络已经不是一种输入模式和输出模式之间的线性或非线性映 射关系，其复杂程度已经上升到一个非线性动力学系统。 互联型神经网络的拓扑结构如图2 3 所示，其网络的任意两个神经元都 相互连接，构成全互连神经网络；如果不是全部的神经元都彼此相互连接， 则构成局部互连神经网络。互联型神经网络中的信息在神经元之间可以反复 传递，造成网络状态的不断变化。系统整体从某一初始状态开始，经过不断 变化的过程，最后进入某一平衡状态、周期震荡或其他状态。 1 2 g m t ： 大前提：如果x 为a ，则y 为b 小前提：y 为b 7 结论：x 为 其中x 、y 分别是论域x 、】，上的语言变量，a ，a 7 f ( x ) ，b ，b 7 f ( y ) 。 大前提是一条“i f - - t h e n 形式的模糊规则，礤部分是规则的前提， t h e n 部分是规则的结论。 为了用数学方法表述推理过程，z a d e h 提出了一种合成算法：假定彳、b 分别是x 、y 上的模糊集合，而尺是从x 到y 的一个模糊关系。则根据模糊 集合4 和模糊关系r 求模糊集合b 的算法是： 2 s ( y ) = 品彳( x ) 版( x ，y ) ) r y ey ( 2 2 ) 记为：b = ao r 哈尔滨工程大学硕士学位论文 则上述前向推理可表示为：b 7 = a 7 0 r 反向推理可表示为：a = ro b 7 推理算法的推导主要与以下两种因素有关：一是模糊蕴含算法，二是推 理合成算法的定义。x 到y 的模糊关系r 的求法直接由模糊蕴含的定义得 来，不同的模糊蕴含的定义会给出尺的不同形式。合成算法采用不同交、并 算子，将得到不同的运算结果。通常合成运算可以选用“v 一 ”( 取小一取大) ， “v o ”( 取小一有界积) ，“v n ”( 取小一强化积) 等运算。描述模糊条件 语句的前件部分的连接词“而且”和“否则”的不同定义，也会影响到模糊算法 的形式【3 1 】。 m a m d a n i 提出的推理算法是用最小运算规则来定义彳到y 的关系r ： r = a x b 。上】，以( x ) 他( y ) ( x ，y ) ( 2 3 ) 当合成运算采用“v a ”时 对于前向推理，结论b 7 为： w ta p o r 2 i 姜，( x ) a g ( x ) t s ( y ) ) y ( 2 - 4 ) 对于后向推理，结论彳为： 彳7 = r 。2 上善( 儿 ) a 1 8 ( y ) 觞，( y ) ) x ( 2 - 5 ) m a m d a n i 算法是模糊逻辑控制器f l c ( f u z z yl o g i cc o n t r o l l e r ) 设计中经 常采用的推理算法。 根据不同的推理算法和不同的规则复合方式，可以构造不同的模糊推理 系统。除了用m a m d a n i 算法构造的m a m d a n i 推理模型之外，其他常见的用 于构造模糊推理系统的推理模型有：t s u k a m o t o 模糊推理、t a k a g i - s u g e n o 模 糊推理、l a r s e n 模糊推理等。 2 2 2m a m d a n i 模糊推理 m a m d a n i 推理模型是基于多重多维模糊推理构造的。以多重二维模糊推 理为例，其逻辑表述为： 1 4 1 篁望耋蛰i 丝些垒垡一 大前提：若x 为4 ，_ ry 为昼，则z 是q 。，否则 若x 为4 ，ry 为盈，则z 是q 2 ，否则 若x 为4 ，ry 为吃，则z 是q 。，否则 若工为4 ，ry 为最，则z 是呸，否则 若x 为4 ，且y 为垦，则z 是乞，否则 若x 为4 ，_ ry 为吃，则z 是q 。，否则 若工为屯，ry 为且，则z 是吒。，否则 若x 为a ，_ ry 为岛，则z 是巳：，否则 结论：z 为c 7 其中，石模糊化后的取值范围是m 重模糊量；y 模糊化后的取值范围是，z 重 模糊量。推理模型的前件由m ，l 条模糊规则构成。推理逻辑的数学表述为： c 7 = ( a 7 们。ur o ( a ，b j ；岛) 9 1j = l ( 2 6 ) ：v ， i - a 7 。蜀( 4 ；g ) n b 7 。t ( 哆；巳) ) = 矧u 矧7 。蜀( 4 ；g ) j n l b 7 。t ( 哆；巳) 卅 根据m a m d a n i 推理算法有： f = 纛 b 叙力 ( 4 ( 功 g ( z ) ) 善 砌 ( e g ( 砌讪 = i - - - ij = l 盯 l m v x 【彳 4 刚人岛( 叫 昌 人岛叫 g ( z ) 山 ( 2 - 7 ) ：0 羔【纵功 4 ( 功】 昌 砌八弓皿人g 由重叠性定义： r l ( a l a , ) 2 善竺“ 1 ( 2 8 ) 态彳7 、口7 与i j 规则匹配的程度，即该条规则对输出c 7 的贡献程度是吩。 对上述m a m d a n i 推理过程的解释如图2 4 所示： o l o o 静r ：_ c l a j y 1 z !气、_ y ：0 o 图2 4m a m d a n i 模糊推理算法 特别地，当输入量i 、歹用单点模糊集作模糊化时： = 心( i ) , b )(2-)j 1 2 当各规则的后件c ：( 也是单点模糊集时，即z - z i j ，若对结论做加权平均， 则结论进一步简化为： z = a o z u ( 2 1 3 ) 一 。 i = l ，= l 为方便表述，在下文的各结论表达式中将略除小前提和大前提后件的标 1 6 = n ( 一) ( 2 1 6 ) = l 根据上述以加权平均法解模糊的简化m a m d a n i 推理模型，可进一步构造 正规化模糊神经网络n f n n ( n o r m a lf u z z yn e u r a ln e t w o r k ) 。 2 2 3t s 模糊推理 由t a k a g i 和s u g e n o 提出的t s 模糊推理( 也称为s u g e n o 推理) 也是 经常用到的一类推理模型，是一种在规则后件采用函数的简化模糊推理。其 函数是在输入空间上定义的。 t s 模糊推理的逻辑表述为： r ：正一i s4 ，工2i s 彳，i s 带t h e n y i i s f ( x l , x 2 ，j ”) i = 1 ，l 在简化推理的基础上即可得出结论： y = 暖z ( 2 1 7 ) i = 1 其中： 醉a i 鼍仅。 = n 心( 工7 ) ( 2 - 1 8 ) ( 2 一1 9 ) 哈尔滨下程大学硕士学位论文 通常函数z ( 工1 ，x 2 ，j ”) 设计为线性函数( 一阶s u g e n o 模型) ： ，= 矿+ 露工1 + 砰工2 + + 矿，( 2 2 0 ) 由s u g e n o 模型可以看出，m a m d a n i 推理实际上是s u g e n o 模型的线性函 数取零阶时的特例。 根据该推理模型可进一步构造自适应神经网络模糊推理系统a n f i s ( a d a p t i v en e u r a lf u z z yi n f e r e n c es y s t e m ) 。 2 3 两种常见的模糊神经网络结构 2 3 1 模糊神经网络的类型 尽管模糊神经网络的研究领域是明确的，但由于模糊理论与神经网络相 结合的可能方式多种多样，目的不一，各种网络结构和结合方式还在不断开 发之中，因此造成模糊神经网络的概念并没有十分明确的定义。仅仅以串并 行等宏观方式的组合模糊系统与神经网络系统显然不在模糊神经网络的定义 范畴之内。 一种观点认为模糊神经网络在本质上就是将常规的神经网络赋予模糊输 入信号和模糊权值，神经网络的输入和输出可以看成推理的原因和结梨3 引。 本文认为：由于模糊理论是探讨以算法为基础的系统，而神经网络理论是探 讨以结构为基础的系统，因此二者主要结合路线有两条：i 是用神经网络结 构来构造模糊算法，以实现算法为目的，i i 是用模糊算法来构造神经网络结 构，以实现结构为目的。 不论是i 型还是i i 型的模糊神经网络，都是广