（车辆工程专业论文）模糊神经网络理论及应用于呼吸机控制的关键技术研究.pdf

摘要 呼吸机是医院必备的救护工具之一，呼吸机的研究跨医学，机械学、计算机学等多门学科， 研究的难度相对较大。我国目前的呼吸机虽然装机了多种通气模式，但是在任何一种模式下，都 需要有临床医生进行参数的选取以及控制量大小的设置。这大大加重了l 临床医生的工作负担。 从数学的角度来看，由于人体生理结构的复杂性以及个体的差异，呼吸机的参数调节和控制 无法用精确的数学模型进行描述，更多地依赖于医生的从业经验。模糊系统具有较强的知识表示 及解释能力，神经网络则在知识的获取、自适应、学习及并行计算方面表现突出。将模糊系统与 神经网络系统结合，可以形成一类功能强大的智能系统。 本文首先提出如何将临床医生对呼吸机参数的调整经验转化为用模糊集合表示的专家知识 库，并用隶属函数来表示呼吸参数值。 利用模糊神经网络的理论来设计呼吸机的控制系统，给出了模糊神经网络的结构，采用三角 模糊权的方法优“d b p 神经网络的学习算法，用口截集计算权值和阈值。根据呼吸机输入和输出参 数的特点，本文还给出了进一步对模糊神经网络的系统结构以及输出权重进行优化和对模糊规则 进行修正的方法，给出了病人生命体征状态控制器、生命状态发展趋势控制器以及决策控制器的 设计过程。 本文提出一种新型的模糊神经网络推理自组织学习的呼吸机控制系统模型，用模糊神经推理 网络控制器直接实现模糊量化、模糊规则的快速并行推理运算、逆模糊化和平均判决，给出控制 量，用性能测量指标网络实现控制量修正，通过离线训练使性能测量指标网络联想记忆性能测量 决策表，以提供给模糊神经推理网络控制器在线学习信号。 本文为呼吸机控制系统的实验研究构建了一个开放的实验室平台，设计了p c 机和微处理器 之间的串口通讯程序，实现了p c 机和呼吸机控制系统中的微处理器之间的数据实时传送。设计 了模糊控制和模糊神经网络控制两套呼吸机控制主程序，实时监测呼吸机支持压力变化情况，简 化呼吸机参数的设置和通气过程中的调试，提高了控制效果。 本文进行的模糊神经网络理论应用于呼吸机控制的研究，是实现呼吸机智能化的基础性工 作。利用模糊神经网络使呼吸机具有学习和预测能力，提高控制效果，使呼吸机控制技术有重大 提高。这一技术的研究、发展和完善将把我国的呼吸机研究推向一个新的水平 关键词：呼吸机，模糊逻辑，模糊神经网络，优化设计 n a b s t r a c t t h ev e n t i l a t o rmo n eo f t h ee s s e n t i a lr e s c u et o o l si nh o s p i t a l t h er e s e a r c ho f v e n t i l a t o r sn e e d st h e k n o w l e d g eo fm e d i c a ls c i e n c e ，m a c h i n e r ya n dc o m p u t e rs c i e n c e ，a n dt h er e s e a r c hi sd i f f i c u l t t h o u g h t h ev e n t i l a t o r sh a v ev a r i o u sv e n t i l a t i n gp a t t e r n si no u rc o u n t r yn o w ，h o w e v e rt h ev e n t i l a t o r sn e e dt h e c l i n i c i a n st os e l e c tp a r a m e t e r sa n dc a r r yo u tt h ec o n t r o li na n yk i n do fp a t t e r n t h i sh a sg r e a t l y a g g r a v a t e dt h ew o r k i n gb u r d e no f t h ec l i n i c i a n s f r o mt h ea n g l eo fm a t h e m a t i c s ，b e c a u s eo ft h ec o m p l e x i t ya n di n d i v i d u a ld i s c r e l m c yo ft h e p h y s i o l o g i c a ls t r u c t u r eo f h u m a nb o d y , t h ep a r a m e t e rr e g u l a t i o na n d c o n t r o lo f t h ev e n t i l a t o r se a nn o t h ad e s c r i b e db ya c c u r a t em a t h e m a t i cm o d e l sa n dr e l y0 1 1t h ed o c t o r s w o r k i n ge x p e f i e n c e f u z z ys y s t e m h a ss t r o n gk n o w l e d g es h o w i n ga n de x p r e s s i n ga b i l i t y n e u r a ln e t w o r kt a k e so u t s t a n d i n gr o l ei nt h e a s p e c to f k n o w l e d g eg e t t i n g , s e l f - a d a p t i v e ，s t u d ya n dp a r a l l e lc a l c u l a t i o n ak i n do f p o w e r f u li n t e l l i g e n t s y s t e mc a nh af o r m e db yc o m b i n i n gf u z z ys y s t e mw i l hn e u r a ln e t w o r ks y s t e m f i r s tt h ep a p e rs h o w sh o wt oc h a n g et h ea d j u s t m e n tc x v , - r i e n c eo f c l i n i c i a n sf o rt h ep a r a m e t e r so f t h ev e n t i l a t o ri n t oe x p e r tk n o w l e d g ed a t a b a s eb yu s i n gf u z z ys e t s ，a n dh o wt oe x p r e s sr e s p i r a t i o n p a r a m e t e rv a l u e sb yu s i n gs u b o r d i n a t ef u n c t i o n s t h ep a p e ru s 嚣t h em e o 巧o ff h 盘了n 即i i b ln e t w o r kt od e s i g nt h ev e n t i l a t o rc o u u - o ls y s t c 皿t h e s t r u c t u r eo f t h ef u z z yn a h 蛆n e t w o r kh a sb e e ng i v e n t h ep a p e ru s e st h em e t h o do f t r i a n g l ef h z 巧r i g h t w e i g h tt oo p t i m i z et h el e a r n i n ga l g o r i t h mo fb p n o i i a ln e t w o r k , a n du s e st h e 口s e t st oc a l c u l a t et h e r i g h tw e i g h t sa n dt h r e s h o l dv a l u e s a c c o r d i n gt ot h ec h a r a c t e r i s t i co f i n p u ta n de x p o r tp a r a m e t e r so f t h a v e n t i l a t o r , t h e p a p e r h a sg i v e n t h e m e t h o d o f h o w t o f u r t h e ro l m i l l i z e t h es y s t e mc o n s t r u c t i o no f f u z z y n e u r a ln e t w o r ka n de x p o r tr i g h tw e i g h t sa n dt h em e t h o d so fh o wt or e v i s et h ef u z z yr u l e s t h e d e s i g n i n gc o u r s eo f t h ep a t i e n tl i f ec o n d i t i o nc o n t r o l l e r , t e n d e n c yc o n t r o l l e ra n dd e c i s i o nc o n t r o l e r h a s b e e ng i v e n t h ep a p e rp u t sf o r w a r dan e wk i n do ff u z z yn e u r a ln e t w o r kf o rt h ev e n t i l a t o rc o n t r o ls y s t e m , w h i c hc m a k ei n f e r e n c e sb ys e l fs t u d y t h em o d e ll l s e sf u z z yn e u r a li n f e r e n c en e t w o r kc o n t r o l l e rt o d i r e c t l yr e a l i z ef u z z yq u a n t i f i c a t i o n , f a s tp a r a l l e li n f e r e n c eo p e r a t i o no ff u z z ym l e s ，l v e r $ ef u z z ya n d a v e r a g ev e r d i c t t h em o d e lc a na l s or e a l i z ec o n t r o lc o r r e c t i o nw i t hp r o p e r t ym e a s u r ei n d e xn e t w o r k , t h e p r o p e r t yn i n d e xn e t w o r kc mm e m o r i z ep r o p e r t yi l l l l r ed e c i s i o nt a b l et h r o u g ho f f l i n e 岫。8 0 t oo f f e ro n l i n el e a r n i n gs i g n 丑lf o rf u z z yn e u r a li n f e r e n c en e t w o r kc o n t r o l l e r t h ep a p e rh a sb u i l ta no p e nl a b o r a t o r yp l a t f o r mf o rt h ee x p e r i m e n ts t u d yo f t h ev e n t i l a t o rc o n t r o l s y s t e m , d e s i g n e da s e r i a lc o n a n u n i c a t i o up r o g r a mb e t w e e nt h ep e r s o n a lc o m p u t e ra n dt h et i n yp r o g e s s o t , a n dr e a l i z e dt h ed a t ar e a l - t h n ed e l i v e rb e t w e e nt h ep e r s o n a lc , o m p u t e ra n dt h et i n yp r o c e s s o ri nt h e v e n t i l a t o rc o n t r o ls y s t e m t h ep a p e rh a sa l s od e s i g n e dm a i np r o g r a m sf o rt h ev e n t i l a t o rw i i l lf o = y c o n t r o la n df u z z yn e u r a ln e t w o r kc o n t r 0 1 s oa st oi n s p e c tt h ec o n d i t i o no fs u p p o r tp r e s s u r ec h a n g eo f t h ev e n t i l a t o r , s i m p l i f yt h ep a r a m e t e rs e t t i n ga n dd e b u g g i n gi nt h ev e n t i l a t i n gd u r a t i o n t h er e s e a r c h o f t h ea p p l i c a t i o n o f f o z z y n e u r a l n e t w o r k t h e o r y i n t h ec o n t r o l o f t h e v e n t i l a t o r i s t h e i l l b a s i cw o r kt or e a l i z ei n t e l l i g e n c eo f t h ev e n t i l a t o r t h ew o r kc a nm a k et h ev e n t i l a t o rh a v el e a r n i n ga n d f o r e c a s t i n ga b i l i t yb yu s i n gf u z z yn e u r a ln e t w o r k , a n dr a i s et h ec o n t r o lt e c h n o l o g yo f t h ev e n t i l a t o r t h e r e s e a r c ha n dd e v e l o p m e n to ft h i st e c h n o l o g yw i l lp u s ht h er e s e a r c ho fv e n t i l a t o r so fo u rc o u n t r yt oa n e wl e v e l k e y w o r d s ：v e n t i l a t o r ，f u z z yl o g i c ，f u z z yn e u r a ln e t w o r k ，o p t i m i z a t i o nd e s i g n 阻表清单 第二章呼吸机控制中的模糊逻辑算法设计9 图2 1 模糊逻辑算法的结构l l 图2 - 2s a 0 2 的隶属函数1 l 图2 - 3p a c 0 2 的隶属函数1 2 图2 4h r 的隶属函数1 3 图2 - 5 v t 的隶属函数1 3 图2 - 6r r 的隶属函数1 4 图2 7a r r 的隶属函数1 6 图2 - 8a s a 0 2 的隶属函数1 7 表2 1 基于s a 0 2 、h r 两个参数的病人生命体征状态评价表1 4 表2 - 2 基于p a c 0 2 、v t 、r r 、h r 和s a 0 2 的病人生命体征状态评价表1 6 表2 - 3 病人生命体征状态变化趋势表1 7 表2 _ 4 呼吸机支持压力调节量表1 8 第三章基于神经网络的呼吸机模糊逻辑控制优化2 0 图3 - 1 模型整体框架2 1 图3 - 2 神经网络拓扑结构2 2 图3 - 3 模糊神经网络的工作过程2 5 图3 4 结论层的隶属度函数2 7 图3 - 5 降缸、和阡缸位) 、阡如( 口) 之间的关系示意图2 9 图3 - 6 输出量权值调整网络3 2 图3 7 模糊神经网络结构优化示意图3 3 图3 - 8 基于h r 和s a 0 2 两个变量的模糊神经网络3 5 图3 - 9 基于h r 和s a 0 2 两个变量的模糊神经网络简化3 6 表3 - 1 模糊系统和神经网络系统的比较2 0 表3 2 网络权值表3 5 第四章基于模糊神经网络的呼吸机控制系统实现3 7 圈4 1 用神经元模拟单边梯形模糊集3 7 图4 - 2 梯形模糊神经元4 0 图4 - 3 三角模糊神经元4 0 图4 _ 4 去模糊化4 l 图4 - 5 生命体征状态控制器神经网络结构4 2 图4 - 6 状态控制器程序设计流程4 3 图4 7 状态控制器训练网络4 6 图4 8 趋势控制器程序设计流程4 8 图4 - 9 趋势控制器神经网络结构4 9 图4 1 0 趋势控制器训练网络5 0 图4 - 1 1 模糊神经网络判决器5 l l 图4 - 1 2 决策控制器训练网络5 2 图4 - 1 3 模糊神经网络整体设计图“5 3 图4 - 1 4 模糊神经网络控制器训练流程与控制流程5 4 表4 1 输入层到模糊化层的初始联接权值“ 表4 2 隐含层到输出层的初始联接权值4 4 表4 - 3 状态控制器学习样本表4 6 表4 - 4 状态控制器输出对比表4 7 表4 - 5 模糊化层到隐含层的联接权值4 9 表4 - 6 隐含层到输出层的联接权值5 0 表4 7 趋势控制器输出对比表5 0 表4 - 8 输入层到隐含层的初始联接权值5 2 表4 - 9 隐含层到输出层的初始联接权值5 2 表4 - 1 0 决策控制器输出比较表5 3 表4 - 1 1 临床样本数据5 5 表4 - 1 2 临床数据学习结果的比较5 6 第五章基于呼吸窘迫症的呼吸机模糊神经网络白适应优化5 7 图5 - 1 理想呼吸机控制系统模型5 7 图5 - 2 人体肺部模型图5 8 图5 - 3自组织型模糊控制器基本原理图6 0 图5 - 4 自组织型模糊神经网络控制呼吸机基本原理图6 2 图5 - 5p n n 结构图6 3 图5 - 6自组织型模糊神经网络控制呼吸机结构图“ 图5 - 7自组织型模糊神经网络控制器训练流程与控制流程6 5 图5 - 8 呼吸窘迫病人调节趋势图6 6 表5 1 性能测量决策表6 l 表5 - 2 性能测量运算表6 l 表5 - 3 性能测量运算表的规范化6 2 表5 _ 4 呼吸窘迫症调节学习样本表6 6 第六章呼吸机模糊神经网络控制实验研究与应用分析6 8 图6 - l 模糊神经网络控制呼吸机逻辑结构图碍 图6 - 2 模糊神经网络控制呼吸机实际连接图6 9 图6 _ 3 实验系统接口连线图7 0 图6 _ 4 控制系统数据流7 0 图6 - 5 模糊神经网络控制呼吸机操作主界面7 l 图6 - 6 三种算法控制曲线比较图7 5 图”模糊控制与模糊神经网络控制的震荡幅度比较7 6 图6 - 8 三种调节方式的控制曲线图7 7 表6 - 1 生理参数变化样例7 2 表6 - 2 生理参数变化样例的模糊逻辑运算结果表7 3 表6 3 生理参数变化样例的模糊算术运算结果表7 4 表6 _ 4 生理参数变化样例的模糊神经网络运算结果表7 4 v l l i 文中主要符号的物理意义 p s v 调节压力变化百分比 辅助控制通气 自动持续通气 病人生命体征状态 状态控制器的第i 个输出 病人生命体征状态变化趋势 趋势控制器的第i 个输出 持续气道正压 肺静脉等效顺应性 模糊神经网络输出的误差函数 误差函数的口截集 吸入氧浓度 模糊神经网络 模糊神经网络控制器 隐含层神经元i 的输出 输入层神经元i 的输出 决策控制器的第i 个输出 隐含层神经元i 的输入 输出层神经元i 的输出 输入层神经元i 的输入 吸呼比 重症监护室 分钟通气量 潮气量 间歇指令通气 增强型的分钟指令通气 心搏频率 p s v 调节压力变化百分比模糊集合 i x 嗽 一。 一一一q正。删耽脯一 皿 b 奶 q 蜀眦删u 附舢腿p “( n 地( 如n c 动脉血二氧化碳分压 肺泡压 动脉血氧分压 比例辅助通气 压力控制通气 呼气末正压 呼吸时外界压力 酸碱度 在线学习模糊神经网络 压力支持通气 模糊关系矩阵 呼吸频率 动脉血氧饱和度 同步间歇指令通气 s a 0 2 模糊参数集 s a o ，隶属函数 h r 模糊参数集 h r 隶属函数 v t 模糊参数集 v t 隶属函数 r r 模糊参数集 p a c 0 2 模糊参数集 p a c o 。隶属函数 隐含层神经元到输出层神经元k 的权值 输入层神经元f 到隐含层神经元，的权值 胜者通吃网络( w i n n e r t a k e s a l l ) 神经网络的输出 去模糊化后的神经网络输出 呼吸频率变化量 血氧饱和度变化量 x 一 岘州州一 出洲州足腿 蚍 u 碱 嘲 腆 蛳 协 洲 r 州膨 州 r a t 0工念 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发 表或撰写过的研究成果，也不包含为获得中国农业大学或其它教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示了谢意。 研究生签名：。坚亏工 时间：j 7 年月2 日 关于论文使用授权的说明 本人完全了解中国农业大学有关保留、使用学位论文的规定，即：学校有权保留 送交论文的复印件和磁盘，允许论文被查阅和借阅，可以采用影印、缩印或扫描等复 制手段保存、汇编学位论文。同意中国农业大学可以用不同方式在不同媒体上发表、 传播学位论文的全部或部分内容 ( 保密的学位论文在解密后应遵守此协议) 研究生签名：丛工时间：2 0 7 年6 月2 日 导师签名： 彳义圣兰 时间： 工- 7 年占月j 日 第一章绪论 1 1 模糊神经网络控制理论基础 神经网络、模糊逻辑是人工智能目前最新的理论基础，在国际上受到人们的高度关注，也是 现在各国学者热衷于研究的前沿课题。人们对这两种新理论的兴趣在于它们在人工智能的实现过 程中有着十分重要的应用价值。不少学者不约而同地认为：未来不久的前沿核心技术将是模糊逻 辑和神经网络结合的新技术神经模糊技术。 神经网络是基于人类神经网络解剖的基础上的，它描述的是人类神经网络传递、处理信息的 微观过程。并且，企图从这种微观过程来模仿人的智能，探索人的智慧形成、表现形式嘲。 模糊逻辑则是基于人类模糊思维这一抽象机理上，它描述的是人类模糊思维的方式、方法相 关的宏观过程。同时，期望在这个宏观过程中掘挖人的智能形态，以及模拟人的智能作用。 模糊逻辑是用人类的语言语句表述的，因此，它较为直观，也易于为人所理解。模糊数学为 模糊逻辑的研究和开发提供了数学基础用模糊逻辑去研究人的智能是一个重要的途径。模糊控 制是模糊逻辑应用最多最广泛的一个领域嘲由于模糊控制器是一种非线性的控制器，其控制机 制是用以条件语句表述的控制规则来刻划的，所以，它带有明显人类智能思维的特征。模糊控制 也存在一个缺陷，这就是没有一种良好的学习架构和方法。这就需要寻找相应的补救办法。 模拟人类实际神经网络的数学方法问世以来，人们已慢慢习惯了把这种人工神经网络直接称 为神经网络 4 1 。神经网络在系统辨识，模式识别、智能控制等领域有着广泛而吸引人的前景。特 别在智能控制中，人们对神经网络的自学习功能尤其感兴趣，并且把神经网络这一重要特点看作 是解决自动控制中控制器适应能力这个难题的关键钥匙之一伪 神经网络的基础在于神经元。神经元是以生物神经系统的神经细胞为基础的生物模型旧。在 人们对生物神经系统进行研究以探讨人工智能的机制时，把神经元数学化，从而产生了神经元数 学模型。大量的形式相同的神经元连结在一起就组成了神经网络。神经网络是一个高度非线性动 力学系统们虽然每个神经元的结构和功能都不复杂，但是神经网络的动态行为则是十分复杂的， 因此，用神经网络可以表达实际物理世界的各种现象。 神经网络模型是以神经元的数学模型为基础来描述的神经网络模型由网络拓扑、节点特点 和学习规则来表示嗍。神经网络对人们的巨大吸引力主要在下列几点： 1 并行分布处理； 2 高度鲁棒性和容错能力； 3 分布存储及学习能力； 4 能充分逼近复杂的非线性关系。 在控制领域的研究课题中，不确定性系统的控制问题长期以来都是控制理论研究的中心主题 之一，但是这个问题一直没有得到有效的解决嘲。利用神经网络的学习能力，使它在对不确定性 系统的控制过程中自动学习系统的特性，从而自动适应系统随时问的特性变异，以求达到对系统 的最优控制，显然这是一种十分振奋人心的意向和方法。 l 中国农业大学博卜学位论文 第一章绪论 神经网络的关键特性和基本限制是其所知的信息为隐含的，如果要理解它几乎是不可能的。 而赋予它的权是它工作性能的关键，然而却又无法知道权值和理解神经网络在做什么。也就是说， 神经网络所用的“语言”对于我们来说是难以理解的。而模糊逻辑及其系统并不像神经网络，它 所具有的“知识”可通过该领域的专家提供，模糊逻辑规则是靠人的直觉经验制定的，但它本身 并不具备学习能力。在复杂系统中，模糊控制规则越多，则计算复杂性越大，且需要识别和建立 规则的时间随规q 数增加而以指数形式增长【研。这大大限制了模糊逻辑的应用范围。模糊逻辑和 神经网络虽然在概念与内涵上有着明显的不同，但二者都是为了处理实际中不确定性、不精确性 等引起的系统难以控制的问题。模糊逻辑模仿人脑的逻辑思维，用于处理模型未知或不精确的控 制问题，神经网络模仿人脑神经元的功能，可作为一般的函数估计器，能映射输入输出关系。由 于各自结构上的特点，它们在应用中也有各自的优缺点，模糊逻辑系统和神经网络都是无模型估 计器。神经网络的映射能力早已为许多学者所证明。近年来，b k o s k o 、lw a n g 、m s i n g h 等人 证明了模糊逻辑系统能以任意精度逼近紧致集上的实连续函数【l l u 2 1 ，这说明它们之间有着密切的 联系。 把模糊逻辑和神经网络相结合就产生了一种新的技术领域：这就是模糊神经网络。模糊神经 网络就是具有模糊权系数或者输入信号是模糊量的神经网络，将模糊逻辑( f l ) 加入各种类型的神 经网络可以取长补短。充分发挥两者的优点这实际上是人大脑结构和功能的模拟一一大脑神 经网络“硬件”拓扑结构+ 信息模糊处理“软件”思维功能1 1 月 1 2 模糊控制和模糊神经网络研究的国内外现状 控制科学是在本世纪形成和发展起来的一门新兴学科，至今已走过7 0 年左右的历程。大体上 看，前3 0 年基于经典控制论，后4 0 年则奠定在现代控制论基础之上【1 4 1 。两类控制论在控制领域皆 已取得卓越成就。它们的基本点是控制器的设计要建立在被控对象的精确数学模型( 包括传递函 数和状态方程) 的基础上。 然而，在许多现实场合，被控对象( 或生产过程) 的精确数学模型很难建立。为解决这种大系 统、复杂系统中难以精确化的问题，美国控制论专家l a z a d e h 于1 9 6 5 年在其论文f u z z y s e t s 中 提出了模糊集合，创立y f u z z y 集理论【l 习。随后1 9 7 4 年，英国学者b f i m a r t t t a n i 把模糊逻辑与模 糊语言用于工业控制，标志着模糊控制论的诞生嗍。 模糊控制( f u z z yc o n t r 0 1 ) 是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的一种计算 机数字控制，从线性与非线性的角度分类，它是一种非线性控制；从控制论的智能性看，它属于 智能控制的范畴。 经过各国学者2 0 余年的不懈努力，模糊控制己取得长足发展，成绩斐然。模糊控制自诞生起， 在难以精确建模的控制场合，便显示其比常规控制稳定、效果好。利用模糊控制理论及其应用技 术，1 9 7 7 年英国的p a p p i s 和m a m d a n i 对交叉路口的交通信号配时进行了控制，使车辆平均等待时 间明显缩短旧。1 9 7 4 1 9 7 9 年期间，英、德、日、美，加等国的科学家先后做过对蒸汽机、锅 炉、汽轮发电机组等模糊控制的计算机仿真，效果均优于常规控制嗍。1 9 7 9 年i j p r o c y l 【和 eh m a m d a n i 提出模糊自组织控制器。引起了各国学者对自组织模糊控制器进行广泛和深入 2 中国农业大学博卜学位论文 第一牵绪论 的研究。 在我国，对模糊控制的研究始于7 0 年代末，起步虽晚，但硕果累累。1 9 8 0 年汪培庄、楼世博 给出模糊控制器的定义，并提出可响应问题。其论文于次年在i f a c 国际会议上宣读，引起了很大 反响 2 0 i 。龙升照、何开源等提出了模糊控制模型建立的依据【2 1 1 。1 9 7 9 1 9 8 0 年，陈国权讨论了模 糊控制器的算法简化问题。与此同时，宋大鹤研究了模糊控制器的电路实现问题吲。1 9 7 9 年李宝 绶和刘志俊发表了用模糊集理论测辨系统模型的论文嗍。1 9 8 1 年郑维敏、张洪良等用模糊集论对 模型参考自适应系统( m r a s ) 的设计进行了研究1 2 4 1 1 9 8 2 年，龙升照、汪培庄撰文讨论了模糊控 制规则的自调整问题阅。1 9 8 3 年邓聚龙发表了有关模糊控制稳定性问题的论文，给出了模糊自动 控制稳定的条件 2 6 1 。 8 0 年代中期，模糊控制理论已趋成熟，并很快步入了成果产品化和硬件实现阶段。自8 0 年代 以来，国际上，尤其在日本掀起了一股模糊控制产品化与模糊硬件工程热。在日本，模糊控制的 民用产品纷纷出笼。1 9 8 9 年8 月，三洋公司推出模糊控制电饭锅 2 7 1 。1 9 8 9 年1 1 月，三菱重工业公 司出售模糊控制空调器渊。1 9 9 0 年2 月，松下公司向市场投放模糊全自动洗衣机 2 9 1 。1 9 9 0 年2 月， 日 立公司一种应用模糊技术的吸尘器面市p o ) 。在我国，1 9 9 0 年北京师范大学的汪培庄及其学生研究 出我国第一台地膜生产模糊控制器，模糊产品推动了模糊控制发展的新高潮。 上述民用产品的模糊控制采用软件实现，途径是将所有计算过程与模糊决策表编成程序并固 化到计算机的存储器中其优点是成本低、通用性好缺点是反应速度较慢，不适用于要求响应极 快的控制。鉴于此，模糊硬件工程得以迅速发展，1 9 8 5 年， 日本的t y a m a k a w a ( 山川烈) 首先推 出模糊逻辑大规模集成电路，标志着模糊硬件的研制成功。同年，美国贝尔实验室研制成功模糊 推理芯片吲。1 9 8 7 年7 月，y a m a k a w a x 推出世界上第一台模糊推理样机唧我国也于1 9 8 8 年4 月 在北师大研制出世界上第二台模糊推理样机p , q 。 8 0 年代末至今，日、美、德等国许多家大公司都与模糊逻辑专业公司合作，致力于各种模糊 逻辑集成电路( 如模糊逻辑处理器、模糊逻辑单片机、模糊加速板等) 、模糊逻辑控制器开发工具 ( 含开发软件与硬件开发系统) 等的开发与推广工作。前者如日本欧姆龙公司的f z 系列， 富士公 司的m i c r e x 模糊系统等。后者包括美国国家半导体公司的新软, o f i n e u f u z 4 、日本n e c 公司的模 糊推理软件、德国i n f o r m 公司研制的f u z z y t e c h 3 0 软件等等p y l 3 6 1 前述模糊控制器的设计亦有不足之处，缺乏理论的指导和有效的设计方法。不仅隶属函数 的确定、模糊规则的选取来自人的操作经验，并需经过反复调试才能得到比较好的控制品质，而 且不能在线修正以适应控制对象的大范围变化。因此，模糊控制的自学习和自适应，也是需要解 决的瓶颈问题。 萌芽于本世纪4 0 年代并在7 0 年代重掀热潮的人工神经网络( a n n ) 理论，是利用巨量的并行分 布处理特性。通过给定的样本进行学习，再用学习的结果调整网络中各神经元的权值，从而实现 对新的输入的判别或分类。鉴于神经网络优越的自学习功能，利用它来解决模糊控制本身难以解 决的自学习、自适应问题，已成为国内外专家寄予厚望的一个新的研究方向。 1 9 7 4 年，s c l e e 以和e t l e e 在c y b e r n e t i c s 杂志上发表了。f u z z ys e t sa n dn e t a a ln e t w o a s ” 一文，首次把模糊集和神经网络联系在一起唧；接着，在1 9 7 5 年，他们又在m a t h b i o s c i 杂志上发 表了“f u z z yn e u r a ln e t w o r k s ”一文，明确地对模糊神经网络进行了研究。在文章中，作者用0 和l 之间的中间值推广了m e c u l l o c h - p i t t s 神经网络模型嗍。在以后一段时间中，由于神经网络的研究 3 中国农业大学博 1 学位论文 第一章绪论 仍处于低潮，所以在这方面的研究没有取得什么进展。1 9 8 5 年，j mk e l l c r 和d h u u f l 是出把模糊 隶属函数和感知器算法相结合嗍。1 9 8 9 年t y a m a k a w a 提出了初始的模糊神经元。这种模糊神经 元具有模糊权系数，但输入信号是实数1 4 0 。1 9 9 2 年，t y a m a k a w a 又提出了新的模糊神经元，新 的模糊神经元的每个输入端不是具有单一的权系数，而是模糊权系数和实权系数串联的集雀一“l 。 同年，kn a k a m t w a 和m t o k u n a g a 分别也提出了和t y a m a k a w a 的新模糊神经元类同的模糊神经 元嗍。1 9 9 2 年，d n a u c k 和i l 幻u 提出用单一模糊权系数的模糊神经元进行模糊控制及过程学 习 4 3 1 。而在这一年，lr e q u e n a 和m i ) e l g a d o 提了具有实数权系数，模糊阈值和模糊输入的模糊 神经元州。1 9 9 0 年至u 1 9 9 2 年期间，m m c , u p t a 黜了多种模糊神经元模型，这些模型中有类同 上面的模糊神经元模型。还有含模糊权系数并可以输入模糊量的模糊神经元p 目1 9 9 2 年开始， j j b a c k l e y 发表了多篇关于混合模糊神经网络的文章，它们也反映了人们近年来的兴趣点1 4 q 。 1 9 9 0 年中国科学院自动化研究所应行仁、曾南提出采用b p 神经网络记忆模糊规则的控制，并 进行了倒立摆的仿真试验哪采用神经网络实现的模糊控制，不必进行复杂费时的规则搜索、推 理，而只须通过高速并行分布计算就可产生输出结果。 实际上，模糊控制系统和神经网络具有整体功能上的等效性和各自特性的互补性，神经网 络完成的是从输入到输出的“黑箱式”非线性映射，但不具备象模糊控制那样的因果规律以及模 糊逻辑推理的较强的知识表达能力。将两者结合，后者正好弥补前者的上述不足。而神经网络的 自学习功能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故而可以 想象，以生物神经元网络为“硬件”，以模糊性处理感官输人信息为“软件”，构成模糊神经网 络( f n n ) 从而各取所长、优势互补，就能更好地模仿人脑的神经智能活动，推动智能信息处理 技术的发展。目前各国都在尝试这方面的工作，例如，日本利用f n n 技术解决动画片间的插图 问题，新加坡也将f n n 技术用于股票市场预测【卅。 模糊神经网络实质上是一个模糊一神经协作系统，对f n n 的研究，在f n n 模型和学习算法 方面已经提出了几种初步的方案，但其学习速度距实时在线应用的要求还有很大差距，对学习 算法的收敛性和f n n 控制系统的稳定性等问题还有待于解决，如神经网络的模糊输入、不确定信 息在网络中的传播、最终结果的理解等。当前，将模糊神经网络技术与各种新发展的技术如子波 变换、遗传算法等有机结合、交叉优化，已成为研究者们倾注的焦点【删 1 3 呼吸机的控制结构及通气模式 呼吸机是当前医院i c u 必备的抢救设备，是延长病人生命为进一步治疗争取宝贵时间的重要 工具。正常人呼吸时，通气量与吸气努力成正比。当参与呼吸的呼吸中枢、神经传导和或肺组 织等发生病变时，使相同吸气压力产生的通气量较正常明显降低。呼吸机借助机械装置、控制结 构，将空气、氧气或空气一氧气混合气压入肺内，产生或辅助病人的呼吸动作，使肺间歇性膨胀， 达到增强和改善呼吸功能、减轻或纠正缺0 2 与c 0 2 潴留堋“】 1 3 1 呼吸机的控制结构 呼吸机的出现是在2 0 世纪4 0 5 睥代脊髓灰质炎大流行时期嘲。起初是使用铁肺或胸甲做不 4 中国农业大学博卜学位论文 第一章绪论 同形式的负压通气。接着是气管插管或切开行正压通气 5 3 1 。 2 0 世纪4 0 年代后期出现的第一种现代正压呼吸机由一简单的结构和气阀系统组成。不能选择 通气模式，通常的控制仅仅包括在呼吸频率控制的前提下吸气压的控制，甚至因为使用了重复利 用的管道，吸入氧浓度( f