（计算机应用技术专业论文）智能控制在液滴监控系统中的实现与应用研究.pdf

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，也不包含为获得山东理工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。 研究生签名嗄所 时间：加7 年占月f 日 关于论文使用授权的说明 本人完全了解山东理工大学有关保留、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；学校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，可以采用影印、缩印或扫描等复制手段保存、汇 编学位论文。 ( 保密的学位论文在解密后应遵守此协议) 研究生签名：留少首 铷麟磁 日 日 6口q 月 月 6 b 年 年 柳砷 间 问 时 时 山东理u t 大学硕士学位论文 第一章绪论 1 1 液滴监控系统 1 1 1 课题的来源及意义 第一章绪论 目前，我国的大部分医院及社区卫生院、诊所等医疗机构进行点滴注射时，大都 采用传统的人工监护手动控制的方法，其输液速度是护士凭观察和经验通过调节输液 器上的手动滑轮来控制，输液量也是护士用只有两个标记的液体瓶倾倒后估计的。这 样不仅会影响预期治疗效果，而且对于一些对人体器官作用敏感需要严格控制输液速 度和输液量的药物，个体差异机体耐受力不同，由于医护人员少病人多，经常发生由 于输液过程中的异常、输液速度发生异变或监控处理不及时而引发的医疗事故。特别 是对于在手术中、手术后以及病情危重需要严格控制输液速度的人群，不仅会导致病 情加重，甚至危及病人生命。这也是造成医护人员工作量大、工作压力重的重要来源。 由此可见对类似于这些治疗过程采用自动化监控和管理是势在必行，而本系统的开发 为解决这些问题提供了较为有效的手段。 1 1 2 国内外研究水平和发展趋势 对于输液监控仪器的市场调查显示目前国外的产品技术和水平较高，应用也较为 广泛。现今我们所使用的产品都是进口的，价格比较昂贵。国内所有正在研制厂家的 产品也很不理想，且成本较高。如北京东方美源科技有限公司生产的输液监控仪都是 单机版，调整时阁为3 分钟，误差5 ，价位却在几千元。桂林市汇科医疗器械有限 公司的m ( 一a 1 型医用输液监控器，西安丰唐光电科技有限公司的输液报警器等均普 遍存在调整时间长，精度不够，功能不够齐全，价格较高等方面的弊端。 山东理工大学硕士学位论文第一章绪论 1 2 智能控制技术的发展及现状 1 2 1 发展的历史与现状 生产的发展及计算机的更新换代推进了控制技术不断向前发展。控制理论的发展 经历了以下三个阶段。第一个阶段是2 0 世纪4 0 一6 0 年代的“经典控制理论”时期， 主要是解决单输入单输出问题。第二阶段是2 0 世纪6 0 7 0 年代的“现代控制理论” 时期，由于空间技术的发展，形成以多变量控制为特征的现代控制理论。第三阶段从 2 0 世纪7 0 年代末至今，以分解和协调为基础，形成用于复杂系统的大系统控制理 论。 在科学技术和生产力水平高速发展的今天，人们对大规模、复杂和不确定性系统 实行自动控制的要求不断提高。传统控制理论力不从心，因此智能控制也就应运而生。 它在发展的同时，也不断深入到应用科技领域。 2 0 世纪6 0 年代是智能控制的孕育期。傅京孙提出把人工智能的直觉推理规则 方法用于学习控制系统，从而把人工智能引入到控制技术中。2 0 世纪7 0 年代是智能 控制的深化时期，诞生了一些新的思想、方法和较为有效的系统结构。傅京孙提出智 能控s j j - - 元论。e h m a m d a n i 首次将模糊集理论成功用于过程控制，进而提出模糊 控制方法。2 0 世纪8 0 年代是智能控制迅速发展的时期。瑞典著名学者k j a s t r o m 将专家系统技术引入控制系统，提出专家控制系统。而h o p f i e l d 网络及b p 算法为人 工神经网络注入了新的活力，从而出现了神经网络控制。智能控制作为一个新的学科 分支正式被控制界所公认。从2 0 世纪9 0 年代至今，智能控制进入了新的发展时期。 随着被控对象规模的扩大和控制过程复杂性的加大，以及随着人工智能技术、信息论、 系统论和控制论的发展，人们试图从更高层次上研究智能控制，如认知心理学、神经网 络技术、进化论及遗传算法、混沌论等。这不仅形成了智能控制的多元论，而且在应 用实践方面取得了突破性的进展u ，。 1 2 2 主要智能控制方法 ( 1 ) 模糊控制( f u z z yc o n t r 0 1 ) 模糊控制是应用模糊集合理论，通过模拟人的模糊推理和决策过程来实现智能控 制的一种方法。模糊推理过程主要依靠模糊规则和模糊变量的隶属度函数。它能将专 家的控制经验和知识表示成语言变量描述的控制规则，然后用这些规则去控制系统， 因此模糊控制特别适用于数学模型未知的、复杂的非线性系统的控制。 但是模糊控制系统还有许多理论和设计问题亟待解决。主要有：模糊控制器的稳 定性和鲁棒性理论分析问题；模糊控制精度较差，存在优化设计问题；模糊控制表( 规 则库) 一般要人工建立，尚无学习功能。 2 山东理工大学硕士学位论文第一章绪论 ( 2 ) 神经网络控制( n e u r a ln e t w o r k sc o n t r o d 人工神经网络是从机理上对人脑生理系统进行结构模拟的一种控制和辨识方法， 具有较好的学习和适应能力。神经网络可描述复杂和非线性系统的控制和辨识问题， 能充分逼近任意非线性特性。具有分布式并行处理机制、自学习和自适应能力及数据 融合能力，因而适合于多变量系统和多变量处理。这些特点使神经网络成为非线性系 统建模与控制的一种重要方法。 神经网络控制在理论和设计方法上还存在许多问题，有待进一步的研究。例如人 工神经网络系统稳定性的分析方法、神经网络结构和规模的选取及优化方法和学习和 控制算法的收敛住和实时性问题。 ( 3 ) 专家控制( e x p e r tc o n t r 0 1 ) 专家控制这是一种结合人的感知经验与定理算法的智能控制方法。其主要优点是 在层次结构上、控制方法上和知识表达上有灵活性、启发性和透明性，既可以采用符 号推理也允许数值计算，既可以精确推理也可以模糊决策。 专家系统主要由知识获取、知识库、推理机和解释器四个部分组成：知识获取用 来修改知识库中原有的知识和扩充知识；知识库用于存储原理性知识、专家的经验知 识等；推理机根据当前的输入数据或信息，利用知识库中的知识，按一定的推理策略去 处理、解决当前的问题；解释器根据知识的语义，向用户进行解释。 由于专家系统控制不需要被控对象的数学模型，因此它是目前解决不确定性系统 的一种有效方法，应用较为广泛。但仍存在设计上的随意性和不规范性，而对于知识的 获取、表达和学习，以及推理的有效性和实时性也难以保证。 ( 4 ) 当前研究热点 随着人们对不确定性、复杂性控制问题的深入研究，模糊逻辑、神经网络和专家 系统被广泛地引入到控制理论中来。由于几种控制方法各有特点，有些研究者集成这 些方法，形成了模糊神经网络控制和专家模糊控制等多个方向。子波变换、遗传算法 与模糊神经网络的结合、以及混沌理论等，也将成为智能控制的发展方向。 1 2 3 应用及发展前景 目前智能控制已不仅仅应用于传统的控制领域，人工神经网络、模糊控制和专家 系统技术等智能控制方法已广泛地应用于智能机器人、工业、农业和军事等多个领域， 解决了大量的传统控制无法解决的实际控制应用问题，呈现出强大的生命力和发展前 景。随着基础理论研究和实际应用的不断深入扩展，智能控制将会产生新的飞跃。 1 3 本课题的关键性技术及主要研究内容和实施方案 由于被监控的输液滴速信号属低速信号，其变化范围一般在5 3 0 0 滴分钟，且 该系统是一个非线性、时变、滞后的复杂控制对象，采用传统的控制策略难以取得良 3 山东理工大学硕士学位论文第一章绪论 好的控制品质和实时监控效果。而模糊神经网络结合了模糊逻辑控制和神经网络的优 点，利用神经网络记忆模糊规则，实现模糊控制。并以其大容量并行处理、分布存储、 智能化模糊分类的特点以及具有自组织、自学习和处理系统内在的难以解析表达的规 律性的能力，为解决这类问题提供了一种简便、有效的途径叫。本系统利用其反向传 播算法实现了当控制对象参数变化时控制器的在线自学习，可以快速、准确的对实测 数据进行综合、分析和处理，以控制执行电机根据现状迅速地做出响应，达到智能实 时控制的效果。因此在本课题中所采用的主要关键性技术和研究内容如下： 1 、输液滴速监控中的控制算法 由于输液软管的可控性差，因此采用普通的控制方法难以取得良好的控制效果， 控制算法的合适与否将直接影响到对滴速的控制、调节和系统响应。在本课题的研究 中将模糊神经网络技术用于对输液滴速的控制算法中，结合了模糊逻辑控制和神经网 络的优点。较为有效的解决了采用其它控制算法难以实现的问题，大大缩短了调节时 间，提高了系统的响应速度，取得了较好的控制效果。 2 、输液滴速监控系统中的自动化、数字化和网络化管理 实现对多点输液监控的集中管理，在护士办公室里即可对所有的输液监控点进行 实时监测和有关的设置等，每个监控点都由一台具有独立监控功能的下位机构成，采 用充电电池供电，可以预防意外停电所造成的医疗事故等。为降低成本和系统的复杂 度采用r s 一4 8 5 串口通信和上位机相连以实现对多点输液监控的网络化、数字化管理。 3 、慢速信号的快速采样技术 由于输液滴速信号频率较低，若采用常规采样方式( 例如周期法或计数法) 则会 因采样时间长而影响系统响应，为尽可能缩短采样时间，在本系统的设计中，采用锁 相环频率合成技术先对被测信号进性倍频处理，然后再对其进行采样，从而解决了慢 速信号的快速采样问题。 4 、系统的主要功能设置 本输液监控系统可以实现输液过程中滴速的检测、控制、实时显示、数据传输和 自动报警等功能。具体功能设置如下：( 1 ) 设定点滴速度、液体总量、报警剩余量； ( 2 ) 自动控制输液速度，并实时显示当前滴速和已输入量；( 3 ) 当输液结束时或出现输 液异常时自动报警；( 4 ) 分布式主从站设计，通过串口通信和上位机相连实现实现输 液远程监控和网络化管理。系统的主要特点：( 1 ) 采用模糊神经网络算法控制执行电 机，对滴速进行自动控制；( 2 ) 硬件采用调制解调和滤波技术提高红外对管的抗干扰 能力；( 3 ) 采用了锁相环频率合成技术先对被测信号进行倍频处理，然后再对其进行 采样处理，可缩短采样时间和调整时间；( 4 ) 采用上、下位机模式，可联网使用实现 多点监控和报警，形象直观的人机交互设计，操作简单、方便、合理、快捷；( 5 ) 采 用有线无线兼容性设计，在不方便布线的场所，可采用无线数据传输方式实现联网。 4 山东理工大学硕士学位论文第二章液滴监控系统的控制算法及其实现 第二章液滴监控系统的控制算法及其实现 2 。1 模糊控制与神经网络 2 1 1 模糊控制 1 9 6 5 年，z a d e h 发表了关于模糊集的开创性论文，模糊理论由此诞生。模糊控制 的最大特点是，它能将操作者或专家的控制经验和知识表示成语言变量描述的控制规 则，然后用这些规则去控制系统，因此模糊控制特别适用于数学模型未知的、复杂的 非线性系统的控制。它属于一种语言控制，简称f u z z y 控制。 模糊逻辑推理控制器主要由四部分组成脚：模糊产生器、模糊规则库、模糊推理 机、模糊消除器，如图2 - 1 所示 图2 - 1 模糊控制器框图 1 、模糊产生器 模糊产生器部分实现了从确定的输入空间u c r ”到定义在u 上的模糊集的映 射。这些模糊集都是由某一隶属函数，：u 寸 o ，1 来表征，并由语言性的词语来 标记。隶属函数可以通过总结操作者的经验或采用模糊统计方法来确定。 模糊化的方法有单值模糊产生器和非单值模糊产生器。它把善cu 映射到【，上的 模糊集。单值模糊产生器的隶属函数为： i ，r ) = 1 l ) = 0 ，、口7 u ，x 工 非单值模糊产生器。当= x 时，o ) - - 1 ；当，逐渐远离工时，( x ) 从l 开 始衰减，如三角隶属函数、梯形隶属函数和正态隶属函数等，如图2 2 所示。 山东理_ t 大学硕士学位论文 第二章液滴监控系统的控制算法及其实现 u ( x 图2 - 2 三角隶属函数、梯形隶属函数和正态隶属函数 2 、模糊规则库 模糊规则库是由具有如下形式的若干模糊“如果一则”规则的总和组成的： 如果x 1 为曩。且，且矗为爿，则y 为g 7 式中e 。一【，上的模糊集合，u c r ；g l 矿上的模糊集合，v c r ；x 一输入语言 变量，x c u ；y 一输出语言变量，y c v ；卜模糊规则序号，l = 1 ，2 ，m 。m 为模糊规则库中所包含的模糊“如果一则”规则的总数，每一条模糊“如果一则”规则 可以表示成积空间u v 上的模糊蕴涵最。e i 寸g 。其隶属函数一般为： 片，( x ，力2 ，勺( 而) ( ) 在实际应用中，常采用论域 一6 ，6 ，在其上定义7 个语言变量值：p b ( 正大) 、 p m ( 正中) 、p s ( 正小) 、z o ( 零) 、n s ( 负小) 、n m ( 负中) 、n b ( 负大) 。一种梯形分 布的隶属函数如图2 3 所示。 n b 卜mn sz op sp mp b - 6 - 4 - 2o246 图2 - 3 输入量分为七档时的模糊子集 3 、模糊推理机 模糊推理机利用模糊规则确定了从输入空间u 的模糊集到输出空间v 上的模糊 集之间的映射。一组模糊条件语句可以导出一个输入输出空间上的模糊关系，推理机 按模糊推理的合成规则进行运算，从而求得控制作用。 模糊关系：设u 和y 是两个论域，直积空间u v 上的模糊关系胄是u x v 的一个 模糊子集。r 的隶属函数z 。( “，表示了u 中的元素“与v 中的元素v 具有这种关系的 程度。 6 山东理t 大学硕士学位论文第二章液滴监控系统的控制算法及其实现 合成关系：设置和s 分别是u x 矿和矿x 矿上的模糊关系，定义ro s 为u x 形上的 一个模糊关系，设“u 、v e v 、w 彤则 p e s o ，w ) 2 u ( r ，d 。s 叻) 傩r 式中“宰”可用t 范数的任意种形式，最常使用的是乘积运算和最小运算。 4 、模糊消除器 模糊消除器的目的是把矿上的一个模糊集合映射成为一个确定的点yc y 。常用 的映射方式有以下几种： ( 1 ) 最大隶属度法：简单地取所有规则推理结果的模糊集合中隶属度最大的那 个元素作为输出值，r py = m 譬( y ) ) 。如果在输出论域矿中，其最大隶属度函数对 应的输出值多于一个时，简单的方法是取所有具有最大隶属度输出的平均，即： y - - 专乃，乃2 学( 胁0 ，) ) “i - i一 其中，为具有相同最大隶属度输出的总数。最大隶属度函数法不考虑输出隶属度 函数的形状，只关心其最大隶属度值处的输出值。因此，难免会丢失许多信息。但它 的突出优点是计算简单。所以在一些控制要求不高的场合，采用最大隶属度函数法是 非常方便的。 ( 2 ) 中心平均模糊消除器。定义如下： 式中y 为模糊集合g 。的中心。 ( 3 ) 改进型中心平均模糊消除器。定义如下： i 一t i y “曲艿7 ) ) ，= 号广_ 一 “洲) 式中一决定鳓。( j ，) 形状的特征参数。 模糊控制系统的研究取得了较大的进展，但模糊系统理论仍存在一些尚待研究的 问题”1 。 7 山东理工大学硕士学位论文 第二章液滴监控系统的控制算法及其实现 2 1 2 神经网络 人工神经网络系统( a n n ，a r t i f i c i a ln e u r a ln e t w o r k ) 是人类在对大脑神经元认 识理解的基础上，构造出的能够实现人类某些思维功能的人工智能系统。它是理论化 的人脑神经网络的数学模型，由大量简单元件相互连接而成的复杂网络，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。它是研究智能控制的重 要基础睁”1 。 1 、人工神经元模型 人工神经网络是对生物神经网络的模拟和近似，一个简化的人工神经元结构如图 2 - 4 所示。它主要包括n 1 1 ： ( 1 ) 一组连接，连接强度由各连接上的权值表示。 ( 2 ) 求和单元，用于求取各输入信号的加权和( 线性组合) 。 ( 3 ) 非线性激活函数，起非线性映射作用并将神经元输出幅度限制在一定范围内 ( 一般限制在( 0 ，1 ) 或( - 1 。1 ) 之间) 。 ( 4 ) 阈值函数只 该人工神经元是一个多输入、单输出的非线性元件，其输出关系可描述为： 月1 = w j , x j 一只l “1 r 0 。= f ( i )i 式中，x j ( j = l ，2 栉) 是从其它细胞传来的输入信号；只为阈值：w j , 表示从细 胞- ，到i 的连接权值：，( ) 为激活函数。 图2 4 人工神经元结构图 一般地，一个神经网络是线性或非线性是由神经元中所具有的激活函数的线性或 非线性来决定的。激活函数的基本作用是： ( 1 ) 控制输入对输出的激励作用； ( 2 ) 对输入、输出进行函数传递； ( 3 ) 将可能无限域的输入变换为指定的有限范围内的输出。 常用的激活函数主要有“”： 8 山东理工大学硕士学位论文 第二章液滴监挣系统的挣制算法及其实现 ( 1 ) 阈值型 阈值型激活函数将任意输入转化为0 或1 的输出，具有此函数的神经元的输入输 出关系为： 吲c 聊删- 摒笔笔 常称此种神经元为m - p 模型。 ( 2 ) 线性型 线性型激活函数使网络的输出等于加权输入和偏差的累加和。此函数的输入输 出关系为： a = 厂( 聊+ 6 ) = w p + 6 ( 3 ) s i g m o i d 函数 s 型激活函数将任意输入值转化为( 0 ，1 ) 的范围内，输入输出关系为： ，：! 一 。 1 + e x p ( - - ( n + 6 ) ) s 型函数具有非线性放大增益的作用，对任意输入的增益等于在输入输出曲线中 该输入点的曲率值。当输入由一* 增大至0 时，其增益由0 增加至最大：而当输入由o 增 加至+ 0 0 时，其增益又由最大降至0 ，且始终为正值。利用该函数可以使同一神经网络 既能处理小信号，也能处理大信号。因为函数的中间高增益区解决了处理小信号的问 题，而两边的低增益区适用于处理大信号输入。 ( 4 ) 双曲正切型 双曲正切型激活函数将任意输入值转化为( - 1 ，1 ) 之间，其输入输出关系为： f ：1 - e x p ( - ，2 ( n + b ) ) 。 1 + e x p ( - 2 ( n + 6 ) ) 这类函数具有平滑和渐进性，并保持单调性。 2 、神经网络分类及网络结构 随着对神经网络的深入研究，学者们提出了许多神经网络模型。按性能可划分为： 连续型与离散型、确定型与随机型、静态与动态网络：按联接方式分为：前馈网络、反 馈网络、相互结合型网络、混合型网络：按学习形式分为：有教师学习( s u p e r v i s e d l e a r n i n g ) 、无教师学习( n o n s u p e r v i s e dl e a r n i n g ) 与再励学习( r e i n f o r e e m e n t l e a r n i n g ) 1 3 - 2 5 】。 网络的拓扑结构主要有以下几种： ( 1 ) 前馈型网络。前向网络通常包含许多层，如图2 - 5 所示。这种网络特点是： 只有前后相邻两层之间神经元相互联接，各神经元接受前一层的输入，并输出给下一 层，没有反馈。网络可分为输入层、隐层和输出层，隐层结点有计算功能也称为计算 单元，每一计算单元可有任意个输入，但只有一个输出给下一层的各神经元。而输入 9 山东理t 大学硕士学位论文第二章液滴监控系统的拧制算法及其实现 结点一般没有计算功能。 隐层 输 入 节 点 输 出 节 点 计算单元 图2 - 5 前馈网络 ( 2 ) 反馈型网络。反馈网络从输出层到输入层有反馈，即每一个结点同时接收外 来输入和来自其它结点的反馈输入，其中也包括神经元输出信号引回到本身输入构成 的自环反馈，如图2 6 所示。这种反馈网络的每个结点都是一个计算单元，同时也可 接受输入，并向外界输出，可画成一个无向图( 图2 - 6 ( a ) ) ，其中每个连接弧都是双向 的，也可画成图2 6 ( b ) 的形式。若总单元为n ，则每一个结点有n - 1 个输入和一个输出。 图2 6 单层全连接反馈网络 网络工作过程主要分为两个阶段：第一个阶段是学习期，此时各计算单元状态不 变，各连线上的权值可通过学习来修改：第二阶段是工作期，此时各连接权固定，计 算单元状态变化，以达到某种稳定状态。 ( 3 ) 相互结合型网络 相互结合型网络属于网状结构。构成网络中的各个神经单元都可能相互双向联 接，所有的神经元既作输入，同时也用于输出。 ( 4 ) 混合型网络 在前向网络的同一层之间神经元有互联的结构，称为混合型网络。 3 、多层前馈神经网络 多层前馈神经网络又称8 p ( b a c kp r o p a g a t i o n ) 神经网络。在多层前馈网络中， 应用最为普遍的是单隐层网络。单隐层前馈网络也叫三层前馈网，包括输入层、隐层 1 0 山东理工大学硕士学位论文第二章液滴监控系统的拧制算法及其实现 和输出层，图2 7 为三层前馈网络的拓扑结构。输入信号通过输入节点向前传送到隐 节点，经过作用函数之后，隐节点的输出信息传播到输出节点，在此输出结果。节点 的作用函数通常选取s i g m o i d 函数。 b p 神经网络的输入输出关系是一个高度非线性映射关系。如果输入节点数为n ， 输出节点数为m ，则网络是从n 维欧氏空间到m 维欧氏空间的映射。 b p 神经网络使通过对简单的非线性作用函数的复合来完成映射，通过调整网络中 的连接权值、网络的规模( 包括n ，m 和隐层节点数) ，就可以以任意精度逼近任何非线 性函数。 图2 7b p 神经网络 4 、反向传播学习算法( b p 算法) 8 p 算法的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组 成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若 输出层的实际输出与期望的输出( 教师信号) 不符，每一层神经元的状态只影响到下 一层神经元，则计算输出层的误差变化值转入误差的反向传播阶段。误差反传是将输 出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从 而获得各层单元的误差信号，此误差信号即为修正各单元权值的依据。它是通过连续 不断地在相对于函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标， 每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到下 一层。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。 权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误 差减少到可接受的程度，或进行到预先设定的学习次数为止。 2 2 模糊神经网络 用模糊逻辑和神经网络结合构成的模糊神经网络一方面可以对专家用语言描述 的事件直接进行编码，可以用语言描述方式来采集知识，比较容易引入启发性知识， 还可以跟踪推理过程，能使网络中权值具有明显的含义。另一方面，和其它神经网络 一样，它具有学习的功能，可以通过学习来提高其编码的精度。由此可见，模糊神经 山东理工大学硕十学位论文第二章液滴监控系统的控制算法及其实现 网络是当前很有发展前途的技术。 2 2 1 模糊系统和神经网络的结合的基础 人脑实际上是神经网络与模糊系统有机的自然结合。从物质结构上，人脑是一种 典型的生物神经元网络，人脑的思维活动和智能行为正是那么多的神经元协同动作的 宏观表现。从主要的功能角度看，人脑又是个典型的模糊系统人们在生产和社会实 践中，常常接触到各种模糊事物，接受各种模糊信息，随时要对模糊事物进行识别和 处理。人类思维的奇妙之处正是因为有精确思维和模糊思维两部分组成的结果，使它 不仅有精确性、清晰性和逻辑性而且有模糊性、容错性和非逻辑性。 人工神经网络是对人脑结构和工作方式的近似和简化，这种结构和工作方式的并 行性在许多方面己经产生了类似于人脑行为的某些功能特点。模糊系统则是以模糊集 合论、模糊语言变量以及模糊逻辑推理的知识为基础，力图在较高的层次对人脑思维 的模糊性方面进行工程化的模拟，属于系统论的范畴。乍看起来两者相去甚远，其实 从以下几个方面比较就可清楚它们结合的基础了。 ( 1 ) 模糊系统试图描述和处理人的语言和思维中存在的模糊性概念，从而模仿人 的智能。神经网络则根据人脑的生理结构和信息处理过程来创造人工神经网络，其目 的也是模仿人的智能。模仿人的智能是二者共同奋斗的目标和合作的基础。 ( 2 ) 从知识的表达方式看，模糊系统可以表达输入的经验性知识，便于理解，而 神经网络只能描述大量数据之间的复杂函数关系，难于理解。 ( 3 ) 从知识的存储方式来看，模糊系统将知识存在规则集中，神经网络将知识存 在权系数中都具有分布存储的特点。 ( 4 ) 从知识的运用方式来看，模糊系统和神经网络都具有并行处理的特点，模糊 系统同时激活的规则不多，计算量小，而神经网络涉及的神经元很多，计算量大。 ( 5 ) 从知识的获取方式来看，模糊系统的规则靠专家提供或设计，难于自动获 取，而神经网络的权系数可由输入输出样本中学习，无须人来设置。 显见，模糊系统和神经网络的优缺点具有明显的互补性，为它们的结合提供了 基础。二者有机地结合，融合各自的优点，相互取长补短，形成新的结构体系模糊神 经网络技术。 2 2 2 模糊系统与人工神经网络的异同嘲 模糊逻辑系统以模糊命题表示概念和知识，以模糊逻辑及其推理模拟人类思维并 山东理工大学硕士学位论文第二章液滴监控系统的拧制算法及其实现 进行知识处理，属于符号主义范畴：而人工神经网络( a n n ) 是被互相连接起来的处理器 节点矩阵，以模拟人脑大脑生物神经元间兴奋、抑制及相互作用的过程来求解问题， 属于连接主义思想。 ( 1 ) 映射集：人工神经网络( a n n ) 是用点与点的映射得到输入与输出的关系， 它们的训练集都是确定的量，因而它的映射关系也必然是一一对应的。模糊系统的输 入输出变量都是经过模糊化的量，它们都不是用明确的数来表示，其输入已模糊化为 一个隶属度的值来表示，显然它是区域块与区域块之间的映射。它们可以同样去映射 一个非线性函数，但是方式不同。 模糊逻辑能以较少的规则来表达知识，系统简单而透明，但由于模糊性的增加在 推理中会丢掉一些有用信息，另外它难以进行学习，难以建立完善的控制规则：人工 神经网络具有大规模并行处理能力、学习能力、自适应性与容错性等特点。并因学习 方法及内容不同，而具有不同的功能，它擅长通过大量复杂的数据进行分类和发现模 式或规律。但神经网络所含的信息是隐含的，不能理解神经网络所用的语言，其知识 表达困难，学习速度慢。 ( 2 ) 知识的存储方式：人工神经元网络的基本单元是神经元，用多层网络实现映 射时，它们之间是用权连接的。人工神经元网络是靠样本输入，由网络自身进行学习 而得到，其结果是与样本集有关。学习的知识是分布地存储在权中间的，如果样本集 不典型，其知识的存储不会最优。统计神经网络估计器要求具有统计性代表的样本集， 模糊系统则是以规则的方式来存储知识的。因此，在隶属函数的形式、区域划分的大 小和规则的制定上人为的因素更多一些，如果利用专家的知识和经验，那么模糊的结 构和结果比人工神经元网络要优良些。对于人工神经元网络，人只在样本集提取和确 定拓扑结构方面起作用。 ( 3 ) 映射的精度：人工神经元网络和模糊系统都可以对非线性系统进行映射，但 是它们的映射曲面比较光滑，而模糊系统则是区域之间的映射，如果区域分得比较粗， 那么映射输出的表面就比较粗糙，每一条规则如梯形台阶。模糊系统的编码精度较低， 特别当推理路径较长时，其精度下降也更大。要求映射的精度较高时，用人工神经元 网络较好。 ( 4 ) 连接方式：以前馈式人工神经元网络为例，一旦输入与输出和隐含层决定了， 那么它们的连接结构决定了，层间单元之间都是全连接，因此在迭代过程中，每迭代 一次，每个权都要进行学习，费时较多，而在模糊控制中，每次输入可能只与几条规 则有关，显然连接并不是固定的，每次输入、输出联系的规则都是在变动的，而每次 连接的规则数目较少，运用方便。 ( 5 ) 结构的物理意义：人工神经元网络通过对输入样本的学习而得到其各个权上 的量值，网络反映了中间神经元与输入神经元之间的关系，知识是分布式存储的，因 此中间神经元的物理意义是不明确的。从中间神经元到输出神经元之间的映射有时是 山东理工大学硕仁学位论文第二章液滴j ：f 控系统的挣制算法及其实现 通过学习得到的，其意义也不明确。从外部宏观上看人工神经网络是有物理含义的， 但是网络内部的每个权不一定都有明确的物理意义，不同的初始权值得到的结果是不 相同的，无法用统一概念去描述它。模糊系统的输入和输出用规则来映射它们之间的 关系，大致是明确的，其物理意义也是清楚的，因此在映射出现偏差时可以通过修改 规则或者其它变量以得到比较好的修正结果。 ( 6 ) 计算量：人工神经元网络的计算涉及到乘法、累加和指数运算( 如b p 算法) 以 及反复迭代等，模糊系统的计算只需要两个量的比较和累加，加上每次迭代涉及到的 规则不多，因此，模糊系统的计算速度比人工神经元网络更快，实时应用可能性大。 但是当模糊输入与输出变量很多时，用一张模糊规则表已难以表达多变量之间的关 系，而且制定规则也遇到一定的困难，那么隶属函数以及规则本身也需要通过学习得 到，显然它的计算量也会增加。 模糊技术允许用模糊语言来表示，并积极地处理模糊知识，与神经网络相比它能 清楚地表达知识：当神经网络的输出被限定在 0 ，1 区间上时，就可以将神经网络的输 出与模糊逻辑隶属度相对应，在知识处理过程中，二者可以互相代替，取长补短。模 糊控制本质上是一种非线性及变结构控制，而神经网络通过训练和学习能力能自动地 或半自动地提取隐含的控制规则，并用数值计算方法来描述复杂非线性行为。 综上述啪1 可看出：模糊逻辑与神经网络之间有差别同时也有密切的联系，可以把 神经网络的学习和计算功能带到模糊系统中，也可把模糊系统的类似人的i f - t h e n 思 维规则和推理嵌入到神经网络中。 2 2 3 两者结合用于液滴监控系统的可行性 模糊逻辑有很好的收敛性，在模糊量的运算上具有优势，模糊控制能以较少的规 则来表达知识，系统简单而透明：缺点是难以进行学习，难以建立完善的控制规则。 神经网络具有大规模并行处理、学习能力及自适应能力，并且容错能力强，同一网络 因学习方法和内容不同，可具有不同的功能。其缺点是：表达知识困难，学习速度慢。 模糊逻辑与神经网络之间有着密切的联系，将二者结合起来取长补短，可以产生 出新的网络结构与新的学习方法，使之在保持模糊逻辑系统较强的知识表示的同时提 高其自适应能力。两者结合而产生的模糊神经网络控制( f n n ) 即保持了模糊控制的特 性，又克服了模糊控制中规则难以获取的弱点。模糊神经网络主要是指利用神经网络 结构来实现模糊逻辑推理。从而使传统神经网络没有明确物理含义的权值被赋予了模 糊逻辑中推理参数的物理含义。随着人工智能技术的发展，神经网络和模糊逻辑技术 的融合已成为当前的研究热点。在液滴监控系统中应用具有较高的理论价值和实用价 值。 1 4 山东理工大学硕士学位论文第二章液滴监控系统的控制算法及其实现 本课题采用模糊神经网络控制对输液过程进行综合智能控制。其可行性如下： ( 1 ) 模糊控制能够利用先验知识，以较少的规则来表达，但是很难进行学习，难 以建立完善的控制规则；神经网络表达知识比较困难，学习速度慢，但是它有很强的 学习能力和自适应能力。因此，取长补短，把神经网络和模糊控制结合起来，形成复 合控制，就可对液滴控制执行器进行有效的控制。 ( 2 ) 由于液滴监控系统控制过程复杂，参数容易发生变化，所以很难建立精确的 数学模型。应用神经网络模糊控制对液滴控制执行器进行控制，不需要建立精确的数 学模型，从而解决了建立数学模型的难点。 ( 3 ) 尽管液滴监控系统控制过程复杂，但在实践中却容易取得大量的数据，神经 网络可通过这些样本进行训练。 ( 4 ) 在实际应用过程中，针对外界干扰和时变性问题，神经网络能够在线学习， 实现精确控制。 2 2 4 模糊系统与神经网络结合的方式 基于神经网络与模糊系统二者之间特性的互补性质，目前模糊神经网络在结构上 主要有两类：一类是在n n 结构中引入模糊逻辑，使其具有直接处理模糊信息的能力， 形成模糊神经元；另一类是直接利用n n 的学习能力及映射能力，去等效模糊系统中各 个模糊功能块。此外，还可以把模猢系统和神经网络集成在一个系统中。发挥各自的 特长。与其它类型的n n 不同是f n n 的结构和权值具有一定的物理意义。在设计f n n 结 构时，可根据问题的复杂程度以及精度要求，并结合人的先验知识来构造相应的f n n 网络模型。同时，f n n 中权值的初始化可由先验知识人为地选定，这样可以提高网络 的学习速度，并在一定程度上避免了梯度下降法引起的局部极小问题。 目前模糊与神经网络技术有多种结合方式，它们从简单结合到完全融合体现在以 下四方面删 1 、模糊系统和神经网络系统的简单结合，它们各自以其独立的方式存在。 松散型结合，在某一系统中，对于用i f - t h e n 规则来表示的部分，用模糊系 统描述，对于很难用i f t h e n 规则表示的部分，则用神经网络表示，两者之间没 有直接联系。即模糊技术与神经网络在系统中各自完成自己的任务，利用各自的长处， 取长补短，共同达到统一目标。 并联型结合，模糊系统和神经网络在系统中按并联方式连接，具有相同的输入信 号( 图2 - 8 ) 。按照两系统起作用的轻重程度，又可分为等同型与补助型。 山东理工大学硕+ 学位论文第二章液滴监控系统的控制算法及其实现 输输出 图2 - 8 并联型结合 串联型结合，模糊系统和神经网络在系统中以串联方式连接，一方的输出作为另 一方的输入部分( 图2 - 9 ) 。 输一虾函丽斗秭蓊斗_ 输出 输入- 咂亟圃巫p 输出 图2 - 9 串联型结合 2 、神经元一模糊模型。该模型以模糊控制为主体，应用神经网络，实现模糊 控制的决策过程，以模糊控制方法为“样本”，对神经网络进行离线训练学习。“样本” 就是学习的“教师”。所有样本学习完以后，这个神经元网络，就是一个聪明、灵活 的模糊规则表，具有自学习、自适应功能。其结构如图2 1 0 所示。 x 1 ) 【2 图2 1 0 神经、模糊控制结构图 定 3 、模糊一神经模型。该模型以神经网络为主体，将输入空问分割成若干不同形 式的模糊推论组合对系统先进行模糊逻辑判断，以模糊控制器输出作为神经网络的输 入。后者具有自学习的智能控制特性。其结构如图2 1 l 所示。 1 6 山东理工大学硕士学位论文第二章液滴监控系统的控制算法及其实现 y i y 2 y n 图2 - 11 模糊、神经控制结构图 4 、模糊逻辑与神经网络系统的完全融合，利用模糊逻辑系统的设计思路，构造 不同结构的神经网络。神经网络不再是一黑箱，它的所有节点和参数都具有一定的意 义，即对应模糊系统的隶属函数或推理过程，如图2 - 1 2 所示。 r 1 输入一模糊神经网络系统b 输出 【，一 图2 1 2 模糊、神经控制结构图 综上所述，神经网络与模糊逻辑的混合技术主要体现在：把模糊集合的概念应用 于神经网络的计算和学习，在普通神经网络的基础上产生了各种模糊神经网络。利用 模糊逻辑技术提高神经网络的学习能力：利用神经网络的学习能力提取模糊规则或调 整模糊规则参数；利用神经网络实现模糊逻辑系统，实现并行模糊推理。本文研究的 是用神经网络实现模糊控制，即神经元一模糊模型，下一节重点讨论这部分。 2 2 5 模糊神经网络控制器的应用 模糊神经网络控制系统用于工业控制是智能控制的重要方面，其主要趋势是：采 用专用硬件的模糊控制器和开发通用的模糊控制软件产品。硬件方面有：a m i n a h 神 经模糊处理器和d a n i e l a 数字模拟神经模糊卡。软件方面有：n e u f u 2 4 、t i l g 髓、 n e u f r a m e 3 d a t a e n g i n e 等 3 4 1 。目前美国在航天和汽车工业中的模糊控制研究和应用 水平较高，而日本则在家用电器方面领先。模糊神经网络控制器已被应用于热风炉控 制口5 1 、白适应控制1 3 6 - 3 9 ，系统辨识 4 0 l 、不确定系统 4 1 】、机器人 4 2 1 、铁路【4 3 1 等。 2 3 本系统采用的模糊神经网络模型 2 3 1 模糊神经网络控制器的结构 模糊神经网络控制是模糊逻辑控制技术与神经网络技术相结合的产物，其显著特 点是可以用语言方式来表达复杂的非线性系统m 1 。它可以任意逼近非线性；可学习和 适应不知道或不确定的系统；能快速处理实时性高的场合；具有一定的容错能力和鲁 1 7 山东理t 大学硕士学位论文第二章液滴监控系统的控制算法及其实现 棒性。因而，特别适合应用于复杂的不确定系统的控制。 模糊神经网络控制器有自组织功能，利用神经网络的自学习功能和模糊控制的智 能控制功能，实现控制器的在线学习和自适应。其步骤如下： ( 1 ) 利用模糊控制器调整好系统，使系统稳定； ( 2 ) 将系统的误差、误差变化率作为模糊神经网络控制器的输入，将控制器的输 出作为神经网络的输出，采用b p 学习算法对网络进行离线训练； ( 3 ) 用训练好的控制器代替模糊控制规则对系统进行控制； ( 4 ) 对系统的输出误差实时进行监控，当输出误差发生较大变化时，认为系统的 工况发生变化，参数需要调整，在线启动模糊神经网络的在线训练，然后用新的控制 器代替旧的控制器对系统进行控制。 模糊神经网络算法在系统中的应用方法如下：首先将根据红外光电式传感器传入 的信息计算得到的滴速和用户输入的要求滴速相比较，计算出二者的误差e ，同时计算 出误差变化率d e d t 。再将这两组数据通过模糊论域模糊化，作为神经网络的输入值。 最后将网络得到的输出值解模糊，转化到控制领域的范围内，对步进电机进行实时控 制( 如图2 1 3 ) 。不断对系统性能进行测试，当输出误差发生较大变化时，启动模糊 神经网络的在线训练，通过b p 学习算法来调整网络参数，这些都可以在单片机上实现。 毫 ei ：j 图2 1 3 模糊神经网络 模糊神经网络建模主要涉及以下3 方面的问题： ( 1 ) 精确量的模糊化，即把语言变量的语言值化为某适当论域上的模糊子集。 选择模糊控制器的输入变量为误差e 及误差的变化e c ，输出变量u 为控制量的变化量， 相应的模糊集为e ，e c ，u ，是一个双输入单输出的二维模糊控制器。对误差e 、误差 变化率e c 及控制量u 的模糊集及其论域定义如下：e ，e c ，u 的论域为【- 6 ，5 ，- 4 ，3 ， - 2 ，一l ，0 ，1 ，2 ，3 ，4 ，5 ，6 】；e ，e c ，u 的模糊语变量均为七个等级 n b ，n m ，n s ，z e ， p s ，p m ，p b ，分别表示负大、负中、负小、零、正小、正中、正大。模糊化是对模 糊控制器输入变量求取相应语言值的隶属度。本文根据人工经验，隶属度函数均选用 1 8 山东理工大学硕士学位论文第二章液滴监控系统的挣制算法及其实现 五时，对数幅频特性的下降斜率为 - - 4 0 d b l o 倍频，幅度衰减很快，具有较好的滤波效果。取t f o = 4 h z ，c = 1 ，于 是r = 0 6 3 7 x 1 0 6 q ，取r = 6 4 0 k q 。 经二阶有源滤波后的传感器信号并非脉冲信号，因此需要经由鸣、为、r p 构 成的具有“电压迟滞回环”特性的电压比较器放大整形后再作为锁相环的输入信号。 3 4 基于锁相环技术的倍频采样及电路设计 由于液体的流速比较低( 5 滴分- 3 0 0 滴分) ，因此若采用一般的周期法或计数 法进行滴速采样时，将因采样时间较长而根本无法保证系统的控制精度。如直接缩短 采样时间，又无法保证采样精度。为此，在本系统的设计中，采用了锁相环频率合成 技术，先对被测信号进行倍频处理，然后再对其进行采样，这样既缩短了采样时间和 调整时间，又保证了采样精度。 本系统所使用的锁相环集成电路为c d 4 0 4 6 ，该芯片内部主要由相位比较器( p d ) ， 压控振荡器( v c 0 ) 等组成，如图3 - 4 所示： 山东理丁大学硕士学位论文 第三章系统总体组成结构及硬件设计 图3 - 4 锁相环的组成原理 所谓锁相，就是实现相位同步。其工作过程是由锁相环内部的相位比较器对两个 输入频率信号 与厶进行相位比较( 即比相) 。若相位不等则将产生一个与二者的相 位差o 成正比的误差电压( f ) 。将其经低通滤波后所得到的平均电压屹( f ) 作为控 制电压，加到压控振荡器v c 0 的控制端，使其振荡频率正紧紧跟踪，；，并使二者频 率差迅速减小直到鲈= 0 即疋= 石，此时这两个信号的频率相同，且相位差中保持 恒定( 即同步) ，由此便实现了相位锁定。且一旦锁相环被锁定在输入信号频率_ ，：上， 则在一定的频率范围内自动跟踪z 的任何变化。如果在v c 0 到相位比较器的反馈回路 中增加一个分频器，则可方便地实现对输入信号，：的n 倍频，见图3 - 5 。于是可将输 液瓶的滴速信号作为锁相环内部相位比较器的一个输入信号石，而由锁相环内部的 v c 0 产生的频率信号疋作为锁相环内部相位比较器的另一输入信号，当相位锁定后， 有z = 爿，而