（热能工程专业论文）模糊神经网络的研究及其应用.pdf

华北电力大学博士学位论文摘要 摘要 模糊神经网络控制是智能控制理论中一个十分活跃的分支。虽然模糊神经网络 在复杂系统控制和建模等应用中已经取得了很多的成就，但是它在理论和应用中仍 然存在一些问题。本论文对其中一些问题进行了研究：模糊神经网络的学习能力、 模糊规则的自动获取、模糊逻辑和神经网络技术的结合方式、模糊神经网络用于复 杂系统的辨识，以及模糊神经网络用于复杂系统的控制。 本论文的工作包括： 1 、评述了模糊神经网络用于复杂系统辨识和控制的研究现状，并且指出了它 在理论和应用中存在的问题。 2 、针对以上存在问题，对模糊神经网络进行研究。对多种建立模糊神经方法 进行了分析比较，并提出了一种易于实现的新的模糊神经系统建立方法，解决了模 糊系统建立过程中的模糊规则自动生成的问题。 3 、基于本文提出的模糊神经系统建立方法，提出了新的模糊神经系统辨识方 法。实验结果表明，与传统的模糊系统相比，提高了辨识精度，可以解决b p 学习 算法存在的收敛速度慢、局部极小等问题，而且系统更稳定。 4 、提出了一种针对非线性系统的自适应模糊神经网络广义预测控制方法。这 种算法能解决对控制信号的范围和变化率带约束条件的非线性系统的预测问题。该 方法结合系统的约束条件，设置动态的搜索区间，进行优化搜索。非线性动态系统 仿真实验表明，在保证较好的稳定性和较强鲁棒性的同时，优化速度加快了。 5 、提出了一种模糊神经混合系统的建立方法。在反馈学习算法的基础上，将 模糊逻辑和神经网络自适应控制的结构结合在一起。实验结果表明，该方法提高了 系统对非线性和不确定性特性的处理能力，仿真结果几乎没有超调量，即使在模型 失配的情况下仍然能取得满意的控制品质。 关键词：模糊神经网络，聚类，复杂系统，系统辨识，控制 华北电力大学博士学位论文摘要 a b s t r a c t f u z z y n e u r a lc o n t r o li sa na c t i v er e s e a r c ha r e ao fi n t e l l i g e n tc o n t r o lt h e o r y t h e r e a r cs t i l ls o m et h e o r e t i c a la n dp r a c t i c a lp r o b l e m sa l t h o u g hf u z z y n e u r a ln e t sh a v eb e e n a p p l i e di nc o m p l i c a t e ds y s t e mc o n t r o la n dm o d e l i n g t h eo b j e c t i v eo ft h i st h e s i si st o a d d r e s ss o m eo f t h e s ep r o b l e m s ，s u c ha st h el e a r n i n ga b i l i t yo ff u z z y n e u r a ln e t w o r k ，t h e g e n e r a t i o no ff u z z yr u l e ，t h ei n t e g r a t i o na p p r o a c h e so ff u z z yl o g i ca n dn e u r a ln e t w o r k ， t h ea p p l i c a t i o no ff u z z y n e u r a ln e t st oc o m p l i c a t e ds y s t e mi d e n t i f i c a t i o na n dc o n t r 0 1 t h em a j o rc o n t r i b u t i o n so ft h et h e s i si n c l u d e ： 1 as u r v e yo nt h ea p p l i c a t i o no ff u z z y n e u r a ln e t w o r kt oc o m p l i c a t e ds y s t e m i d e n t i f i c a t i o na n dc o n t r o li sp r e s e n t e d t h ep r o b l e m si ni t st h e o r ya n da p p l i c a t i o n sa r c a n a l y z e d 2 as t u d yo nf u z z y n e u r a ln e t w o r ki sc o n d u c t e da c c o r d i n gt ot h ep r o b l e m s a f o r e m e n t i o n e d an e wc o n s t r u c t i o nm e t h o df o rf u z z y n e u r a ls y s t e mi sp r o p o s e db a s e d o nt h ea n a l y s i sa n dc o m p a r i s o no fe x i s t i n gm e t h o d s ，w h i c hi sa b l et og e n e r a t et h ef u z z y r u l e sa u t o m a t i c a l l y 3 an e ws y s t e mi d e n t i f i c a t i o nm e t h o db a s e do nf u z z y n e u r a ln e t si s p r o p o s e d u s i n gt h en e wc o n s t r u c t i o nm e t h o de x p e r i m e n t a lr e s u l t ss h o wt h a tt h ep r o p o s e dm e t h o d i m p r o v e s t h ei d e n t i f i c a t i o n a c c u r a c y , a c c e l e r a t e st h e c o n v e r g e n c e o ft h e b a c k - p r o p a g a t i o nl e a r n i n g ，a n de n h a n c e st h es t a b i l i t yo fs y s t e m 4 a n a d a p t i v ef u z z y - n e u r a l n e t w o r k - b a s e d g e n e r a l i z e dp r e d i c t i v e c o n t r o l a l g o r i t h mi sd e v e l o p e df o rn o n l i n e a rs y s t e m t h ea l g o r i t h mc a nb eu s e dt ot h en o n l i n e a r s y s t e m w h i c hi sc o n s t r a i n e db yt h er a n g ea n d v e l o c i t y o fc o n t r o ls i g n a l t h e o p t i m i z a t i o n o ft h e a l g o r i t h m i sb a s e do n g o l d e n s e c t i o n a p p r o a c h w h i c hi s n o n d e r i v a t i v e - b a s e d t h es e a r c hs p a c ei sd y n a m i c a l l ys e ta c c o r d i n gt ot h ec o n s t r a i n t c o n d i t i o n s o ft h es y s t e m t h es i m u l a t i o n t e s t i n gs h o w st h a tt h eo p t i m i z a t i o n i s a c c e l e r a t e dw h i l et h es t a b i l i t ya n dr o b u s t n e s so fs y s t e ma r eg u a r a n t e e d 5 an e wc o n s t r u c t i o na p p r o a c hi sp r o p o s e df o rf u z z y n e u r a lh y b r i ds y s t e m t h e n e u r a ln e t w o r k b a s e da d a p t i v ec o n t r o la n df u z z yl o g i ca l ei n t e g r a t e db a s e do nf e e d b a c k l e a r n i n ga l g o r i t h m e x p e r i m e n t a lr e s u l t ss h o wt h a ti ti sa b l et od e a lw i t ht h en o n l i n e a r i t y a n du n c e r t a i n t yo fs y s t e m o v e r s h o o t i n gi s h a r d l yo b s e r v e di n t h e e x p e r i m e n t s f u r t h e r m o r e i tc a nt o l e r a t et h eu n m a t c h e dm o d e lt os o m ee x t e n t 华北电力大学博士学位论文 k e yw o r d ：f u z z y n e u r a ln e t w o r k ，c l u s t i n g ，c o m p l e xs y s t e m ，s y s t e mi d e n t i f i c a t i n ， c o n t r o l 声明 本人郑重声明：此处所提交的博士学位论文模糊神经网络的研究及其应用， 是本人在华北电力大学攻读博士学位期间，在导师指导下，独立进行研究工作所取 得的成果。尽我所知，除文中己经注明引用的内容外，本学位论文的研究成果不包 含任何他人享有著作权的内容。对本论文所涉及的研究工作做出贡献的其他个人和 集体，均己在文中以明确方式标明。 签名：乙逸。燕日期：丝丘s ! 堡 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权 保管、并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或 其它复制手段复制并保存学位论文；学校可允许学位论文被查阅或借阅；学校 可以学术交流为目的，复制赠送和交换学位论文；同意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。 ( 涉密的学位论文在解密后遵守此规定) 作者签名：1 z 逝 e t 期：丑理k 妄k ! 鱼 导师签名： 日期： 第一章绪论 1 1 引言 第一章绪论 随着工业生产过程日益大型化、复杂化，对控制理论的要求也越来越高，控制 理论的发展也随之经历了经典控制理论、现代控制理论和智能控制理论三个阶段。 在过去的2 0 多年中，经典控制理论和现代控制理论在工业生产过程中遇到了前所 未有的困难，这是由于它们研究的都是线性时不变系统的控制问题，同时越来越严 重的依赖于精确的数学模型。 现代工业系统日益呈现出如下一些特征：( 1 ) 复杂性：系统的结构和参数具有 高维性、时变性、高度非线性；( 2 ) 不确定性：系统及其外部环境具有许多未知的 和不确定的模糊性因素；( 3 ) 高标准的性能要求：控制目标的多样性和各种目标之 间的矛盾，使得在设计控制器的时候需要综合考虑各种因素。这是由于常规的控制 方法主要针对集中参数的线性动态系统，要求对象必须可以量化，且各种量化参数 之间的关系能够用微分方程或差分方程来描述，即系统有精确的数学模型。而相对 于线性，非线性是绝对的、全局的。一般意义的线性系统都是对非线性系统的一种 理想化或近似的描述。非线性系统的显著特点是存在多平衡点、极限环、分歧与混 沌等现象【“3 1 。非线性系统的描述方法比线性系统复杂得多，到目前为止还没有一种 公认为很好的模型描述。因此，常规的控制方法在面对现代工业系统时就显得力不 从心，智能控制理论正是在这样的背景下得以产生与发展。 智能控制系统的概念虽早是由傅京孙教授在1 9 7 1 年提出的【4 j ，从上世纪8 0 年 代末开始迅速发展。智能控制理论是以无模型或非精确模型为特征的更接近人类思 维方式的控制理论，它是以知识信息为基础进行学习和推理，用启发式方法来引导 求解过程，是含有复杂性、不确定性和模糊性而且一般不存在已知算法的非传统数 学公式化过程【5 培】。在各种智能控制方法中，模糊控制、神经网络控制与专家控制被 视为三种典型的智能控制方法。目前，基于规则的传统的专家系统也有逐渐让位于 基于模糊逻辑的模糊控制系统和神经网络控制系统的趋势 9 1 。因此，模糊控制、神 经网络控制和这两者之间的交叉综合产生的模糊神经网络，以及它们与其它智能优 化方法之间的交叉综合一直是近年来智能控制研究的重点。 1 2 模糊神经网络 华北电力大学博士学位论文 1 2 1 模糊逻辑系统发展概况 自从1 9 6 5 年美国加州大学的z a d e h 教授创建模糊集理论和1 9 7 4 年英国的 m a m d a n i 教授成功地将模糊控制应用到蒸汽机控制1 以来；模糊逻辑系统在系统的 建模和控制上都得到广泛地应用。模糊逻辑系统成功应用的根源在于，模糊逻辑系 统能够很好的利用专家知识，并且模糊逻辑本身提供了专家构造语言信息并将其转 化为控制策略或系统特征模型的一种系统的推理方法，因而能够解决许多复杂而无 法建立精确数学模型的系统的控制问题和许多难以用数学方法建模的复杂系统建 模问题。 同其它控制方法相比，模糊控制具有不需要被控对象精确数学模型、鲁棒性强、 能够处理复杂甚至“病态”系统等优点。模糊模型可以用一组语言条件语句表达系 统的动态特性，因此，模糊模型具有良好的人机交互能力，便于人机智能的结合。 尽管模糊控制和模糊建模方法因其自身的优势在实践中取得了很大的发展但是模 糊逻辑系统仍然存在许多问题i l ”，例如( 1 ) 模糊逻辑系统的核心是模糊规则库， 而建立模糊规则库要花费相当长的时间，特别是非常复杂的系统( 例如系统所控制 的参量比较多) ，要建立正确的模糊规则和隶属函数是非常困难的；( 2 ) 模糊逻辑 系统的模糊规则库常常非常庞大，难以找出规则与规则间的关系；( 3 ) 模糊规则库 一旦建立，很难进行更改，即很难实现规则的自学习和自适应：( 4 ) 模糊逻辑系统 是本质非线性系统，很难对其进行稳定性分析。 1 2 2 神经网络发展概况 早在1 9 4 3 年，美国神经生物学家w s m e c u l l o e h 就与数学家w p i t t s 合作，采 用数理模型的方法研究了脑细胞的动作和结构以及生物神经元的一些基本生理特 征，提出了第一个神经计算模型，即神经元的阈值元件模型( m p 模型) 【1 3 】，这是 最简单类型的神经网络。1 9 4 9 年，d o h e b b 提出了改变神经元连接强度的h e b b 规 则【l ”。1 9 5 7 年f r o s e n b l a t t 提出并设计制作了著名的感知器( p e r c e p t r o n ) 15 】，从 而掀起了第一次研究神经网络的高潮。 8 0 年代以来人工神经网络进入了一个高速发展的阶段，这一方面是由于社会生 产力及科技竞争的强烈需求的结果，另一方面是由于新的科学理论不断取得重大突 破，以及科学计算能力的飞速发展。1 9 8 2 年，美国加州工学院物理学家j j h o p f i e l d 提出了著名的h o p f i e l d 模型i i 引，从而有力地推动了神经网络的研究。他引入了“计 算能量函数”的概念，给出了网络稳定性判据。1 9 8 5 年h i n t o n 和s e j n o w s k i 将模拟 退火算法引入到神经网络中，提出了b o l t z m a n n 机模型 1 7 , 1 9 】，为神经网络优化计算 2 第一章绪论 跳出局部极小提供了一个有效的方法。d e r u m e l h a r t 和j l m c c l e l l a n d 等人提出的 p d p ( 并行分布处理) 理论f 悖】，致力于认知微观结构的探索，于1 9 8 6 年提出了多层 网络的反向传播学习算法( b p 算法) ，它迄今为止一直是应用广泛的最普遍的神经 网络，b p 算法从实践上证明了神经网络有很强的运算能力，可用于模式分类识别以 及自适应控制等。进入9 0 年代以来神经网络的研究已进入相对平稳的发展时期， 许多理论得到了进一步的证实、补充与发展，同时神经网络的应用研究得以广泛的 开展，应用的领域也不断扩大。 神经网络对控制有吸引力的特点有【2 0 l ：( 1 ) 它能够逼近任意的非线性函数；( 2 ) 它采用并行分布式信息处理，具有很强的容错性；( 3 ) 便于用光学集成系统实现或 用现有计算机技术虚拟实现；( 4 ) 适用于多信息融合和多媒体技术，可同时综合定 量和定性信息，对m i m o 系统较为方便：( 5 ) 可实现在线或离线计算，使之满足某 种控制要求，且灵活性大。 但是神经网络研究的理论体系还不完善，应用中还存在一些问题，例如针对非 线性系统，神经网络控制缺乏统一的方法；网络权值随机选取；无法利用系统信息 和专家经验等语言信息：学习时间长；容易陷入局部极小；神经网络模型是一个“黑 箱”模型，网络参数缺乏明确的物理意义，建立的模型难以理解等。 1 2 3 模糊逻辑系统与神经网络的结合 神经网络和模糊逻辑系统，是非线性系统建模和控制中比较有效的两类方法。 随着相关领域科学技术的发展，模糊理论与神经网络技术的研究在各自的学科里取 得了引人注目的成就和突破性进展。尤其是神经网络中的三层b p 网络可实现任意 连续非线性映射的理论成果和模糊逻辑系统中的万能逼近定理，使它们在非线性系 统的辨识、建模和控制中占据重要地位。进入2 0 世纪8 0 年代以后，模糊理论体系 得到逐步完善，模糊技术在工业控制应用中取得巨大成功，特别是神经网络研究热 潮的再一次兴起，许多人很自然地把目光投向模糊逻辑系统与神经网络的结合这一 重要方向。在2 0 世纪8 0 年代末至9 0 年代初，模糊逻辑系统与神经网络融合问题 开始真正引起学术界的关注。近年来，这两类方法日趋融合，已成为智能控制方法 研究中的一个新的热点。 从宏观上看，模糊逻辑系统和神经网络属于不同的科学范畴。模糊逻辑系统属 于系统理论的范畴，能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 人的宏观智能行为。从知识的表达方式来看，模糊逻辑系统可以表达人的经验性知 识，便于理解；从知识存储方式来看，模糊逻辑系统将知识存在规则集中；从知识 的运用方式来看，模糊逻辑系统同时激活的规则不多；从知识获取方式来看，模糊 华北电力大学博士学位论文 逻辑系统的规则靠专家提供或设计，难于自动获取。而神经网络是属于计算机科学 的范畴，是根据人脑的生理结构和信息处理过程创造人工神经网络，从微观上模仿 人的智能行为。从知识的表达方式来看，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。从知识存储方式来看，神经网络将知识存在权值中，它们都具 有分布存储的特点。从知识的运用方式来看，神经网络涉及的神经元很多，计算量 大。从知识获取方式来看，神经网络的权值可以从输入输出样本数据中学习得到， 无需人来设置。 从以上分析可以看出，模糊系统和神经网络均属无模型的、可以数值计算的估 计器和非线性动力学系统，都具有知识分布存储、并行处理的特点。模仿人的智能 行为是模糊逻辑系统和神经网络共同的目标和结合的基础。它们的差异表现在样本 函数估计、样本表示和存储、知识的表示以及相关推理等方面。例如，模糊系统中 知识的抽取和表达比较方便，而神经网络可从样本中进行有效的学习；模糊系统适 合于处理结构化的知识，而神经网络对处理非结构化信息更为有效，这种神经、模 糊的协同式集成可以从神经网络和模糊系统两个方面获得好处，神经网络向模糊逻 辑系统提供了连接式结构( 具有容错、分布式表示性质) 和学习能力，模糊逻辑系统 向神经网络提供了具有高级模糊思维和推理的结构框架。将模糊系统和神经网络相 结合，可以同时具有两种方法的优点而克服各自的缺点。模糊神经网络技术之所以 越来越引起人们广泛的研究兴趣，原因就在于二者特性之间的互补性质。因此如何 利用二者的互补关系取长补短，提高整个系统的学习能力与表达能力，是目前最受 注目的课题之一。 模糊逻辑系统与神经网络的结合形式随着研究角度和应用领域不同而有所不 同。我们可在三种范畴内把这两种技术结合起来【2 3 】： ( 1 ) 神经网络模型的模糊化与模糊推理 在这类系统中，模糊神经网络本质上是神经网络，保留了神经网络的基本性质 和结构，只是采用了模糊化的神经元，故它主要用于模式识别领域。这类系统是从 提高神经网络的启发性、透明性、鲁棒性出发，将模糊化概念与模糊推理规则引入 神经网络的神经元、连接权、网络学习等。在模糊神经网络中保留了神经网络的结 构和基本性质。根据神经网络的模糊化与模糊推理的形式，模糊神经网络主要有三 种类型：模糊神经元、模糊化神经模型、神经网络的模糊学习。在这类系统中，“领 域知识”以模糊集合表达，从而提高网络的透明度和网络的解释能力、增强网络的 鲁棒性和学习算法的可控性。 ( 2 ) 基于神经网络的模糊逻辑系统 在这类系统中系统本质上是模糊逻辑系统。可以把模糊控制的设计变换成神 4 第一章绪论 经网络的训练和学习，主要用在控制领域。这类系统是从期望模糊逻辑系统的自适 应、自学习能力出发，直接利用神经网络的学习能力与映射能力，用神经网络去等 效模糊逻辑系统中的各个模糊功能模块，例如模糊化、模糊推理、解模糊化等。对 于模糊推理规则的获取，传统方法是单凭经验确定隶属函数和规则，实现自学习功 能复杂且难度大。用神经网络实现模糊推理过程可采用网络学习或聚类的方法从输 入输出数据中获取规则，然后在性能指标指导下，对规则进行调整，从而实现模糊 系统的自学习、自适应功能。 这种结合方式下，模糊神经网络集模糊系统较强的知识表达能力和神经网络强 大的学习能力于一体，从输入输出数据中就可获取模糊推理规则，而且允许包含少 量的错误经验或数据，不但拓展了模糊技术的应用范围，而且神经网络融合模糊技 术后在学习时间、训练步数及精度方面都优于常规神经网络。 ( 3 ) 基于模糊逻辑系统与神经网络结合形成的一种模糊神经混合系统 这类系统中，模糊逻辑系统与神经网络根据不同的功能、用途集成在一个系统 里。一个典型的模糊神经混合系统如图1 - 1 所示【2 “。 神经阿络 l 传感器输入信号处理模糊逻辑系统 2 状态评估 i 控制 3 状态检测 2 决策制定 4 系统辩识 输入信号处理输出行为决策 图1 1 一种典型的模糊神经混合系统 出 其中神经元网络用于输入信号处理，模糊逻辑子系统用于输出行为决策。这一系统 充分利用了神经元网络信息的并行处理能力和模糊逻辑系统对于决策制定和控制 的灵活的推理能力。当然，这个框架并不是模糊神经混合系统的唯一结构，我们也 可以将模糊推理用于输入状态评估，将神经网络用于控制，或者是用神经网络去代 替模糊控制器的一部分或是优化模糊控制器的参数。而且，我们也可以将基于神经 元网络的模糊系统或者模糊神经元网络用在模糊神经混合系统中。 模糊神经混合系统是模糊逻辑系统和神经网络两者更加直截了当、更加高级的 一种结合方式。在这类系统中两种技术各自发挥自己的功能，利用各自的优势为实 现共同的目标而实现功能结合与互补。在这类系统中，模糊逻辑系统和神经网络可 以分别作为功能独立的子系统在同一个系统中它们各自围绕自己的工作目标运行 华北电力大学博士学位论文 自己的功能。在混合系统中，神经网络与模糊逻辑系统的组成结构是可以根据要求 用并联、串联、串一并联或递阶结构。 相比其它两类神经、模糊结合的系统，模糊神经混合系统的研究与应用仍是非 常薄弱。 在本论文中，将模糊逻辑系统和神经网络的几种结合形式统称为模糊神经网 络。在控制领域中，所关心的是由模糊神经网络构成的模糊推理控制器。所以，本 文将研究上述( 2 ) 所描述的模糊神经网络和上述( 3 ) 所描述的模糊神经混合系统 的基本结构、模糊规则获取、学习算法，以及模糊神经网络在控制和辨识中的应用。 1 2 4 模糊神经网络发展概况 1 9 8 7 年，b a r tk o s k o 在文献 2 5 】中率先将模糊理论和神经网络有机结合进行了 较为系统的研究。在这之后的时间里，模糊神经网络的理论及其应用获得了飞速的 发展，各种新的模糊神经网络模型的提出及与其相适应的学习算法的研究不仅加速 了模糊神经理论的完善，而且在实践中也得到了非常广泛的应用。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 行了倒立摆的仿真实验。1 9 9 3 年，j a n g 提出了基于网络结构的模糊推理的概念，并 设计了网络结构模型【瑚，这种网络结构便是模糊神经网络的雏形。自此以后，研究 人员设计了各种各样的模糊神经网络结构和学习算法【2 7 _ 3 1 1 。 先来看模糊神经网络的结构方面。w a n g 将m a m d a n i 模糊模型和多层前向网络 ( b p 网) 相结合，构成标准型模糊神经网络，这种网络结构简单，物理意义明确， 并且已经被证明了具有万能逼近能力l 引，这使得它在系统控制和辨识上都得到了广 泛应用 3 2 3 s oj a n g 将t - s 模糊模型与五层神经元网络结合而成的a n f i s ，能快速完 成高度的非线性映射，t - s 型模糊神经网络在系统建模上有特殊优势【3 6 。3 射。结合r b f 网络的结构和特点，王立新在文献 3 9 e p 提出了模糊基函数的概念，建立了模糊基 函数网络模型，这种网络模型类似于r b f 网络，网络输出与可调参数之间是线性关 系，简化了参数的学习过程，容易在线应用。模糊推理规则通常采用m a x m i n 规则 或乘积规则，这种推理模式忽略了许多信息，其中包括很多有用信息。对此z h a n g 改善了推理规则1 2 ”，引入了乐观操作( o p t i m i s mo p e r a t i o n ) 和悲观操作( p e s s i m i s m o p e r a t i o n ) 两种运算，最终的推理结果是两者的加权，称这种模糊神经网络为补偿 模糊神经网络。 模糊神经网络无论作为逼近器，还是模式存储器，都是需要学习和优化权系数。 学习算法是模糊神经网络优化权系数的关键。模糊神经网络的学习算法，大多来自 神经网络，标准型模糊神经网络通常采用b p 算法，为了避免b p 算法的固有缺陷， 6 第一章绪论 许多学者队学习算法进行了改进。文献 3 4 1 将实值遗传算法应用于网络参数学习， 收到了较好的效果。结合模糊基函数网络的特点，文献 3 9 】中应用递推最小二乘算 法( r l s ) 对网络参数进行整定。现在，除b p 算法外模糊神经网络的学习算法 还有很多，如遗传算法、基于梯度下降的学习算法、基于递推最小二乘的学习算法、 基于聚类的方法如k 均值聚类、模糊c 均值聚类、山峰聚类方法、减法聚类方法和 最近邻聚类法等。这些算法各有其优点，可在同一个系统中采用多种学习算法。它 们都有一个共同特点，那就是都具有模糊逻辑系统和人工神经网络的优点，即能有 效利用语言信息又具有强大的自学习和自适应能力，并且网络参数具有较为明确的 物理意义，有助于对实际系统的理解和分析。 1 3 模糊神经网络应用于复杂系统 1 3 1 复杂系统的特征 对任何一个控制理论的一个富有挑战性的问题是能否处理复杂系统。系统的复 杂性源于非线性。复杂系统存在于各个领域，很难简单定义。一个系统称为复杂系 统，是指它的维数很高，即使可以建立模型，也具有高度非线性、不确定性、强耦 合等特性，难以用传统控制理论处理。本文提及的复杂系统主要有以下特征【4 2 】： ( 1 ) 不确定性的模型 传统的控制是基于模型的控制，这里的模型包括控制对象和干扰模型。对于传 统控制通常认为模型己知或者经过辨识可以得到。而复杂系统通常存在着严重的不 确定性。这里所说的模型不确定性包含两层意思：一是模型未知或知之甚少；二是 模型的结构和参数可能在很大范围内变化。 ( 2 ) 高度的非线性 在传统的控制理论中，线性系统理论比较成熟。对于具有高度非线性的控制对 象，虽然也有一些非线性控制方法，但总的说来，非线性控制理论还很不成熟，而 且方法比较复杂，例如常见的微分几何的方法。 ( 3 ) 多个输入输出变量 多变量系统的输入输出之间存在耦合，改变某个输入量会引起部分或所有输出 量发生变化。传统的控制方法很难直接为系统设计一个满足性能的控制器，而传统 的解耦设计方法要求系统有精确的解析模型，这在实际中是很难得到的。 美国数学家维纳在四十年代创立控制论以来，自动控制理论已经历了“经典控 制理论”和“现代控制理论”以及“大系统理论”三个重要发展阶段，目前正处于 华北电力大学博士学位论文 “智能控制理论”阶段。传统的控制理论( 包括经典控制理论和现代控制理论) 是 利用受控对象精确的数学模型( 传递函数和状态空间模型) 对系统进行定量分析， 进而设计控制策略。当系统变得复杂时，难以对其工作特性进行精确描述。而且， 这样的数学模型结构也不利于表达和处理有关受控对象的一些不确定信息，进而不 便于利用人的经验知识、技巧和直觉推理，所以难以对复杂系统进行有效控制。 1 9 6 5 年，美国控制论专家z a d e h 提出模糊集台论，其理论和方法日臻完善，并 且广泛地应用于自然科学各领域。建立在模糊逻辑基础上的模糊控制已成为智能控 制的重要组成部分，也是近年来控制复杂系统富有成果而且非常有前途的研究方法 之一。 传统的模糊控制器利用模糊集合理论将专家知识和操作人员经验形成的语言 规则直接转化为自动控制策略，其设计不依赖对象的精确数学摸型，而是利用其语 言知识模型进行设计和修正控制算法。应该看到，传统模糊控制器所控制的对象通 常是单输入一单输出( s i s o ) 系统，利用误差和误差的变化率或误差的积分作为输 入，因而只能获得p d 或p i 的最佳效果，在复杂的工业过程控制中，常常会遇到多 变量系统，外界干扰因素也很多，控制器的设计应该采用多个输入量。如果把s i s o 系统的模糊控制器设计直接推广到多变量系统，会遇到很多困难。首先，难以建立 一组比较完善的多维模糊控制规则表；其次，用于多变量控制的模糊查询表及关系 矩阵将占用大量的内存空间和花费大量的计算时间。 因此，对具有高度非线性、多变量以及不确定性的复杂系统，在目前的研究中， 人们试图将模糊逻辑、神经网络和遗传算法相结合，继承其优点，克服各自的缺点， 在各种应用中实现灵活、更加强大的学习功能。最普遍的方法是，采用神经网络和 遗传算法解决模糊系统的规则获取问题，学习模糊系统的结构和参数。这种自组织 模糊系统具有以下两个特征【4 3 】：一是能够建立最优的规则，其规则库具有完备性， 一致性、致密性：二是能够自动调整规则前提和结论部分的参数。 自从j a n g 于1 9 9 3 年提出模糊神经网络( f n n ) 的概念以来，模糊神经网络便 引起了越来越多的研究者的关注，很快便成为智能控制研究中的一个十分活跃的分 支。模糊神经网络研究的系统太多是复杂系统，采用模糊神经网络往往可以较好地 解决非线性系统的控制和辨识问题。 1 3 2 模糊神经网络用于复杂系统辨识 系统的数学模型在控制器的设计过程和控制系统的性能分析中，发挥着不可或 缺的作用。一般意义上的建模是以对系统的物理、机械特性深入了解为前提条件的。 然而，对于实际的被控对象，特别是对于复杂系统而言，要建立系统准确的数学模 8 第一章绪论 型非常困难。过去常用的方法有两种：一是利用线性模型来近似描述复杂系统，显 然这对于有严重非线性的系统误差较大：二是根据被控对象己知的信息，选择与之 相近的非线性数学模型，这显然具有很大的局限性。因此，对于复杂系统，我们需 要采取其他非传统的方法建模。 模糊神经网络是一种本质非线性模型，易于表达非线性系统的动态特性，而且 从理论上已经证明了模糊神经网络可以作为万能逼近器，可以以任意精度逼近非线 性系统。因此模糊神经网络被认为是解决复杂系统建模的一种可行的方法。迄今为 止，己经有多种模糊网络结构在复杂系统的建模和辨识中应用。如基于m a m d a n i 模 糊模型的模糊神经网络、模糊基函数网络模型，基于t - s 模糊模型的模糊神经网络， 还有文献 4 4 4 6 1 中提出的模糊动态网络模型等。 模糊神经网络建模是基于模糊集的建模，将专家的定性知识与输入输出数据的 定量知识相结合，解决复杂系统中大量的模糊、不确定信息。因此可以根据系统的 输入输出数据和对被控对象的分析得到实验模型。模糊模型表现为一条条的模糊规 则的形式，模糊建模的核心就是模糊规则的获取。关于获取模糊规则的方法，第一 种方法是总结专家知识并形成规则，即显性知识的获取。第二种方法是在操作者实 施手动控制时，采样输入输出数据，从而利用数据建立模糊模型输入输出数据的 关系中包含了系统的隐性知识。这两种方法在本质上是相同的。聚类法被认为是解 决此类问题的一种行之有效的方法。本论文将研究通过聚类法建立模糊神经模型， 根据实测数据辨识对象模型。 1 3 3 模糊神经网络用于复杂系统的控制 下面给出文献中几种典型的模糊神经网络控制结构方案。 ( 1 ) 、模糊神经网络监督控制 图1 - 2 模糊神经网络监督控制监督控制 有一些复杂系统中，利用传统的控制理论设计控制器非常困难，而操作人员却 能很好的控制系统，在这种情况下，可以用模糊神经网络学习人的控制行为，即对 9 华北电力大学博士学位论文 人工控制器建模，然后用模糊神经网络控制器( f n n ) 代替人工控制器。这种通过 对人工或传统控制器进行学习，然后用模糊神经网络控制器取代或逐渐取代原控制 器的方法，称为模糊神经网络监督控制1 4 ”，如图卜2 所示。 ( 2 ) 、模糊神经网络逆控制 直接模糊神经网络逆控制的思想非常简单，是利用模糊神经网络的建模能力对 系统的逆动态进行建模，以使整个闭环系统的输入输出映射为恒等映射，从而实现 系统的跟踪控制【4 8 4 9 1 。如图卜3 所示。 图1 3 模糊神经网络直接逆控制 间接模糊神经网络逆控制，是采用两个模糊神经网络，f n n 2 的作用是取得被 控对象的逆模型。f n n i 与f n n 2 具有相同的结构，采用相同的学习算法，参数迭 代的性能指标取为f n n 2 的输出与控制输出之差的平方。如图卜4 所示。 图l - 4 间接模糊神经网络逆控制 ( 3 ) 、模糊神经网络自适应控制 与传统自适应控制类似，模糊神经网络自适应控制包括自校正自适应控制和模 型参考自适应控制。在上述两种自适应控制策略中，它们又可分为直接自适应控制 算法和间接自适应控制算法。这样共有四种自适应控制方案。 方案一，模糊神经网络直接自校正控制7 1 ，结构框图如图1 5 所示。该系统直 接用f n n 构成控制器，并采用参数自适应律对f n n 控制器参数进行在线整定，以 期达到设计指标。 第一章绪论 图卜5 模糊神经网络直接自校正控制 方案二，模糊神经网络间接自校正控制陬5 1 1 ，结构框图如图1 - 6 所示。v n n 用 做过程参数或过程中某些部分的在线估计器，而控制器则基于得到的估计器来进行 设计。 图卜6 模糊神经网络间接自校正控制 方案三，直接模糊神经网络模型参考自适应控制【5 2 ，5 3 1 ，结构框图如图卜7 所示。 f n n 模型参考自适应控制结构中，要求系统的输出与参考模型的输出一致，因此其 控制框图中增加了一个参考模型功能块。f n n 的参数迭代以与y 之差的平方项为性 能指标。控制器孙的作用是使参考模型的输出与对象的输出y 之差趋于零。 图卜7 直接神经网络模型参考自适应方案 方案四，间接模糊神经网络模型参考自适应控制，结构框图如图1 8 所示。鉴于 直接模糊神经网络模型参考自适应方案中存在的问题，为获取被控对象的j a c o b i a n 参数，采用一个模糊神经网络f n n 2 作为被控对象的辩识器( 或称估计器) 以在线方式 为控制器f n n l 提供所需篚j j a c o b i a n 参数。辩识器阶跗2 的参数迭代是以孙酣2 的输出 华北电力大学博士学位论文 与被控对象的输出之差的平方为性能指标的，调整f n n 2 的参数最终使其的输出与被 控对象的输出相接近，则f n n 2 便描述了被控对象的动力学特性。控制器卧1 的参 数修正是以系统的输出y 与参考模型输出之差的平方为指标函数，利用f n n 2 提供 的j a c o b i a n 信息，调整f n n l 网络参数，最终使得系统的输出跟踪参考模型的输出。 一 图卜8 模糊神经网络间接模型参考自适应控制 ( 4 ) 、模糊神经网络前馈控制 考虑到一般的控制系统已具有常规控制器，如p i 或p d 控制器，在不改变系统稳 定性的前提下，为利用神经网络对其进行改进，以求获得性能更为优越的控制器是 应该可行的。出于这一考虑，k a w a t o 于1 9 8 7 年提出这一方案【5 7 1 ，如图卜9 所示。 图卜9 模糊神经网络前馈控制 系统由两个控制器构成，一个常规p d 控制器实现系统的反馈控制，及保证系 统的稳定性：另一个为模糊神经网络前馈控制器，实现对常规控制器的补偿控制， 故这种方法又称为前馈反馈控制。这种方案的优点是网络训练的初始阶段可以由常 规控制器保持系统的稳定性，并且只有一个网络计算量也较小。对于实时性要求较 高的伺服控制系统，此控制方法是一个发展方向。 ( 5 ) 、模糊神经网络与常规控制手段的结合 常规控制方法历史悠久、应用广泛，具有算法简单、控制适应性好等优点。但 处理非线性、时变等问题显得力不从心。将模糊神经控制策略与其它常规控制策略 ( 例如p i d 控制、最优控制、滑模变结构控制等) 相结合，构成复合控制器【5 引，可 以充分利用常规控制策略成熟的设计方法，还可以利用模糊神经网络来智能补偿系 统中的未建模动态或不可测扰动的能力提高控制品质，拓宽常规控制策略控制对 第一章绪论 象的范围。控制系统的结构如图1 1 0 所示。 图卜1 0 复合控制 1 4 模糊神经网络理论和应用中存在的问题 虽然模糊神经网络在复杂系统控制和建模等应用中已经取得了很大的成功，但 是它在理论和应用中仍然存在一些问题： ( 1 ) 、模糊神经网络中模糊规则的获取方法。目前模糊规则接近人的语言规则， 但是从纷繁复杂的规则中选取能有效反映对象特性的模糊规则仍然没有一个通用 的方法。 ( 2 ) 、模糊神经网络也存在模型复杂性与模型泛化能力之间的矛盾，即模糊神 经网络的结构优化问题还没有解决。 ( 3 ) 、在控制系统中应用模糊神经网络时，存在的主要问题是学习时间和稳定 性问题，因此如何减少网络运算时间及保证网络稳定收敛，是研究模糊神经网络在 控制系统中应用的一个关键问题，也是本文研究的一个重点。 ( 4 ) 、模糊神经网络模型结构的确定。如果模糊神经网络的结构规模可以为无 限的，那么从理论上说模糊神经网络能以任意的精度逼近任意连续系统。而在实际 应用中这是不可能实现的，因此不可避免地存在着逼近误差，并且这一逼近误差和 网络节点数有关。从理论上说，节点数目越多，网络的逼近性能越好，然而，节点 数目的增加势必导致需要学习的参数增加，使网络的学习速度更加缓慢，这就限制 了模糊神经网络在实际工程中的应用。为此如何在精度与速度之间折衷，寻找既能 满足精度要求又能满足学习速度的神经网络结构与学习算法，使其适合于在实时控 制中应用，是模糊神经网络研究的一个重要问题。 ( 5 ) 、模糊神经网络与传统的控制策略、模糊逻辑技术和神经网络技术更有效 的结合方式也是需要研究的课题。 1 5 本文主要研究内容及论文的组织结构 华北电力大学博士学位论文 本论文的工作是模糊神经网络理论以及它在复杂系统辨识与控制中的应用研 究。针对模糊神经网络理论和应用的研究状况及其中存在的向题，本文主要研究了 以下几个方面的问题： ( 1 ) 、模糊神经网络的学习算法。寻求收敛速度快且对初值依赖性小的全局优 化算法一直是人们研究的热门问题，也是一个十分复杂的问题。很难简单地评价一 个算法的好与坏，评价一个算法的优劣，不单要看其收敛速度，还要看其对初值的 依赖性，计算复杂度等，而且还依赖于求解问题的具体情况。多数神经网络的训练 为非线性问题，经典的优化方法有使用价值但难以避免局部极值问题。比较算法问 的差异，寻求不同算法适用于训练神经网络的条件，算法的学习速度，计算复杂度 等有一定的实际意义。 ( 2 ) 、模糊神经网络的结构。模糊系统是用于描述人类知识的。关于某个特定 的工程问题的人类知识可以分成两类：显性知识和隐性知识。显性知识是那种能用 清晰的语言表达的知识，对于显性知识，可以简单地让专家将该只是描述为i f t h e n 规则，从而将其嵌入模糊系统。而隐性知识是指那种专家知道去做什么，但无法恰 当地用语言表达出来的知识，对于隐性知识，可以转化为一个输入一输出数据对集 合。因此，根据输入一输出数据对构造模糊系统的过程，也就是将隐性知识嵌入模 糊系统的过程。本论文研究了用聚类法根据输入一输出数据建立模糊神经系统的方 法，提供一种规则易于提