模糊神经网络控制与自适应神经网络ppt课件

1、第第7章章 模糊神经网络控制模糊神经网络控制与自顺应神经网络与自顺应神经网络智能控制根底智能控制根底7.1 模糊神经网络控制7.2 基于神经元网络的自顺应控制7.3* 自顺应神经网络构造学习目录目录7.1.1 神经网络与模糊控制系统7.1.2 模糊神经网络的学习算法7.1 模糊神经网络控制模糊神经网络实际的出发点模糊神经网络实际的出发点v模糊控制系统的隶属度函数或控制规那么的模糊控制系统的隶属度函数或控制规那么的设计方法存在很大的客观性。设计方法存在很大的客观性。v利用神经网络的学习功能来优化模糊控制规利用神经网络的学习功能来优化模糊控制规那么和相应的隶属度函数、将一些专家知识那么和相应的隶属

2、度函数、将一些专家知识预先分布到神经网络中去是提出模糊神经网预先分布到神经网络中去是提出模糊神经网络实际的两个根本出发点。络实际的两个根本出发点。 模糊神经网络构造图模糊神经网络构造图 构造阐明构造阐明v第一层节点为输入节点，用来表示言语变量；第一层节点为输入节点，用来表示言语变量；v输出层的每个输出变量有两个言语节点，一输出层的每个输出变量有两个言语节点，一个用于训练时期望输出信号的馈入，另一个个用于训练时期望输出信号的馈入，另一个表示模糊神经网络推理控制的输出信号节点表示模糊神经网络推理控制的输出信号节点; v第二层和第四层的节点称为项节点，用来表第二层和第四层的节点称为项节点，用来表示相

3、应言语变量言语值的隶属度函数。示相应言语变量言语值的隶属度函数。 v第三层节点称为规那么节点，用来实现模糊第三层节点称为规那么节点，用来实现模糊逻辑推理。其中第三、四层节点间的衔接系逻辑推理。其中第三、四层节点间的衔接系数定义规那么节点的结论部、第二、三层节数定义规那么节点的结论部、第二、三层节点间的衔接系数定义规那么节点的条件部。点间的衔接系数定义规那么节点的条件部。第一层第一层v这一层的节点只是将输入变量值直接传送到这一层的节点只是将输入变量值直接传送到下一层。所以，下一层。所以，v且输入变量与第一层节点之间的衔接系数且输入变量与第一层节点之间的衔接系数wji(1)=1。 fuafjjjj

4、( )( )( )( ),第二层第二层 v实现言语值的隶属度函数变换实现言语值的隶属度函数变换 ，可选取钟型，可选取钟型函数函数 v其中：其中： mji和和ji分别表示第分别表示第i个输入言语变量个输入言语变量Xi的第的第j个言语值隶属度函数的中心值和宽度。个言语值隶属度函数的中心值和宽度。可笼统看作第一、二层神经元节点之间的衔可笼统看作第一、二层神经元节点之间的衔接系数接系数wji(2) 。fMmumaejXjjijiijijijfij( )( )( )( )( )( )( )(,)()(),( )2222222222 第三层第三层 v完成模糊逻辑推理条件部的匹配任务完成模糊逻辑推理条件部的

5、匹配任务 。由最。由最大、最小推理规那么可知，规那么节点实现大、最小推理规那么可知，规那么节点实现的功能是模糊的功能是模糊“与运算。与运算。vvfj(3)=min(u1(3),u2(3),.,up(3), aj(3)=fj(3) v且第二层节点与第三层节点之间的衔接系且第二层节点与第三层节点之间的衔接系数数wji(3)=1 第四层第四层 有两种方式有两种方式从上到下的传输方式从上到下的传输方式 时，与第二层一样，实现时，与第二层一样，实现模糊化的功能。模糊化的功能。从下到上的传输方式中，实现的是模糊逻辑推从下到上的传输方式中，实现的是模糊逻辑推理运算。根据最大、最小推理规那么，是模理运算。根据

6、最大、最小推理规那么，是模糊糊“或运算：或运算：fj(4)=max(u1(4),u2(4),.,up(4), aj(4)=fj(4) 且第三、四层节点之间的衔接系数且第三、四层节点之间的衔接系数wji(4)=第五层第五层 v有两种方式有两种方式v从上到下的信号传输方式从上到下的信号传输方式 ，同第一层。，同第一层。v从下到上是准确化计算，假设采用重心法，从下到上是准确化计算，假设采用重心法，有有v那么第四层节点与第五层节点之间的衔接那么第四层节点与第五层节点之间的衔接系数系数wji(5)可以看作是可以看作是mji(5)ji(5)。 fw umuafujjiijijiiijjjiii( )( )

7、( )( )( )( )( )( )( )( )(),7.1.1 神经网络与模糊控制系统7.1.2 模糊神经网络的学习算法7.1 模糊神经网络控制混合学习算法混合学习算法v第一阶段，运用自组织学习方法进展各言语第一阶段，运用自组织学习方法进展各言语变量言语值隶属度函数的初步定位以及尽量变量言语值隶属度函数的初步定位以及尽量开掘模糊控制规那么的存在性即可以经过开掘模糊控制规那么的存在性即可以经过自组织学习删除部分不能够出现的规那么自组织学习删除部分不能够出现的规那么v在第二阶段，利用有导学习方法来改良和优在第二阶段，利用有导学习方法来改良和优化期望输出的各言语值隶属度函数。化期望输出的各言语值隶

8、属度函数。 1. 自组织学习阶段自组织学习阶段问题描画：问题描画：给定一组输入样本数据给定一组输入样本数据xi(t),i=1,2,.,n、期望的、期望的输出值输出值yi(t),i=1,2,.,m、模糊分区、模糊分区T(x)和和 T(y)以及期望的隶属度函数类型即以及期望的隶属度函数类型即三角型、钟型等。三角型、钟型等。学习的目的是找到隶属度函数的参数和系统实学习的目的是找到隶属度函数的参数和系统实践存在的模糊逻辑控制规那么。践存在的模糊逻辑控制规那么。 隶属度函数参数的获取隶属度函数参数的获取v中心值中心值mi的估计的估计 ：Kohonen自组织映射法自组织映射法v宽度值宽度值i是与重叠参数是

9、与重叠参数r以及中心点以及中心点mi邻域内邻域内分布函数值相关。分布函数值相关。 Kohonen自组织映射法自组织映射法v一种自组织学习。经过一段时间的学习后，一种自组织学习。经过一段时间的学习后，其权值的分布可以近似地看作输入随机样本其权值的分布可以近似地看作输入随机样本的概率密度分布。学习过程是一个的概率密度分布。学习过程是一个Winner-take-all的过程，详细如下：的过程，详细如下： )()(min)()(1tmtxtmtxikiclosestmcloest(t+1)= mcloest(t) +(t)x(t)-mcloest(t) mi(t+1)=mi(t) 当 mi(t)mcl

10、oest(t) k=T(x) 表示言语变量x言语值的数目 宽度宽度i的计算的计算 v经过求以下目的函数的极小值来获取，即：经过求以下目的函数的极小值来获取，即：v其中其中 r为重叠参数为重叠参数 。v也可以采用一阶最近邻域法近似：也可以采用一阶最近邻域法近似： 22121rmmENiNjijinearest 推理规那么确实定推理规那么确实定v即确定第三层规那么节点和第四层输出言语即确定第三层规那么节点和第四层输出言语值节点之间的衔接关系。值节点之间的衔接关系。 v采用竞争学习获得采用竞争学习获得v记记o(3)i(t)为规那么节点的鼓励强度、为规那么节点的鼓励强度、 o(4)i(t)为第四层输出

11、言语值节点输出为第四层输出言语值节点输出 ，那么，那么 w tow toijjiji( )( )( )( )规那么删除规那么删除v仅保管规那么节点与同一输出言语变量的一仅保管规那么节点与同一输出言语变量的一切言语值节点的衔接系数最大的那个衔接关切言语值节点的衔接系数最大的那个衔接关系，将其他的衔接关系删除。系，将其他的衔接关系删除。v当某一规那么节点与某一输出言语变量一切当某一规那么节点与某一输出言语变量一切言语值节点之间的衔接系数都非常小时，那言语值节点之间的衔接系数都非常小时，那么一切的衔接关系都可以删除。么一切的衔接关系都可以删除。v假设某一规那么节点与第四层中的一切节点假设某一规那么节

12、点与第四层中的一切节点的衔接系数都很少而被删除的话，那么该规的衔接系数都很少而被删除的话，那么该规那么节点对输出节点不产生任何影响。因此，那么节点对输出节点不产生任何影响。因此，该规那么节点可以删除。该规那么节点可以删除。 规那么合并规那么合并合并的条件合并的条件该组节点具有完全一样的结论部该组节点具有完全一样的结论部(如图如图7-2中输中输出变量出变量yi中的第二个言语值节点中的第二个言语值节点)；在该组规那么节点中某些条件部是一样的在该组规那么节点中某些条件部是一样的(如图如图7-2中输入变量中输入变量x0中的第一个言语值节点的中的第一个言语值节点的输出与该组规那么节点全部相连输出与该组规

13、那么节点全部相连)；该组规那么节点的其它条件输入项包含了一切该组规那么节点的其它条件输入项包含了一切其它输入言语变量某一言语值节点的输出。其它输入言语变量某一言语值节点的输出。图图7-2 :规那么节点合并例如规那么节点合并例如 2. 有导师学习阶段有导师学习阶段v可采用可采用BP学习学习min)t ( y )t ( y(21E2)wE()t (w)1t (wEwEnetnetwEffwEffaaw()()第五层第五层 v反向传播到上一层的广义误差反向传播到上一层的广义误差(5)为为 iijiijijijjjjjiuutytymffaaEmE)5()5()5()5()5()5()5()5()5(

14、)5()( )(2)5()5()5()5()5()5()5()5()5()5()5()5()5()5()5()5()()()()( )(iijiiiijijiiijiijijijjjjjiuuumuumtytyffaaEE)( )()5()5()5()5()5(tytyfaaEfE第四层第四层 v没有任何参数进展更新。独一需求做的是实没有任何参数进展更新。独一需求做的是实现误差的反向传播计算。现误差的反向传播计算。 2)5()5()5()5()5()5()5()5()5()5()5()5()5()5()5()5()5()4()5()5()5()5()4()5()5()4()4()()()()(

15、 )(iijiijjijijiiijijjjjiijiiijijijjjjjjjjjjjjuumumtytyuumufEfuuffEfffEfE第三层第三层 v与第四层类似与第四层类似 v假设输出言语变量有假设输出言语变量有m个，那么个，那么)4()3()4()4()3()4()4()3()3()3()3()3(jijjjjjjjjjjufaffEfaaEfEmkkj1)4()3(第二层第二层 v qk(3)=k(3) 当当aj(2)是第是第k个规那么节点输入值中的最小值个规那么节点输入值中的最小值时；时；v qk(3)=0 其它情况下。其它情况下。 2)2()2()2()2()2()2()2

16、()2()2()2()()(2)2(jijiifjjijjjjjimueaEmffaaEmEj)2()3()3()2()3()3()2(jkkkjkkkjafaffEaEotherwiseuuufifufafjkjkjk0,.),min(1)3(2)3(1)3()3()3()3()2()3(kkjqaE)3()2(第二层学习公式第二层学习公式mtmtEaeumjijijfijijij( )( )( )( )( )( )()( )()()( )2222222122jijijfijijittEaeumj( )( )( )( )( )( )()( )()()( )整个学习流程整个学习流程7.1 模糊

17、神经网络控制7.2 基于神经元网络的自顺应控制7.3* 自顺应神经网络构造学习目录目录基于神经元网络的自顺应控制基于神经元网络的自顺应控制 v神经网络控制器完全满足自顺应控制的要素神经网络控制器完全满足自顺应控制的要素v在线、实时地了解对象；在线、实时地了解对象；v有一个可调理环节；有一个可调理环节；v能使系统性能到达目的要求和最优。能使系统性能到达目的要求和最优。v常规的神经网络控制器本身也具有一定的自常规的神经网络控制器本身也具有一定的自顺应才干顺应才干 。设计思想设计思想 v与传统的自顺应控制器一样与传统的自顺应控制器一样 ，有两种不同的，有两种不同的设计途径设计途径 ：7.2.1 神经

18、网络的模型参考自顺应控制7.2.2 神经网络的自校正控制7.2 基于神经元网络的自顺应控制模型参考自顺应控制模型参考自顺应控制 v经过选择一个适当的参考模型和由稳定性实经过选择一个适当的参考模型和由稳定性实际设计的自顺应算法，并利用参考模型的输际设计的自顺应算法，并利用参考模型的输出与实践系统输出之间的误差信号，由一套出与实践系统输出之间的误差信号，由一套自顺应算法计算出当前的控制量去控制系统自顺应算法计算出当前的控制量去控制系统到达自顺应控制的目的。到达自顺应控制的目的。 v在实时性方面都没有艰苦进展。在实时性方面都没有艰苦进展。 控制战略控制战略v假设被控系统假设被控系统vy(k+1)=f

19、(y(k),y(k-1),u(k-1)+g(u(k) v参考系统：参考系统：vym(k+1)=a1ym (k)+a2ym (k-1)+r(k)v那么控制输入可取：那么控制输入可取：)1()1(),1(),()(基于神经网络的模型参考自顺应控制构造基于神经网络的模型参考自顺应控制构造 reimpyypyZ-1TD LTD LTD LTD L+-+-eiecu神经网络N神经网络Nci被控对象ec 图 3-3-1 基于神经网络的模型参考自适应控制结构图参考模型例例7-1 v非线性控制对象为非线性控制对象为 v参考系统的模型为：参考系统的模型为：)() 1()(15 . 2)()1()() 1(22k

20、ukykykykykyky )() 1( 20)(60) 1(krk-y.k 控制战略控制战略那么控制系统的误差方程为那么控制系统的误差方程为 其中其中上述控制可渐渐稳定。上述控制可渐渐稳定。) 1()(15 . 2)()1()()1(),(22kykykykykykykyf1)-(k0.2e(k)0.6e1)(keccc1)(ky1)(ky1)(kempcr(k)1)-0.2y(k1)0.6y(k1)-y(k-f(y(k),u(k)离线辨识的控制效果离线辨识的控制效果vu(k)=-Ni(y(k),y(k-1)+0.6y(k)+0.2y(k-1)+r(k) v取r(k)=sin(2k/25)

21、图神经网络模型参考自适应控制响应曲线图实线 参考模型输出虚线 实际系统输出图在线辨识的神经网络模型参考自适应控制响应曲线图r(k) )y(k-.y(k).)(y(k),y(k-Nu(k)在线辨识后的控制效果在线辨识后的控制效果v确定导师信号确定导师信号 tj(k+1)=yp(k+1)-u(k) 图神经网络模型参考自适应控制响应曲线图实线 参考模型输出虚线 实际系统输出图在线辨识的神经网络模型参考自适应控制响应曲线图复杂情况复杂情况v对于对于vy(k+1)=f(y(k),y(k-1),u(k-1)+g(u(k) v可得可得v假设假设 存在，可用神经网络逼近之。如不存在，可用神经网络逼近之。如不存在，可采用动态存在，可采用动态BP学习算法。学习算法。 )1()1(),1(),()(1kykukykyNgkumf 动态动态BP学习算法学习算法 v设网络模型设网络模型v已离线准确获得。已离线准确获得。v训练控制网络，使以下规范最小训练控制网络，使以下规范最小()( ( )( ( )y kNy kNu kfg1Je tkcckTc()12)()()(构造图构造图rNgmypypyZ-1+-+ec控制器NNcf被控对象 图 3-3-4 不可逆模型的神经网络M RAC控制结构图参考模型+7.2.1 神经网络的模型参考自顺应控制7.2.2 神