智能控制-研究生课程测试-论文

1、第一部分 论述题1 目前传统控制存在什么机遇与挑战？为什么要发展智能控制？传统控制的主要特征是基于精确的系统数学模型的控制，适于解决线性、时不变等相对简单的控制问题。它自身的发展面临巨大的局限性，其控制系统的分析和设计必须建立在精确数学模型的基础上，难以解决现实中复杂性、非线性、时变性、不确定性和不完全性的系统控制问题。智能控制是自动控制理论发展的必然趋势，其产生和发展给传统控制带来了新的机遇和挑战。发展智能控制主要是因为相比较于传统控制，智能控制在解决现实复杂控制问题中具有的几大突出特点：一是传统控制建立在确定的模型基础上，而智能控制的研究对象则存在模型严重的不确定性，即模型未知或知之甚少者

2、模型的结构和参数在很大的范围内变动，比如工业过程的病态结构问题、某些干扰的无法预测，致使无法建立其模型，这些问题对基于模型的传统自动控制来说很难解决。二是传统控制系统对控制任务的要求要么使输出量为定值(调节系统)，要么使输出量跟随期望的运动轨迹(跟随系统)，因此具有控制任务单一性的特点。而智能控制系统的控制任务可比较复杂，例如在智能机器人系统中，它要求系统对一个复杂的任务具有自动规划和决策的能力，有自动躲避障碍物运动到某一预期目标位置的能力等。对于这些具有复杂的任务要求的系统，采用智能控制的方式便可以满足。三是传统的控制理论对线性问题有较成熟的理论，而对高度非线性的控制对象虽然有一些非线性方法

3、可以利用，但不尽人意。而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。工业过程智能控制系统除具有上述几个特点外，又有另外一些特点，如被控对象往往是动态的，而且控制系统在线运动，一般要求有较高的实时响应速度等，恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别，决定了它的控制方法以及形式的独特之处。四是与传统自动控制系统相比，智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。五是与传统自动控制系统相比，智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程，采

4、用开闭环控制和定性及定量控制结合的多模态控制方式。六是与传统自动控制系统相比，智能控制系统具有变结构特点，能总体自寻优，具有自适应、自组织、自学习和自协调能力。七是与传统自动控制系统相比，智能控制系统有补偿及自修复能力和判断决策能力。2 举例说明分层递阶控制的应用情况。分层递阶智能控制，是人们分析和组织系统阶次高、子系统互相关联、系统的评价目标多且目标间又可能相互冲突的大型复杂系统的一种常用方法，所涉及的大型复杂系统，同时还要要求系统具有规划、决策、学习等功能。其分层结构主要包括组织级、协调及（任务、功能）和执行级。网上有一篇关于城市电网自愈控制的分层递阶控制系统的介绍文章，我以此为例，对其使

5、用分层递阶控制的相关原理进行介绍：城市电网示意图如下： 城市电网自愈控制体系中包括了七种控制，根据分层递阶控制的思想，设计如下图所示的城市电网自愈控制结构，包括四层控制器： （1）知识组织级：根据城市电网当前运行状态制定需要完成的控制目标，并分解为多个不同的控制任务，下达到控制任务分配器。（2）任务协调级：根据决策计机下达的任务，有选择地分配给相应功能的控制协调器。（3）功能协调级：根据分配器下达任务，通过解析翻译形成控制命令，并下达给具体功能模块。（4）功能执行级：完成控制任务的具体装置和设备。 为适应分布式复杂系统控制要求，根据功能特点和物理特性将控制结构划分为功能上独立、具有逻辑推断能力

6、和通讯能力的计算实体，称为智能体，共同形成智能体群体系统，如下图所示： 执行级的测控智能体的功能是完成城市电网的信息测量、执行控制动作，具体的控制行为可能来源于协调级智能体，或者有测控智能体自治形成。测控智能体包括继电保护智能体、低频减载智能体、五防控制智能体、电压无功控制智能体、故障录波智能体、开关状态监测智能体、变压器状态监测智能体等。测控智能体与其感知和控制对象之间的关系氛围1对1型、1对多型和多对1型3种。 协调智能体分为2个层次，上层为控制决策智能体，下层为变电站智能体。 控制决策智能体包括状态评估智能体、紧急控制智能体、恢复控制智能体、孤岛控制智能体、校正控制智能体、预防控制智能体

7、、优化控制智能体和健壮控制智能体。3举例分析一个在线学习控制系统的稳定性和收敛性。考虑一个闭环PD型迭代学习控制系统，其学习算法如下：Uk+1(t) = f(Uk(t), ek+1(t) = Uk(t) + ek+1(t) + Uk+1(t),其中，kT t (k+1)T , k=0,1,2，T为学习周期，、分别为比例、微分学习因子矩阵。初始U0(t)应使闭环系统保持稳定，期望输出yd(t),t0,应满足周期为T的条件。此复合迭代学习控制器的设计采用前向通道控制器加迭代学习控制器的复合迭代学习策略。前向通道控制器主要针对受控对象的稳定性以及带宽对系统进行校正。而迭代学习控制器则应保证系统对期望

8、误差轨迹的收敛性。结构图如下所示：ydykUkVkVk+1+存储器×××C(s)C(s)存储器H(s)H(s)+ek当迭代学习次数趋于正无穷时，如果ed(t)在0,上一致趋于零，则迭代学习算法是收敛的。收敛性是迭代学习算法中最重要的因素之一。只有收敛，迭代学习算法才有意义。 假设被控对象、前向通道控制器和迭代学习率的传递函数分别为P(s)、C(s)和H(s)。令G(s)=C(s).P(s)，有yk(s)= uk(s). G(s),uk(s)= vk(s) + H(s). ek(s), uk+1(s)= vk+1(s) + H(s). ek+1(s)，又vk+1(s

9、)= uk(s), 则uk+1(s)= uk(s)+ H(s). ek+1(s)可知此迭代算法为闭环算法，具有很好的收敛性与鲁棒性，可减少迭代次数实现对期望轨迹的无差跟踪，极大提高控制效果。同时ek(s)= yd(s) - yk(s) = yd(s) - uk(s). G(s)ek+1(s)= yd(s) - yk+1(s) - uk+1(s) . G(s) = yd(s) uk(s)+ H(s). ek+1(s) . G(s)ek+1(s) - ek+1(s) = -uk+1(s) - uk(s) . G(s) = -H(s). ek+1(s) . G(s)欲使迭代收敛，需满足|1+H(s)

10、G(s)|>1,且1+H(s)G(s)幅值愈大收敛越快。该系统通过前向通道控制器调节稳定性和带宽，再利用迭代算法提高精度。4专家控制系统的设计应考虑哪些问题？专家控制系统(expert control system,ECS)广泛应用于故障诊断、工业设计和过程控制，为解决工业控制难题提供一种新的方法，是实现工业过程控制的重要技术。对专家控制系统的控制器的要求主要包括五个方面：（1）运行可靠性高 对于某些特别的装置或系统，如果不采用专家控制器来取代常规控制器，那么，整个控制系统将变得非常复杂，尤其是其硬件结构。其结果使系统的可靠性大为下降。因此，对专家控制器提出较高的运行可靠性要求。它通常具

11、有方便的监控能力。（2）决策能力强 决策是基于知识的控制系统的关键能力之一。大多数专家控制系统要求具有不同水平的决策能力。专家控制系统能够处理不确定性、不完全性和不精确性之类的问题，这些问题难以用常规控制方法解决。（3）应用通用性好 应用的通用性包括易于开发、示例多样性、便于混合知识表示、全局数据库的活动维数、基本硬件的机动性、多种推理机制以及开放式的可扩充结构等。（4）控制与处理的灵活性 这个原则包括控制策略的灵活性、数据管理的灵活性、经验表示的灵活性、解释说明的灵活性、模式匹配的灵活性以及过程连接的灵活性等。（5）拟人能力 专家控制系统的控制水平必须达到人类专家的水准。针对这些要求，在专家

12、系统的设计过程中，则需要考虑以下几个方面：（1）准确地表示知识与时间的关系。 （2）具有快速和灵敏的上下文激活规则。 （3）能够控制任意时变非线性过程。 （4）能够进行时序推理、并行推理和非单调推理。 （5）修正序列式基本控制知识。 （6）具有中断过程和异步事件处理能力。 （7）及时获取动态和静态过程信息，以便对控制系统进行实时序列诊断。 （8）对不再需要的存储元件进行有效的回收，并保持传感器的过程。 （9）接受来自操作者的交互指令序列。 （10）连接常规控制器和其它应用软件。 （11）能够进行

13、多专家系统之间以及专家系统与用户之间的通讯。5. 面对一些复杂问题，为什么有必要采用智能复合控制？实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，传统控制难以解决根本性的建模等关键问题，无法取得有效的控制效果。在采用智能控制方式进行复杂控制系统设计的过程中，我们发现单一的智能控制模式往往也难以达到控制预期，特别是工程类控制问题，存在高层控制与底层控制、全局控制与局部控制的矛盾。全局控制主要针对整个生产过程的自动化，包括整个操作工艺的控制、过程的故障诊断、规划过程操作处理异常等，它往往是高级的，处理逻辑复杂的，强调的是控制的智能性。局部控制是指将智能引入工艺过程中的某一单元进行控制

14、器设计，它往往控制要求简单或不太复杂，可用传统控制进行局部代替。同时，各类智能控制方式在各自控制方向上有比较明确的优势。如，神经网络控制在分类、选择类问题上的突出性能，遗传算法控制在寻优问题方面的突出性能，模糊控制在处理判定边界不确定的实际问题中有效能力等等。因此，智能复合控制由此诞生，它是智能控制和传统控制的结合。这种控制器既具有智能控制的自学习和自整定能力，又可以有效的利用传统控制理论，对系统的性能进行理论分析，从而设计出满足性能指标的非线性多变量控制系统。一方面，可以有效解决实际复杂的控制问题，另一方面，也节约了产品成本。6. 怎样理解“大数据”与“数据挖掘”？（1）大数据(Big Da

15、ta/Mega Data)大数据，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。通常指以多元形式，自许多来源搜集而来的庞大数据组，具有实时性。 从技术上看，大数据必然无法用单台的计算机进行处理，必须采用分布式计算架构。它的特色在于对海量数据的挖掘，核心在于为客户挖掘数据中蕴藏的价值。海量的数据挖掘，必须依托云计算的分布式处理、分布式数据库、云存储和/或虚拟化技术。大数据的特点分为四个层面，第一，数据体量巨大。从TB级别，跃升到PB级别；第二，数据类型繁多。包括网络日志、视频、图片、地理位置信息等等。第三，价值密度低。以视频为例，

16、连续不间断监控过程中，可能有用的数据仅仅有一两秒。第四，处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本质的不同，物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式。业界将其归纳为4个“V”Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）、Velocity（高速）。大数据最核心的价值就是在于对于海量数据进行存储和分析。相比起现有的其他技术而言，大数据的“廉价、迅速、优化”这三方面的综合成本是最优的。但在数据大爆炸下，怎样挖掘这些数据，也面临着技术与商业的双重挑战。

17、首先，如何将数据信息与产品和人相结合，达到产品或服务优化是大数据商业模式延展上的挑战之一。大数据对算法和计算平台的挑战加大，计算开销大增。总量上升，质量下降，这是大数据带来的重大挑战；其次，巧妇难为无米之炊，大数据的关键还是在于谁先拥有数据。从市场角度来看，大数据还面临其他因素的挑战，如数据噪音太多，会导致数据价值大大降低，网络信息的准确性因多种因素受到质疑，大大降低了数据的价值。（2）数据挖掘(Data Mining)数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术。在人工智能领域，习惯上又称为数据库中的知识发现(Knowledge Discovery in Database, KD

18、D)。主要有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。数据挖掘的步骤会随不同领域的应用而有所变化，每一种数据挖掘技术也会有各自的特性和使用步骤，针对不同问题和需求所制定的数据挖掘过程也会存在差异。此外，数据的完整程度、专业人员支持的程度等都会对建立数据挖掘过程有所影响。这些因素造成了数据挖掘在各不同领域中的运用、规划，以及流程的差异性，即使同一产业，也会因为分析技术和专业知识的涉入程度不同而不同，因此对于数据挖掘过程的系统化、标准化就显得格外重要。如此一来，不仅可以较容易地跨领域应用，也可以结合不同的专业知识，发挥数

19、据挖掘的真正精神。其完整步凑如下： 理解数据和数据的来源（understanding）。 获取相关知识与技术（acquisition）。 整合与检查数据（integration and checking）。 去除错误或不一致的数据（data cleaning）。 建立模型和假设（model and hypothesis development）。 实际数据挖掘工作（data mining）。 测试和验证挖掘结果（testing and verification）。 解释和应用（interpretation and use）。由上述步骤可看出，数据挖掘牵涉了大量的准备工作与规划工作，事实上许多专

20、家都认为整套数据挖掘的过程中，有80%的时间和精力是花费在数据预处理阶段，其中包括数据的净化、数据格式转换、变量整合，以及数据表的链接。可见，在进行数据挖掘技术的分析之前，还有许多准备工作要完成。（3）“大数据”与“数据挖掘”的关系在大数据时代，数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。其主要基于人工智能，机器学习，模式学习，统计学等。通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式，可以帮助企业、商家、用户调整市场政策、减少风险、理性面对市场，并做出

21、正确的决策。目前，在很多领域尤其是在商业领域如银行、电信、电商等，数据挖掘可以解决很多问题，包括市场营销策略制定、背景分析、企业管理危机等。大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。这些方法从不同的角度对数据进行挖掘。分类。分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。可以应用到涉及到应用分类、趋势预测中，如淘宝商铺将用户在一段时间内的购买情况划分成不同的类，根据情况向用户推荐关联类的商品，从而增加商铺的销售量。回归分析。回归分析反映了数据库中数据的属性

22、值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。在市场营销中，回归分析可以被应用到各个方面。如通过对本季度销售的回归分析，对下一季度的销售趋势作出预测并做出针对性的营销改变。聚类。聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。关联规则。关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频

23、项目组;第二阶段为从这些高频项目组产生关联规则。关联规则挖掘技术已经被广泛应用于金融行业企业中用以预测客户的需求，各银行在自己的ATM 机上通过捆绑客户可能感兴趣的信息供用户了解并获取相应信息来改善自身的营销。神经网络方法。神经网络作为一种先进的人工智能技术，因其自身自行处理、分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不严密的知识或数据为特征的处理问题，它的这一特点十分适合解决数据挖掘的问题。典型的神经网络模型主要分为三大类：第一类是以用于分类预测和模式识别的前馈式神经网络模型，其主要代表为函数型网络、感知机;第二类是用于联想记忆和优化算法的反馈式神经网络模型，以Ho

24、pfield 的离散模型和连续模型为代表。第三类是用于聚类的自组织映射方法，以ART 模型为代表。虽然神经网络有多种模型及算法，但在特定领域的数据挖掘中使用何种模型及算法并没有统一的规则，而且人们很难理解网络的学习及决策过程。Web数据挖掘。Web数据挖掘是一项综合性技术，指Web 从文档结构和使用的集合C 中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程。当前越来越多的Web 数据都是以数据流的形式出现的，因此对Web 数据流挖掘就具有很重要的意义。目前常用的Web数据挖掘算法有：PageRank算法，HITS算法以及LOGS

25、OM 算法。这三种算法提到的用户都是笼统的用户，并没有区分用户的个体。目前Web 数据挖掘面临着一些问题，包括：用户的分类问题、网站内容时效性问题，用户在页面停留时间问题，页面的链入与链出数问题等。在Web 技术高速发展的今天，这些问题仍旧值得研究并加以解决。7. 如何理解“智能制造”，区别于“传统制造”的主要特征是什么？智能制造（Intelligent Manufacturing，IM）是一种由智能机器和人类专家共同组成的人机一体化智研讨会能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳

26、动。它把制造自动化的概念更新，扩展到柔性化、智能化和高度集成化。智能制造源于人工智能的研究。一般认为智能是知识和智力的总和，前者是智能的基础，后者是指获取和运用知识求解的能力。智能制造应当包含智能制造技术和智能制造系统，智能制造系统不仅能够在实践中不断地充实知识库，具有自学习功能，还有搜集与理解环境信息和自身的信息，并进行分析判断和规划自身行为的能力。 智能制造和传统的制造相比，智能制造系统具有以下特征： （1）自律能力即搜集与理解环境信息和自身的信息，并进行分析判断和规划自身行为的能力。具有自律能力的设备称为“智能机器”，“智能机器”在一定程度上表现出独立性、自主性和个性，甚至相互间还能协调

27、运作与竞争。强有力的知识库和基于知识的模型是自律能力的基础。（2）人机一体化IMS不单纯是“人工智能”系统，而是人机一体化智能系统，是一种混合智能。基于人工智能的智能机器只能进行机械式的推理、预测、判断，它只能具有逻辑思维（专家系统），最多做到形象思维（神经网络），完全做不到灵感（顿悟）思维，只有人类专家才真正同时具备以上三种思维能力。因此，想以人工智能全面取代制造过程中人类专家的智能，独立承担起分析、判断、决策等任务是不现实的。人机一体化一方面突出人在制造系统中的核心地位，同时在智能 机器的配合下，更好地发挥出人的潜能，使人机之间表现出一种平等共事、相互“理解”、相互协作的关系，使二者在不同

28、的层次上各显其能，相辅相成。因此，在智能制造系统中，高素质、高智能的人将发挥更好的作用，机器智能和人的智能将真正地集成在一起，互相配合，相得益彰。（3）虚拟现实（Virtual Reality）技术这是实现虚拟制造的支持技术，也是实现高水平人机一体化的关键技术之一。虚拟现实技术是以计算机为基础，融信号处理、动画技术、智能推理、预测、仿真和多媒体技术为一体；借助各种音像和传感装置，虚拟展示现实生活中的各种过程、物件等，因而也能拟实制造过程和未来的产品，从感官和视觉上使人获得完全如同真实的感受。但其特点是可以按照人们的意愿任意变化，这种人机结合的新一代智能界面，是智能制造的一个显著特征。（4）自组

29、织与超柔性智能制造系统中的各组成单元能够依据工作任务的需要，自行组成一种最佳结构，其柔性不仅表现在运行方式上，而且表现在结构形式上，所以称这种柔性为超柔性，如同一群人类专家组成的群体，具有生物特征。（5）学习能力与自我维护能力智能制造系统能够在实践中不断地充实知识库，具有自学习功能。同时，在运行过程中自行故障诊断，并具备对故障自行排除、自行维护的能力。这种特征使智能制造系统能够自我优化并适应各种复杂的环境。第二部分 智能控制及智能算法设计与实现1.神经网络1.1 题目 模糊神经网络的预测算法水质评价一、案例背景1、模糊数学简介模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是

30、指他的研究对象，而“数学”是指他的研究方法。模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素属于模糊子集f的隶属程度，用f(u)表示，他是一个在0,1之间的数。f(u)越接近于0，表示属于模糊子集f的程度越小；越接近于1，表示属于f的程度越大。模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。2、T-S模糊模型T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为Ri的情况下，模糊推理如下：Ri:If xiisA1i,

31、x2isA2i,xkisAki then yi =p0i+p1ix+pkixk其中，Aij为模糊系统的模糊集；Pij(j=1,2,k)为模糊参数；yi为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。假设对于输入量x=x1,x2,xk，首先根据模糊规则计算各输入变量Xj的隶属度。Aij=exp(-(xj-cij)/bij)j=1,2,k;i=1,2,n式中，Cij，bij分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。将各隶属度进行模糊计算，采用模糊算子为连乘算子。i=A1j（x1）*A2j（x2）*

32、Akj i=1,2,n根据模糊计算结果计算模糊型的输出值yi。YI=ni=1i(Pi0+Pi1x1+Pikxk)/ ni=1i3、T-S模糊神经网络模型T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量XI连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模糊化得到模糊隶属度值。模糊规则计算层采用模糊连乘公式计算得到。输出层采用公式计算模糊神经网络的输出。模糊神经网络的学习算法如下（1） 误差计算式中，是网络期望输出；是网络实际输出；e魏期望输出和实际输出的误差。（2） 系数修正式中，为神经网络系数；为网络学习率；为网络输入参数；为输入参数隶

33、属度连乘积。(3) 参数修正 式中，分别为隶属度函数的中心和宽度。 4、水质评价水质评测是根据水质评测标准和采样水样本各项指标值，通过一定的数学模型计算确定采样水样本的水质等级。水质评测的目的是能够准确判断出采样水样本的污染等级，为污染防治和水源保护提供依据。水体水质的分析主要包括氨氮、溶解氧、化学需氧量、高锰酸盐指数、总磷和总氮六项指标。其中氨氮是有机物有氧分解的产物，可导致水富营养化现象产生，是水体富营养化的指标。化学需氧量是采用强氧化剂络酸钾处理水样，消耗的氧化剂量是水中还原性物质多少的指标。高锰酸钾是反映有机污染的指标。溶解氧是溶解在水中的氧。总磷是水体中的含磷量，是衡量水体富营养化的

34、指标。总氮是水体中氮的含量，也是衡量水体富营养化的指标。（各项数据在附件的数据库中。）地表水环境质量标准如下所示：地表水环境质量标准二、模型建立基于T-S模糊神经网络的嘉陵江水质评测算法流程图如下所示。其中，模糊神经网络构建根据训练样本维数确定模糊神经网络输入/输出节点数、模糊隶属度函数个数，由于输入数据为6维，输出数据为1维，所以有12个隶属度函数，选择7组系数P0P6，模糊隶属度函数中心和宽度c和b随机得到。 图示：模糊神经网络水质评价算法流程模糊神将网络训练用训练数据模糊神经网络，由于水质评价真实数据比较难找，所以采用了等隔均匀分布方式内插水质指标标准数据生成样本的方式来生成训练样本，采

35、用的水质指标标准数据来自本文的上表，网络反复训练100次。模糊神经网络预测用训练好的模糊神经网络评价采样水水质等级。三、编程实现 根据模糊神经网络原理，在MATLAB中编程实现基于模糊神经网络的水质评价算法。1、网络初始化根据训练输入/输出数据确定网络结构，初始化模糊神经网络隶属度函数参数和系数，归一化训练数据。从数据文件datal.mat中下载训练数据，其中input_train和output_train为模糊神经网络训练数据，input_test和output_test为模糊神经网络测试数据。input_train output_train%下载数据Load datal input_tra

36、in output_train input_test output_test%网络结构I=6; %输入节点数M=12; %隐含节点数O=1; %输出节点数Maxgem=100; %迭代次数%初始化模糊神经网络参数p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1;p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1;p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1;p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1;p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1;p5=0.3*ones(M,1);p5

37、_1=p5;p5_2=p5_1;p6=0.3*ones(M,1);p6_1=p6;p6_2=p6_1;%初始化模糊隶属度参数c=1+rands(M,I);c_1=c;c_2=c_1;b=1+rands(M,I);b_1=b;b_2=b_1;maxgen=100; %进化次数%调练数据归一化inputn,inputps=mapminmax(input_train);outputn,outputps=mapminmax(output_train);2、模糊神经网络训练 用训练样本训练模糊神经网络 n,m=size(input_train); %开始迭代 for i=1:maxgen %maxgem

38、 最大迭代次数 for k=1:m %m个样本 %提取训练样本 x=inputn(:,k); %输入参数模糊化 for i=1:I for j=1:M u(i,j)=exp(-(x(i)-c(j,i)2/b(j,i); end end%模糊隶属度计算 for i=1:M w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i); end addw=sum(w);%输出计算for i=1:Myi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)

39、*x(6);endaddyw=0;addyw=yi*w'yn(k)=addyw/addw;e(k)=outputn(k)-yn(k);%系数p修正值计算 d_p=zeros(M,1); for i=1:M d_p(i)=xite*e(k)*w(i)/addw; end%b的修正值计算 d_b=0*b_1; for i=1:M for j=1:I d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j)2*w(i)/(b(i,j)2*addw2); end end %c的修正值计算 for i=1:M for j=1:I d_c(i,j)=xi

40、te*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j)*w(i)/(b(i,j)*addw2); end end%系数修正 p0=p0_1+ d_p； p1=p1_1+ d_p*x(1); p2=p2_1+ d_p*x(2); p3=p3_1+ d_p*x(3); p4=p4_1+ d_p*x(4); p5=p5_1+ d_p*x(5); p6=p6_1+ d_p*x(6);% 隶属度参数修正 b=b_1+d_b; c=c_1+d_c; end end3、模糊神经网络水质评价 用训练好的模糊神将网络评价水质，各采样口水样指标值存储在data2.mat文件中，根据网络

41、预测值得到水质等级指标。预测值小于1.5时水质登记为1级，预测值在1.52.5时水质等级为2级，预测值在2.53.5时水质等级为3级，预测值在3.54.5时水质等级为4级，预测值大于4.5时水质等级为5级。% 下载数据，hgsc为A工厂水质指标，gjhy为B工厂水质指标，dxg为C工厂水质指标zzsz=hgsc;%输入数据归一化inputn_test =mapminmax('apply',zssz,inputps);n,m=size(zssz);%网络预测for k=1:1:m x=inputn_test(:,k); %输入参数模糊化 for i=1:I for j=1:M u

42、(i,j)=exp(-(x(i)-c(j,i)2/b(j,i); end end for i=1:M w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i); end addw=0; for i=1:M addw=addw+w(i); end %计算输出 for i=1:M yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6); end addyw=0; for i=1:M addyw=addyw+yi(i)*w(i); end

43、 %网络预测值 szzb(k)=addyw/addw; end%预测值反归一化szzbz2=mapminmax('reverse',szzb,outputps);%根据预测值确定本质等级for i=1:m if szzbz1(i)<=1.5 szpj1(i)=1; elseif szzbz1(i)>1.5&&szzbz1(i)<=2.5 szpj1(i)=2; elseif szzbz1（i)>2.5&&szzbz1(i)<=3.5 szpj2(i)=3; elseif szzbz1(i)>3.5&&a

44、mp;szzbz1(i)<=4.5 szpj1(i)=4; else szpj1(i)=5; endend4、结果分析用训练好的模糊神经网络评价各取水口2003年到2008年每季度采样水水质等级，网络评测结果如下所示：训练数据预测测试数据预测预测水质时间2003.12003.22003.32003.42004.12004.22004.32004.42005.12005.22005.32005.4A工厂333334322322B水厂443333233223C水厂443343224223时间2006.12006.22006.32006.42007.12007.22007.32007.42008.12008.22008.32008.4A工厂322332233223B水厂322333333323C水厂322333223333 从水质量评价等级可以看出A、B、C（上、中、下游）三个取水口水样质量在2003年到2004间有一定改善，近几年