模糊神经网络优缺点范文

模糊神经网络优缺点篇1

关键词:智能化 交流电机 控制

中图分类号:文献标识码:A文章编号:1007-9416(2010)05-0000-00

引言

交流传动代替直流传动已成为不可逆转的趋势,由于交流电机的非线性多变量耦合性质,其控制策略的研究引起很多学者的兴趣。从控制原理和电动机模型出发,基于稳态模型的控制策略和基于动态模型的控制策略研究已经进入实用阶段,有些控制方法已经非常成熟。但是从本质上看,交流电动机还是非线性多变量系统,应该在非线性控制理论的基础上研究其控制策略,才能真正揭示问题的本质。非线性反馈解耦与精确线性化控制,基于无源性的能量成型非线性控制,基于逐步后推设计方法的非线性控制等等;虽然在理论上成果累累, 但由于它们的共同基础是已知参数的电机模型,参数的变化仍不可避免地要影响控制系统的鲁棒性。滑模变结构控制能使控制效果与被控对象的参数和扰动无关, 因而使系统具有很强的鲁棒性;它本质上是一种开关控制, 在系统中不可避免地带来“抖动”问题, 如何消弱抖动又不失强鲁棒性, 是目前需要研究的主要问题。近年来受到控制界十分重视的智能控制, 由于它能摆脱对控制对象数学模型的依赖,已成为众所瞩目的解决鲁棒性问题的重要方法。下面就交流传动中常用的智能控制策略进行梳理,对比分析他们的特点。

1 模糊控制

模糊控制是一种典型的智能控制方法,它不依赖被控对象的数学模型,可以克服非线性因素,对被调节对象的参数具有较强的鲁棒性,通常根据速度的误差信号和误差信号的微分设计在线调整系数或者结构的PID控制器,调整的策略采用模糊控制的原理。还有学者把模糊控制器的输出直接变为控制量,从仿真曲线来看,都取得了一定的效果。

由于常规模糊控制的控制规则一旦确定则无法改变,且存在稳态误差,对于控制性能较高的交流传动系统,常规模糊控制则无法胜任。自调整模糊方法根据系统性能指标调整比例因子,再根据误差E和误差变化EC修改规则因子

根据典型阶跃响应曲线,确定在系统不同运行阶段输出量U的控制规则。修正 自调整公式。修正 自调整公式。

但是这种方法在粗调比例因子 中,对数量级因子 要求过高若该值过大,系统易超调,过小调整次数相应增加,故应根据实际系统调整为一个适当的值,需经过反复。

模糊控制的最大优点是不依赖被控对象的数学模型,缺点是隶属度函数及控制规则必须经过反复精心整定,使得控制精度不高,由于控制规则经整定后就不再改变,当对象发生漂移时,不能进行有效调整,从而限制了自适应能力。人工神经网络具有很好的学习能力和准确的拟和非线性函数的能力模糊控制和神经网络相结合能克服这些缺点。

基于神经网络的模糊控制器实质是用BP网络表示模糊控制规则,模糊规则经过神经元网络的学习,以“权值”的形式体现出来,规则的生成和修正就可以转化为权值的初始确定和修改,在此基础上进行离线学习和在线学习。其缺点:虽然可以调整控制规则,但是由于神经网络学习速度的限制,导致系统有一定的滞后。

模糊控制在应用通常有以下的方法和趋势:

(1)参数自调整模糊控制

比例因子自适应调整法是根据e,ec的大小变化,不断修改其量化因子GE,GEC和控制量u的比例因子GU.

(2)将模糊控制与传统控制相结合,根据误差的大小,来选择不同的控制方式。

(3)与其它智能控制相结合。如神经网络,遗传算法,通过其他智能控制的特点来修改控制规则,适应系统实际的需要。

2 神经网络

采用基于BP学习算法的神经网络代替PID控制器发挥作用,它在输入端得到误差信号,误差经过处理后,分别做为比例项,积分项,微分项输入到神经网络。经过初始权计算后,在输出层得到一个输出信号提供给被控电机。电机输出经反馈到输入端与期望值比较后,得到新的误差信号,这个误差信号,以部分用于修正权值,以部分供给神经网络控制器作为修正权值,利用它重新计算得到一个新的输出,直到系统稳定。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。

改进方法:BP+PID控制。输入提供给常规PID和神经网络控制器,根据被控对象的实际输出与期望值比较而得到的偏差,二者进行切换,送给电机做输入。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。

单神经元是神经网络的最基本结构,在神经网络控制中,单神经元是最基本的控制单元。目前由于缺乏相应的足够快的硬件支持,大规模神经网络用于解决实时控制问题,速度难以满足需要,因此用单神经元构成控制器引起了控制学者的广发兴趣。

采用联想式学习规则将Hebbian学习和监督式学习相结合,通过关联搜索对未知的外界作出反映和作用。所以神经元方法的应用主要有以下特点:

(1)人工神经网络自适应控制

用人工神经网络代替传统的PID或PI控制器,这种控制器充分利用了神经元的自学习功能,在运行中根据被控对象特性的变化,对神经元的权值进行在线调整,使得整个控制器能得到PID控制的特性。其中算法有无监督的Hebb学习规则,有监督的Delta学习规则和有监督的Hebb学习规则。

(2)人工神经网络参数辨识和估计

如基于BP,神经网络和RBP神经网络和基于CMAC

(3)复合智能控制

将人工神经网络与其它智能方法结合,如迷糊控制,充分利用两者的优点控制系统的运行。加入遗传算法改进神经网络中的权值,适应系统变化。《遗传算法的神经网络在交流调速系统中的应用》

将人工神经网络与传统控制方法结合,如根据误差信号的大小。在线切换控制器,可以使系统具有更好的鲁棒性和自适应性。

但其中也有缺点:

(1)单神经元的在线自学习需要一定的时间,其权值调整有一个过程,导致系统的启动时间稍长。

(2)由于增益K不具备在线学习调整的功能,因此对于调速范围很宽的系统,难以保证在整个调速范围内都能够达到很好的调速性能。

3 遗传算法

由于遗传算法的快速全局收敛性以及增强式学习等性能,使其比常规的PI控制器及原有模糊控制器具有明显的优越性。基于遗传算法的自适应PI控制器主要原理是:遗传算法用作在线估计,控制信号由常规的PI控制器发出。先用遗传算法对原有PI参数进行离线优化,然后接入控制系统,一方面实时地给出最佳的PI参数,另一方面还要继续学习,不断的调整PI参数,以适应被控对象的变化。基于遗传算法的应用特点如下:

(1)遗传算法作为一种参数自寻优控制方法,可与传统方法相结合,在线调整控制器的参数,跟踪系统响应,提高控制精度。

(2)与其他智能控制方法相结合。如与模糊控制相结合,利用遗传算法寻的比例因子,规则因子或隶属度函数的最优值。与神经网络相结合,改变权值,适应系统的变化。

(3)提高遗传算法的计算精度可以与各种算法相结合。

有学者研究在永磁同步电动机上采用粒子群和模糊控制相结合的控制方法,主要思路如下:利用粒子群算法对控制器的3个比例因子参数Ka,Kb,Ku进行全局优化,这样就可以随环境变化及负载变化实时跟踪模糊控制器的参数变化,提高模糊控制器的鲁棒性和控制精度。

设计原理如下:

(1)确定粒子群的解空间及把真个解空间区域化。确定初始个体最优解和全局最优解。

(2)利用粒子群算法中的迭代公式得到新的解,并检验适应度函数。确定个体极值,并与全局最优解进行比较。若在允许误差范围内,停止迭代,否则重复2)

(3)此时得到的全局最优解做为模糊控制的三个比例因子。

这种控制策略的特点是:

(1)粒子群算法比遗传算法结构简单,运行速度快。

(2)粒子群算法的搜索空间也是建立在系统运用传统方法设计的基础之上的。

(3)为了避免粒子群优化算法在解空间搜索时出现在全局最优解附近“振荡”的现象,可对迭代更新公式中的加权因子w进行更新。

参考文献

[1] 刘航,徐杜,蒋永平.基于自调整模糊控制方法的变频调速实验系统.工业仪表与自动化装置 2002年第3期.

[2] 刘权中,李玉东,杜庆楠.模糊神经网络控制在交流调速系统中的应用.矿山机械 2004.04.

[3] 曲道奎,史敬灼.交流电机系统中的模糊控制研究.信息与控制 2003.02.

[4] 任敏.交流伺服系统神经网络PID控制.沈阳工业大学学报.2001年10 第23卷 第5期.

[5] 刘琴妹.神经网络控制的交流位置伺服系统.电气传动自动化.Vol.20,No.2May 1998

[6] 吴莹莹,夏斌,刘桥.遗传算法的神经网络在交流调速系统中的应用贵州大学学报 Vol.23 No.1 Feb.2006.

[7] 吕志来,张保会,哈恒旭.基于遗传算法的自寻优模糊控制器的研究与应用 煤矿自动化 2001年第2期.

[8] 林峰,蒋静坪.遗传算法在交流调速系统中的应用《电力电子技术》 1997年第2期.

[9] 胡海兵,胡庆波,吕征宇.基于粒子群优化的PID伺服控制器设计.浙江大学学报 2006年12月.第40卷第12期.

[10] 祁春清,宋正强.基于粒子群优化模糊控制器永磁同步电机控制.中国电机工程学报 2006年9月.第26卷 第17期.

[11] 袁晓辉,王乘等.粒子群优化算法在电力系统中的应用.电网技术,2004年10月 第28卷 第19期.

模糊神经网络优缺点篇2

1　模糊系统的Takagi-Sugeno模型

模糊系统理论［11］是沟通经典数学的精确性与现实世界中大量存在的不精确性之间的桥梁。它是以模糊集合的形式表示系统所含的模糊性并能处理这些模糊性的系统理论，能够有效地处理系统的不确定性、测量的不精确性等模糊性。Takagi－Sugeno模糊系统（T －S模糊系统）作为函数模糊系统的一种特例，由于构成的各条规则采用线性方程式作为结论，使得模型的全局输出具有良好的数学表达特性，这在处理多变量系统时能有效地减少模糊规则个数，具有很大的优越性［12］。其规则表达如下［13］：

2　T-S模糊神经网络

模糊系统在模糊建模的过程中常存在学习能力缺乏，辨识过程复杂，模型参数优化困难等问题。而人工神经网络具有自学习、自组织和自适应的能力，具有强大的非线性处理能力。二者的结合构成模糊神经网络，可以有效地发挥模糊逻辑与神经网络的各自优势，弥补各自的不足［14］。

2．1　T－S模糊神经网络的结构

基于标准型的T －S模糊神经网络结构如图1所示。图1中第1层为输入层；第2层每个结点表示一个语言变量值；第3层用来匹配模糊规则前件，计算出每条规则的隶属度；第4层用于归一化计算，输出第 条规则的平均激活度［14］；第5层是输出层，它所实现的是清晰化计算。T －S模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，其结构与图1的前4层结构完全相同；后件网络用来产生模糊规则的后件，由N个结构相同的并列子网络组成［15］。

2．2　T－S模糊神经网络的学习算法

T －S模糊神经网络需要学习的参数主要有后件网络的连接权pkki以及前件网络第二层各结点隶属函数的中心值ckj及宽度σkj。设取误差代价函数为：

3　应用研究

以下通过实例介绍T －S模糊神经网络在地下水水质评价中的应用。

3．1　研究区概况

吉林省西部地区位于松嫩平原的西南部，地理坐标为东经123°09′～124°22′，北纬44°57′～45°46′。研究区东接吉林省长春市，南接四平市及辽宁省，西邻内蒙古自治区，北接黑龙江省，东北以嫩江、松花江和拉林河与黑龙江省为界。吉林省西部属半干旱半湿润的大陆性季风气候区，四季变化明显。该区多年平均气温3～6℃，多年平均降雨量为400～500mm。研究区大部分属于松嫩盆地，该盆地为一个巨大的含水层系统，埋藏有多层含水层，包括孔隙潜水含水层和承压水含水层（分别为浅层、中深层）、上第三系大安组、泰康组孔隙－裂隙含水层（深层）和白垩系下统及上统裂隙孔隙含水层（深层）。研究区的地下水补给来源主要为降水入渗，排泄以潜水蒸发和人工开采为主。

3．2　原始数据

原始数据取自于吉林西部2005年50个地下水水化学监测点的水质监测数据，结合研究区地下水水质状况，有针对性地选择了铁、氨氮、硝酸盐、亚硝酸盐、硫酸盐、氯化物、溶解性总固体、氟化物和总硬度共9项指标作为评价因子。地下水水质评价标准参照GB／T　14848－93《地下水质量标准》，评价标准见表1。

3．3　神经网络的准备工作

（1）训练样本、检验样本及其期望目标的生成。采用Mat－lab7．0的linspace函数在各级评价标准之间按随机均匀分布方式内插生 成 训 练 样 本。各 级 评 价 标 准 之 间 生 成500个，共2　000个训练样本，以解决仅利用各级评价标准作为训练样本，导致训练样本数过少的问题［16］。检验样本用生成训练样本同理的方法生成400个样本。小于一级标准的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的0～1．5之间的数值；一、二级标准之间的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的1．5～2．5之间的数值；同理，二、三级和三、四级标准之间的训练样本和检验样本的期望目标为2．5～3．5、3．5～4．5之间的数值。（2）水质评价等级的划分界限。据上述生成训练样本与检验样本目标输出的思路可以确定一、二、三、四、五各级水的网络输出范围分别为：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始数据的预处理。利用Matlab7．0中的mapminmax函数将原始数据归一化到0与1之间。

3．4　T－S模糊神经网络的建立、训练、检验及水质评价

3．4．1　T－S模糊神经网络的建立

模糊神经网络的构建根据训练样本维数确定模糊神经网络输入／输出结点数、模糊隶属度函数个数。由于输入数据为9维，输出数据为1维，通过试错法确定模糊神经网络结构为9－18－1，即有18个隶属度函数。选择10组系数p0－p9，模糊隶属度函数中心和宽度c和σ随机得到，通过动态BP算法对网络的权值在线调整。隶属度函数采用高斯函数，模糊推理采用sum－product［14］，解模糊采用加权平均法。网络模型的概化如图1所示。T －S模糊神经网络的第3层输出为输入数据的隶属度函数；第4层输出为第 条规则的平均激活度；后件网络实现了T －S模型模糊规则空间到输出空间的映射，输出为yj＝pjk0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。

3．4．2　网络的训练、检验及水质评价

采用归一化的训练样本和检验样本数据，对网络进行训练和检验。以10个水质待评点的基础数据（表2）为例，利用已训练好的模糊神经网络对其进行水质评价。网络输出结果见表3。

3．4．3　不同水质评价方法的对比分析

利用内梅罗指数法和BP人工神经网络法分别对上述水质待评点进行水质评价。BP人工神经网络的训练与检验样本生成方式同T －S模糊神经网络，确定BP神经网络的结构为9－3－1。规定各等级的期望输出值，为0．1，0．3，0．5，0．7，0．9。两种方法得到的评价结果如表3。由表3可知，3种方法的评价结果大体相同。利用训练好的模糊神经网络模型对50个待评点水质进行评价，结果如表4所示。由表4可以看出，吉林西部地区地下水资源已经遭受不同程度的污染，且部分地区地下水资源污染严重，需要进行有效的保护。

4　讨　论

模糊神经网络优缺点篇3

笔者经过对我国电力自动化系统进行详细考察发现我国电力自动化系统中智能技术应用非常广泛。最为典型的就是专家系统控制；线性最优控制；神经网络控制；模糊控制，综合智能控制，这五种智能技术的应用。本文将重点探讨智能化技术在这五个方面的应用。

2.专家系统控制

专家系统控制是一种典型的智能化技术。专家系统控制技术在电力自动化系统中应用最为广泛。专家控制系统是一种用来专门模拟人类专家来解决问题的计算机程序。专家控制系统内部包含多个领域专家水平的经验和知识。他主要是利用人类专家的经验来解决高水平的难题。专家控制系统是计算机技术与人工智能技术的结合。这一系统能够及时高效地帮助人们解决实际中的难题，对于提升人们的生活水平具有重要意义。专家控制系统在电气自动化控制系统中的应用主要是用来辨识系统的警告状态，提供紧急处理和系统恢复控制的措施，进行状态转换分析，静态与动态安全分析，实现配电系统自动化的。此外专家控制系统在人机接口方面也有很大用处。近些年来这一技术在电力自动化系统中应用越来越广，有效地提高了电力系统自动化水平。在看到专家控制系统所取得的效果的同时我们也要意识到目前专家控制系统本身还有许多技术问题亟待克服。笔者认为当前的专家控制系统中，在创造力方面，在深度层次方面，在面对新情况方面还有很多问题。专家控制系统本身缺乏电力专家本身的创造性，而且系统本身所储备的知识只停留在表面，只能解决一般性的问题，对于专业性的难题则很难解决，此外其自身缺乏专业的分析和组织工具是这一系统的最大缺点。由于缺乏专业先进的分析和组织工具，导致其本身无法对新型症状进行分析。因而在未来的电力系统自动化技术的发展过程中我们必须要加强对专家控制系统的研究，要着重解决好专家系统的知识获取，有效性和试验等问题。笔者认为提升专家控制系统的水平关键在于实现专家系统与其他计算分析工具的结合。

3.线性最优控制

最优控制理论是现代自动控制的经典理论。线性最优控制理论是目前应用范围最广，技术最为成熟的一种控制理论。最优控制理论在大型机组和水轮发电机自动控制系统中应用非常广泛。该技术在这两方面的应用取得了明显效果，同时也为最优控制在电力系统自动技术中的应用提供了有益的经验。当前我国电力自动控制系统中线性最优控制方法发挥着重要的作用。笔者经过观察发现线性最优控制理论在电力系统自动化中的应用主要是通过计算局部线性模型来实现的，但是电力系统具有强线性的特点，该技术在电力系统自动化应用过程中还存在不是很理想，有待我们进一步完善和提升。

4.神经网络控制

所谓神经网络控制又可以叫做神经控制，神经网络控制主要是对控制系统中难以描述的非线性对象利用神经网络工具来进行科学严禁的建模，优化计算和专业的故障诊断。神经网络控制系统的最早提出是在1992年，首次使用则是在1994年。神经网络控制系统在电力自动化控制系统中起到了十分关键的作用。根据笔者观察，神经网络控制在电力系统中起到了以下四种作用：一是起到了优化控制计算的作用；二是在精度模型的控制结构中起到了充当对象的作用；三是在系统可以直接充当控制器；四是与多种技术相结合，提高了电力自动化系统的参数优化，故障诊断，模型推理的效率。神经网络控制之所以能在电力系统自动化技术中应用广泛，就在于其本身具有非线性特征，本身具备很强的并行处理能力，墙鲁棒性和学习能力。神经网络是通过一定的方式把神经元连接起来来实现各种功能的。神经网络控制系统功能的发挥在很大程度上要受到学习算法调节权值的影响。在实际应用过程中我们必须要高度重视这一权值。当前我国神经网络系统的研究重点是网络模型和结构，此外网络学习算法的确定和实现也是一个重要的研究方向。神经网络控制系统的实现需要一定的硬件设备作支撑，在设计过程中必须要我们必须要加强对硬件设备的检测和维护。

5.模糊控制

模糊控制方法是一种十分简单且非常容易掌握的方法。这种方法在家用电器中应用范围非常广。模糊控制虽然操作起来非常方便，可是在应用过程中仍然存在不小的难度，其中最为典型的难题就是建立模型。模糊控制是一种非线性控制方法。近些年来模糊控制方法获得了迅猛发展，成为了自动控制技术中非常活跃，应用范围非常广的技术，随着该技术的发展，它的应用范围也在逐渐向电力系统自动化技术方向倾斜。在电力自动控制系统中模糊控制应用关键在于对各种数据的观测和指标的把握上。

6.综合智能控制系统

综合智能控制系统是一种应用潜力非常大的技术，综合智能控制系统实现了两个结合：一是实现了智能控制同现代控制的结合；另一方面它又实现了各种智能控制方法的交叉结合。综合智能控制集合了神经网络控制与模糊控制的优点，综合智能控制技术实现了两种技术的优势互补。在综合智能控制系统中神经网络对各种数据进行安排和分析，而模糊控制主要用来提供具备挖掘潜力的框架。智能控制技术在应用过程中都有其自身的弱点和弊病，把多种技术结合起来使用则可以有效地避免这些缺点，从而实现高效控制。综合智能控制技术就是这样一种集合多种技术优势于一身的控制技术。在综合智能控制技术中，神经网络与模糊控制，两种控制方法的结合更为普遍。

智能控制技术一种全新的控制技术，智能控制技术由于其本身的巨大的技术优势，因而应用范围非常广泛，其中在电力系统自动化技术中的应用就是一个典型的例子。智能技术的应用有效提高电力系统自动化效率，对为电力系统的正常供电提供了保证。本文从五个角度详细分析了我国电力系统自动化技术中智能控制技术的应用。笔者认为加强对智能技术的研究有助于提升电力系统的整体性能。

模糊神经网络优缺点篇4

【关键词】 基本算法 模糊神经网络 数据挖据

一、故障管理模块

随着计算机网络的迅速发展，网络规模越来越大，网络节点分布的范围越来越广泛，网络的特点趋向于异构性与复杂性，网络管理的难度也不断增加。为了提高大规模网络故障管理的灵活性、智能性和高效性，克服传统的集中式网络故障管理的缺点，本文提出了基于大规模网络的故障管理与健康预测，对网络实施更加高效、实时和准确的管理，在大规模网络的管理方面有针对性的优势。故障因素主要有：CPU、物理内存、流量、负载、环境因子、设备温度。

（1）数据处理模块，主要完成采集到的数据的融合，提取和转换。数据处理模块主要是采用数据挖掘技术的分类算法来完成，这里不做详细说明。

（2）状态监测模块，完成征兆信息的识别和状态的评估任务。

（3）诊断预测模块，包括故障诊断和故障趋势预测功能。该模块选用了模糊集理论下的模糊综合评判模型并利用分布式的神经网络算法来对网络的安全状况做出预测与健康管理。

该模型的工作流程为：首先数据采集和传输，只有及时准确地采集监测数据，才能为故障的预测与健康管理提供可靠的依据，本文采用北斗卫星来实时的采集和传输数据。通过数据处理模块的融合、特征提取和数据转换传输到各个区域的控制中心进行诊断预测。诊断预测模块使用基于模糊神经网络的算法对故障进行诊断与管理。

二、模糊神经网络系统构造

通过对输入特征向量分析，大规模网络的安全状况评价的模糊神经网络有前件网络和后件网络组成，共分为5层，分别为输入层、模糊化层、模糊推理层、去模糊化层以及输出层。每一层的具体工作见图1：

前件网络由前四层构成，用来匹配模糊规则，后件网络作为最后一层，用来产生模糊规则的输出。

（1）输入层。第一层为网络的模式输入层，每个节点与输入向量的各分量直接连接，该层将输入向量x=（x1，x2，…，xn）T传送到第二层，第一层节点数N1=n。第一层需对输入量进行归一化处理，得到输入特征向量。

（2）模糊化层。第二层为网络的隐含层，该层中每一个输入分量对应一组节点，这些节点的个数等于xi进行模糊分级的个数，其中每个节点都代表一个对应的模糊变量。其功能就是计算每个输入分量属于变量值模糊集的隶属度函数，网络综合评价隶属度采用高斯函数表示：

式中：n为输入向量的维数；mi为xi的模糊分割数，i=1，2，…，n；cij和σij分别表示隶属度函数的中心以及宽度，j=1，2，…，m。

（3）模糊推理层。第三层为模糊规则计算层，该层每个节点代表一条模糊规则，用来匹配模糊规则的前件，从而计算出每条规则的相关适用度。

（4）去模糊化层。该层对每条规则的适应度进行归一化计算。

（5）输出层。第五层是后件网络，也叫反模糊化层，用于计算每条规则的后件，在第5层中前件网络的输出作为后件网络的连接权值，此时模糊神经网络的输出值为：

三、仿真实验及分析

首先需要根据cacti采集到的原始的实时监测的物理内存使用情况的数据如下，其他故障因素的数据检测与之类似，不在一一列举，数据监测如图2所示。

本文以项目组安全监控系统在一段时间内所检测的数据为实验基础数据，如表1所示，表1中为时间段内的部分数据，其中故障编号见下节。

本文模糊神经网络训练用单项指标和系统给出的状态作为训练样本训练模糊神经网络，通过matlab对其进行建模仿真，获得模糊神经网络训练的误差下降曲线如图3所示。

通过误差下降曲线可以看出，前段时间下降趋势比较明显，说明神经网络的调节比较快，后面的时间段相对平缓，说明其实调节细微，整个模型趋于稳定，此时说明神经网络训练过程中针对权值等调整基本上趋于合理。 通过训练好的神经网络来进行故障诊断，基于模糊神经网络模型的大规模网络安全评价的误差很小，对于评价网络的安全状况影响很小。

四、结论

模糊神经网络优缺点篇5

1公路工程造价估算概述

1.1 公路工程造价估算的重要性

公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。

第一,公路工程造价的估算是实现工程成本控制的基础。其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。

第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。

第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。这样一来,施工企业在招标的过程中就可以有效避免中间商的欺诈以及保标等恶意行为的发生。

1.2 传统公路工程造价估算中存在的问题

尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。

2认识模糊神经网络

2.1 模糊数学概述

(1)模糊数学的概念,我们通常说的模糊就是指一些模棱两可的、即可能又不可能、即是又不是的概念。而模糊数学就是要用数学的方法来表示那些模糊概念发生的可能性的大小,换句话讲就是明确那些模糊概念所处的状态,从而利用数学的思想来解决那些模棱两可的、不确定的实际问题。

(2)模糊数学的数学描述,一般模糊数学的数学描述,多采用的是类似与集合的数学表示方法。与集合的区别就在于模糊数学在表示集合元素时需要附带一个称为隶属函数值的参数,其中该参数的值是隶属函数与元素的值进行运算的结果。

2.2 神经网络概述

(1)神经网络的概念,所谓的神经网络是一个借鉴物理和生物技术来实现的用来模仿人类大脑神经细胞结构和功能的系统,与人类的大脑结构相似,它也由大量的模拟神经元所组成的,而且这些神经元之间相互连接,并行工作,作为一个系统协同完成一系列复杂的信息处理活动。

(2)神经网络的基本原理,神经网络在结构和功能上都是模拟人脑的神经系统来进行设计和实现的,它同时作为模拟生物神经元的一种计算方法,其基本原理是这样的,与生物神经元的基本原理相似,用那些具有突的网络结点来接受信息,并不断的将接受到的信息累加起来,这些信息有些是抑制神经元,有些则是激发神经元,对于那些激发神经元,一旦积累到一定的阈值后,相应的神经元便会被激活,被激活的神经元就会沿其称为轴突的部件向其它神经元传递信息,并完成信息的处理。

2.3 模糊神经网络概述

模糊神经网络是模糊数学和神经网络有效结合的应用研究成果。其中在模糊神经网络中模糊数学的应用体现在它可以根据那些假定的隶属函数以及相应的规律,用逻辑推理的方法去处理各种模糊的信息。

3模糊神经网络在公路工程造价估算中的应用

3.1 基于模糊神经网络的公路工程造价估算方法的实现

将模糊神经网络应用于公路工程造价估算方面,是近年来公路工程造价估算发展的特点和重点。从本质上来看,模糊神经网络就是一个系统,它即有输入又有输出,与公路工程的造价估算十分相似,因为公路工程造价估算就是在输入公路工程施工的一系列要求和特点后输出相应结果的,所以与模拟神经网络所提供的输入输出机制非常相似,其中结合模糊神经网络的原理,基于模糊神经网络的公路工程造价估算方法的实现过程如下。

第一，构建已施工公路工程的造价信息库,其中包括应经施工的公路工程的各种特征因素以及工程造价等其他各方面的材料。

第二，结合拟建工程的施工需求来确定其包括评价指标等在内的各种特征因素的数据取值。

第三，按照模糊数学的思想法在已施工公路工程的造价信息库中选取若干个(至少三个)与拟建工程最相似的已施工的工程,将其作为神经网络进行学习和训练的基础数据。其中,将信息库中公路工程的各种特征因素值的隶属度作为神经网络的输入向量,信息库中公路工程的造价值作为神经网络的输出向量。

第四,将拟建公路工程的各种特征因素值的隶属度作为神经网络的输入向量,通过神经网络的学习后所得到的输出向量即为拟建公路工程的造价估算值。

第五,建立公路施工工程造价信息数据,编制神经网络学习的算法通用程序。将学习训练的基础数据输入神经网络,然后合理设计学习率,经过一定次数的迭代运算,有效提高公路工程造价估算结果的精度。

3.2 基于模糊神经网络的公路工程造价估算方法的优点

基于模糊神经网络的公路工程造价估算方法有效的克服了传统上工程造价估算方法的一系列缺点,与传统的工程造价估算方法相比,其显著优点就在于造价估算的迅速以及估算结果的精确。其中该方法的优点可以概括为如下几点。

第一,模糊神经网络中所采用的模糊数学可以对公路工程造价估算中的模糊信息进行有效的处理,通过对已竣工的公路工程和计划施工的公路工程的相似度进行定量化描述,从而使模糊的公路工程造价问题得以模型化。

第二,基于模糊神经网络的公路工程造价估算方法的估算结果科学合理,因为该方法采用的是基于数学模型的数学计算分析,所以其结果受人为因素的影响较小。

第三,模糊神经网络中所采用的神经网络模型对公路工程造价的估算具有很好的适应性,与传统的造价估算方法相比,该方法能更好的适应公路工程造价的动态变化。

第四,基于模糊神经网络的公路工程造价估算方法是借助计算机来完成的,所以还具有运算速度快和运算精度高的优点。

4结语

由于影响公路工程造价的因素比较多,而且各因素的构成比较复杂,计算相对繁琐,所以公路工程的造价估算具有很大的模糊性。对于使用传统的工程造价估算方法而言,公路工程造价的估算将是一项非常复杂的工作。然而结合模糊数学和神经网络的理论思想,利用工程之间所存在的相似性,使用基于模糊神经网络的公路工程造价估算方法可以迅速的得出精确的工程造价估算结果。

参考文献

模糊神经网络优缺点篇6

关键词:模糊神经网络;股票预测

一、引言

中国股市经过十余年的发展,应该说已经取得十分巨大的成就,但是与国外成熟股市相比仍然是一个新兴市场。事实上,探索和研究股票价格波动的复杂性和规律性,是许多经济工作者,尤其是证券研究者一直追求的目标。

股票交易数据预测是一种时间序列预测方法。时间序列预测法是依据预测对象过去的统计数据,找到其随时间变化的规律,建立时序模型,以判断未来数值的预测方法。其基本思想是:过去的变化规律会持续到未来,即未来是过去的延伸。一般一维时间序列预测方法有移动平均与分解方法、指数平滑方法、状态空间模型等。这些预测方法经过长期的发展,在定量预测模型和定性预测模型等方面都有长足的进步。但是,当系统具有较强的非线性时,这些方法的适应性却是有限的,在实际的预测环境中常常失去效用,因此用这些传统的预测方法解决这类问题十分困难。

二、神经网络和模糊逻辑结合的可能性

神经网络的兴趣在于人脑的微观结构。并通过有自学习、自组识、自适应功能的神经网络上的非线性并行分散动力学,对无法语言化的模式信息进行处理。模糊逻辑根据人为定义的隶属函数和一系列并串行的规则,用逻辑推理去处理各种模糊性的信息,是通过模仿人的思维方式来表示和分析不确定、不精确信息的方法和工具。尽管“模糊”这个词在这里容易使人产生误解,实际上在模糊逻辑控制中的每一个特定的输入都对应着一个实际的输出。所以模糊逻辑本身并不模糊,模糊逻辑并不是“模糊的”逻辑,而是用来对“模糊”进行处理以达到消除模糊的逻辑,它是一种精确解决不精确、不完全信息的方法,其最大特点就是用它可以比较自然地处理人的概念,是一种更人性化的方法。在处理数据时,模糊逻辑更能容忍噪音干扰和元器件的变化,使系统适应性更好模。糊逻辑还对使产品开发周期缩短而编程更容易。通过模糊化样本,提高了样本集中各样本的质量,进而改进能量函数。用神经网络去预测股票,在对信息的推理上还存在相当大的困难;而在信息的获取方面,模糊技术也显得十分软弱。

因此本文根据模糊逻辑和神经网络的各自长处把它们结合起来,利用这种方法对股票预测进行研究。模糊系统提供了一种推论式语句用来逼近人的推理能力和并且应用到基于知识的系统中。模糊逻辑理论是用一种数学工具来获取人们认知过程。然而,模糊逻辑中有个共同的瓶颈是它们都依赖于由领域专家给出的规则,而且,不存在正式的框架来选择模糊系统的各种参数,因此,调整参数的方法是模糊系统的一个重要研究课题。另一方面,神经网络所具有一些重要的有点,比如学习能力、自适应能力、容错能力等,所以神经网络能够处理复杂的、非线性的以及不确定性问题。正是因为如此,可以相信它们具有构建与人们人之有关的各种行为的潜能。但是神经网络的主要问题是它没有明确的物理意义,使用者不知道这些网络是如何运转的。这就是为何神经网络总是被称为“黑箱”的原因。对以一个训练好的神经网络,其连接权值不能清楚地说明网络是如何处理数据的,其含义是什么。特别是,现在的神经网络理论还没有提供一种方法来预测训练好了的网络的输出。因此,在实际应用中造成了一些不确定性。

把模糊系统和神经网络的结合成为模糊神经网络,该网络致力于获得两种系统的优点而克服各自的缺点。正如前文提到的,神经网络的优点在于,第一个是能够生成不需要明确表现知识的规则;第二个是其强大的自学能力。模糊系统的优点在于,第一个是能用模糊性的语言表达知识;第二个是能用简单的预算来实现知识的模糊推理。两者的结合可以解决模糊系统中的只是抽取问题以及专家知识也能很容易融合到神经网络中,避免了初值选择的任意性。

三、模糊神经网络的模型设计

1、模型的结构

模糊神经网络与一般的神经网络相类似,通常分为前向型模糊神经网络和反馈型模糊神经网络两类。本文采用的就是前向型模糊神经网络。该网络是可以实现模糊映射关系的模糊神经网络。一个前向型模糊神经网络可分为五层组成,分别为输入层、模糊化层、模糊推理层、去模糊化层和输出层。图1-1为含有两个输入层节点、一个输出节点的一个基本前向模糊神经网络结构。

输入层指的是接受外部输入信号的一层,并将输入值传送给模糊化层的模糊单元;模糊化层的作用是按模糊规则将输入值转换为一定的模糊度,是对模糊信息进行预处理的网层。模糊推理层是前向型模糊神经网络的核心,其网络参数是由具体问题所确定的;去模糊化层接受经中间层处理的数据,并按照模糊度函数将数据进行非模糊化处理;最后输出层给出确定性求解结果。

本文采用的是TS模糊神经网络。该神经网络分为输入层、模糊化层、模糊规则计算层和输出层(包括去模糊化)。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(公式1-1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘(公式1-2)计算得到φ。输出层采用(公式1-3)计算模糊神经网络的输出。下面给出各公式:

1-1

式中,分别为隶属度函数的中心和宽度;k为输入参数;n为模糊子集数。

1-2

1-3

式中为模糊系统参数。

2、模糊神经网络的学习算法

(1)误差计算

式中,yd为网络期望输出;yc是网络实际输出,e为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;α为网络学习率;xj为网络输入参数;φi为输入参数隶属度连乘积。

(3)参数修正

式中,、分别为隶属度函数的中心和宽度。

3、预测模型的结构设计和参数的设定

网络结构的选择需要考虑以下因素:软硬件实现的难易程度、训练速度和网络的推广能力等,其中网络的推广能力是最主要的,网络结构设计至今还没有确定的方法可循。14世纪的法国修道士 提出过一个最简单原则:“与己知事实满意符合(一致)的理论中最简单者就是最好的理论”,后人称此原则为“奥克姆剃刀”。由此产生了一个公认的指导原则:“在没有其他经验知识时,能与给定样本满意符合(一致)的最简单(规模最小的网络就是最好的选择”。这相当于在样本点的误差在允许范围条件下用参数最少的模型去逼近一个未知的非线性映射。

从总体上来说,网络结构设计并没有固定可循的步骤,有许多参数要靠经验选择,并通过试验加以比较。规模小的网络的泛化能力强,同时也易于理解和抽取规则、知识,便于软硬件实现。通常情况下,由于训练样本有限,所以把泛化能力作为主要要求,强调选择能达到要求的最小网络。理论证明,一个三层网络可以任意逼近一个非线性连续函数。

基于T-S模糊神经网络的算法流程如图1-2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的输入和输出的节点以及模糊隶属度函数个数。由于输入数据为开盘价,最高价,最低价,收盘价这四组数据,所以为n=4维的,输出的是次日的开盘价格即输出数据为1维的。在模糊化层中,该层有nm个节点,利用K-means法对样本进行聚类分析得到模糊规则数以确定m。在聚类分析得出m=2所以得到节点数为8,该模糊神经网络的结构为4-8-1。在根据T-S的模型,所以选择5组系数ρi。

虽然权值随迭代而更新,一般都是收敛的,但是如果初始值设置的太大的话会影响该网络,会使网络饱和的很快。初始的权值对收敛速度也会造成影响。实验表明,初始权值只要不是过大,对网络整体的性能的影响并不大,一般可选在(-0.5,0.5),本文取权值为0。由于本文的隶属度函数利用的是高斯函数,所以高斯函数中的中心和宽度随机得到。

在学习率和网络参数的选择上,若选择的太小,会使网络参数修改量过小,收敛的速度缓慢;若选择的太大,虽然可以加快了学习的速度,但是有可能导致在稳定点附近进行持续的振荡,难以收敛,目前在理论上还没有明确的确定学习率的方法,对于具体问题需要进行试验,通过实验比较出适合的学习率,本文在通过实验选取学习率为0.025,网络参数选取0.001,最大迭代次数选取为100。

四、实证分析

1、预测的效果

选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。

如图1-3为训练网络的效果图,该结果是用归一化后的数据。

表 1-1列出真实值和预测值以及预测的相对误差((真实值-预测值)/真实值):

2、网络性能的评价

对神经网络常用的预测性能的评价指标常用的有RRMS,MPE,mpe,PC。选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。本系统的各项性能指标如下:

相对均方根误差:RRMS=0.63%最大误差:MPE=0.19元 正确趋势率:PCD=65%

从以上指标看出用该模糊神经网络进行预测是有效的,预测系统式成功的。

五、总结

股票市场是反映经济的“晴雨表”,其作用不但被政府重视,而且受投资大众的普遍关注,股票市场中的收益伴随着风险,以最小风险获得最大收益是每个投资者的目标,所以研究股票市场内在规律及其预测具有重大的意义和应用的价值。股票交易数据预测是时间序列预测。在股票市场这个极其复杂的系统中,它所具有的非线性和高噪声等因素决定了股票预测的过程的复杂与困难,传统预测方法很难应用于此,难以建立有效的数学模型。

神经网络是一种很好的时间序列预测方法。神经网络具有逼近任意复杂连续函数关系的能力,而这些能力正是传统方法所不具有的。本文把模糊逻辑和神经网络相结合起来,首先介绍了模糊系统和神经网络的基本知识以及二者结合的可能性。然后建立模糊神经网络模型并用于股票价格的预测,运用相关分析在剔除了与预测指标相关性较小的指标,简化了模糊神经网络的结构,并在实际的试验中确定了相关网络系数的初始值,简要的介绍了建模的工具,并用设立模糊等级对模糊神经网络的有效性进行了评价,在通过实证分析证实了网络系统基本上达到了预想的要求。

参考文献:

[1]胡守仁,神经网络应用技术[M],国防科技大学出版社,1993

[2]赵振宇,模糊理论和神经网络的基础与应用[M],清华大学出版社,1996

[3]刘增良,模糊逻辑与神经网络[M],北京航空航天大学出版社,1996

[4]吴华星,基于神经网络的股票价格预测,中国科学院计算技术研究所,1998

[5]姚培福,人工神经网络在股票预测中的应用与研究,昆明理工大学硕士学位论文,2007

[6]邵航,模糊神经网络在股票价格短期预测中的应用研究,暨南大学硕士学位论文,2008

模糊神经网络优缺点篇7

1.1电机故障诊断的特点

电机的功能是进行电能与机械能量的转换，涉及因素很多，如电路系统、磁路系统、绝缘系统、机械系统、通风散热系统等。哪一部分工作不良或其相互之间配合不好，都会导致电机出现故障。因此，电机故障要比其它设备的故障更复杂，其故障诊断所涉及到的技术范围更广，对诊断人员的要求也就更高。一般来说，电机故障诊断涉及到的知识领域主要有[20]：电机理论、电磁测量、信号处理、计算机技术、热力学、绝缘技术、人工智能等。电机故障诊断的复杂性还表现在故障特征量的隐含性、故障起因与故障征兆之间的多元性。一种故障可能表现出多种征兆，有时不同故障起因也可能会反映出同一个故障征兆，这种情况下很难立即确定其真正的故障起因。另外，电机的运行还与其负载情况、环境因素等有关，电机在不同的状态下运行，表现出的故障状态各不相同，这进一步增加了电机故障诊断难度，所以要求对电机进行故障诊断首先必须掌握电机本身的结构原理、电磁关系和进行运行状况分析的方法，即掌握电机各种故障征兆与故障起因间的关系的规律。

1.2实施电机故障诊断的意义

电机的驱动易受逆变器故障的影响，在交流电机驱动系统中，逆变器短路故障将会使电机产生有规律波动的或是恒定的馈电扭矩，使车辆突然减速。研究表明：逆变器出现故障时，永磁感应电机将产生较大的馈电扭矩，而且永磁电机也有存在潜在的高消磁电流的问题。而感应电机在逆变器出现故障时所产生有规律的馈电扭矩将由于有持续的负载而迅速衰减，这说明了感应电机具有较高的容错能力，适应混合动力系统的要求。开关电机磁阻是最具有故障容错能力的电机，而且当其有一个逆变器支路出现故障时电机仍能产生净扭矩，另外，开关磁阻电机成本低，结构紧凑，但是开关磁阻电机有较大的噪声和扭矩脉冲，而且需要位置检测器，而这些缺点使得开关磁阻电机在现阶段不适合应用于混合动力客车上。在混合动力客车动力系统中，电机是作为辅助动力的，而且电机属于高速旋转设备，如果电机出现故障，电机产生的瞬态扭矩将使车辆的稳定性和动力性将受到影响，而且，电机由高压电池组驱动，如果电机出现故障而不能及时容错，电机产生的瞬态电流将使电池受到损害，因此在混合动力系统中对电机进行故障诊断是非常必要的。

2.电机的故障诊断方法及典型故障诊断分析

2.1电机故障的诊断方法

（1）传统的电机故障诊断方法

在传统的基于数学模型的诊断方法中，经典的基于状态估计或过程参数估计的方法被应用于电机故障检测。图1为用此类方法进行故障诊断的原理框图。这种方法的优点是能深入电机系统本质的动态性质，可实现实时诊断，而缺点是需建立精确的电机数学模型，选择适当决策方法，因此，当电机系统模型不确定或非线性时，此类方法就难以实现了。

（3）基于模糊逻辑的电机故障诊断方法

图3为基于模糊逻辑的电机故障诊断方法框图，故障诊断部分是一个典型的模糊逻辑系统，主要包括模糊化单元、参考电机、底层模糊规则和解模糊单元。其中，模糊推理和底层模糊规则是模糊逻辑系统的核心，它具有模拟人的基于模糊概念的推理能力，该推理过程是基于模糊逻辑中的蕴涵关系及推理规则来进行的。模糊规则的制定有两种基本方法：第一，启发式途径来源于实际电机操作者的语言化的经验。第二，是采用自组织策略从正常和故障电机测量获得的信号进行模糊故障诊断的制定，将此方法通过计算机仿真实现，对电机故障有较好的识别能力。

（4）基于遗传算法的电机故障诊断方法

遗传算法是基于自然选择和基因遗传学原理的搜索算法，它的推算过程就是不断接近最优解的方法，因此它的特点在于并行计算与全局最优。而且，与一般的优化方法相比，遗传算法只需较少的信息就可实现最优化控制。由于一个模糊逻辑控制器所要确定的参变量很多，专家的经验只能起到指导作用，很难根据指导准确地定出各项参数，而反复试凑的过程就是一个寻优的过程，遗传算法可以应用于该寻优过程，较有效地确定出模糊逻辑控制器的结构和数量。

遗传算法应用于感应电机基于神经网络的故障诊断方法的框图如图4所示。设计神经网络的关键在于如何确定神经网络的结构及连接权系数，这就是一个优化问题，其优化的目标是使得所设计的神经网络具有尽可能好的函数估计及分类功能。具体地分，可以将遗传算法应用于神经网络的设计和训练两个方面，分别构成设计遗传算法和训练遗传算法。许多神经网络的设计细节，如隐层节点数、神经元转移函数等，都可由设计遗传算法进行优化，而神经网络的连接权重可由训练遗传算法优化。这两种遗传算法的应用可使神经网络的结构和参数得以优化，特别是用DSP来提高遗传算法的速度，可使故障响应时间小于300μs，不仅单故障信号诊断准确率可达98%，还可用于双故障信号的诊断，其准确率为66%。

近年来，电机故障诊断的智能方法在传统方法的基础上得到了飞速发展，新型的现代故障诊断技术不断涌现：神经网络、模糊逻辑、模糊神经网络、遗传算法等都在电机故障诊断领域得到成功应用。随着现代工业的发展，自动化系统的规模越来越大，使其产生故障的可能性和复杂性剧增，仅靠一种理论或一种方法，无论是智能的还是经典的，都很难实现复杂条件下电机故障完全、准确、及时地诊断，而多种方法综合运用,既可是经典方法与智能方法的结合，也可是两种或多种智能方法的结合，兼顾了实时性和精确度,因此多种方法的有机融合、综合运用这一趋势将成为必然，也将成为电机故障在线诊断技术发展的主流方向。

参考文献：

[1]陈清泉,詹宜君，21世纪的绿色交通工具——电动汽车[M]，北京:清华大学出版社,2001

[2]沈艳霞，纪志成，姜建国，电机故障诊断的人工智能方法综述，微特电机，2004年

模糊神经网络优缺点篇8

关键字：自动化智能控制应用

随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出犷新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。

一、智能控制的主要方法

智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。

2.1模糊控制

模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础,以先验知识和专家经验作为控制规则。其基本思想是用机器模拟人对系统的控制,就是在被控对象的模糊模型的基础上运用模糊控制器近似推理等手段,实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定,以及控制规则的制定二者缺一不可。

2.2专家控制

专家控制是将专家系统的理论技术与控制理论技术相结合,仿效专家的经验,实现对系统控制的一种智能控制。主体由知识库和推理机构组成,通过对知识的获取与组织,按某种策略适时选用恰当的规则进行推理,以实现对控制对象的控制。专家控制可以灵活地选取控制率,灵活性高;可通过调整控制器的参数,适应对象特性及环境的变化,适应性好;通过专家规则,系统可以在非线性、大偏差的情况下可靠地工作,鲁棒性强。

2.3神经网络控制

神经网络模拟人脑神经元的活动,利用神经元之间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值进行自我学习,以逼近理论为依据进行神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。

1.4学习控制

(1)遗传算法学习控制

智能控制是通过计算机实现对系统的控制,因此控制技术离不开优化技术。快速、高效、全局化的优化算法是实现智能控制的重要手段。遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法,它模拟生物界/生存竞争,优胜劣汰,适者生存的机制,利用复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优化搜索算法,一方面希望在宽广的空间内进行搜索,从而提高求得最优解的概率;另一方面又希望向着解的方向尽快缩小搜索范围,从而提高搜索效率。如何同时提高搜索最优解的概率和效率,是遗传算法的一个主要研究方向。

(2)迭代学习控制

迭代学习控制模仿人类学习的方法、即通过多次的训练,从经验中学会某种技能,来达到有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成,其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功的。

二、智能控制的应用

1.工业过程中的智能控制

生产过程的智能控制主要包括两个方面:局部级和全局级。局部级的智能控制是指将智能引入工艺过程中的某一单元进行控制器设计,例如智能PID控制器、专家控制器、神经元网络控制器等。研究热点是智能PID控制器,因为其在参数的整定和在线自适应调整方面具有明显的优势,且可用于控制一些非线性的复杂对象。全局级的智能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。

2.机械制造中的智能控制

在现代先进制造系统中,需要依赖那些不够完备和不够精确的数据来解决难以或无法预测的情况,人工智能技术为解决这一难题提供了有效的解决方案。智能控制随之也被广泛地应用于机械制造行业,它利用模糊数学、神经网络的方

法对制造过程进行动态环境建模,利用传感器融合技术来进行信息的预处理和综合。可采用专家系统的“Then-If”逆向推理作为反馈机构,修改控制机构或者选择较好的控制模式和参数。利用模糊集合和模糊关系的鲁棒性,将模糊信息集成到闭环控制的外环决策选取机构来选择控制动作。利用神经网络的学习功能和并行处理信息的能力,进行在线的模式识别,处理那些可能是残缺不全的信息。

3.电力电子学研究领域中的智能控制

电力系统中发电机、变压器、电动机等电机电器设备的设计、生产、运行、控制是一个复杂的过程,国内外的电气工作者将人工智能技术引入到电气设备的优化设计、故障诊断及控制中,取得了良好的控制效果。遗传算法是一种先进的优化算法,采用此方法来对电器设备的设计进行优化,可以降低成本,缩短计算时间,提高产品设计的效率和质量。应用于电气设备故障诊断的智能控制技术有:模糊逻辑、专家系统和神经网络。在电力电子学的众多应用领域中,智能控制在电流控制PWM技术中的应用是具有代表性的技术应用方向之一,也是研究的新热点之一。

以上的三个例子只是智能控制在各行各业应用中的一个缩影，它的作用以及影响力将会关系国民生计。并且智能控制技术的发展也是日新月异，我们只有时课关注智能控制技术才能跟上其日益加快的技术更新步伐。

参考文献：

[1]LeeTHGe,SS.Intelligentcontrolofmechatronicsystems[J].Proceedingsofthe2003IEEEInternationalSymposiumonIntelligentControl,2003,646-660.

[2]LiMengqing;ZhangChunliang;YangShuzietc.Intelligentrecognitionusingfuzzyneuralnetworkfortrend&jumppatternincontrolchart[J].ChinaMechanicalEngineering,2004,15(22):1998-2000.

[3]严宇,刘天琪.基于神经网络和模糊理论的电力系统动态安全评估[J].四川大学学报,2004,36(1):106-110.

[4]张利平,唐德善,刘清欣.遗传神经网络在凝汽器系统故障诊断中的应用[J].水电能源科学,2004,22(1):77-79.

[5]刘红波,李少远,柴天佑.一种设计模糊PID复合控制器的新方法及其在电厂控制中的应用[J].动力工程,2004,24(1):78-82.