模糊神經(jīng)網(wǎng)絡(luò)控制與自適應(yīng)神經(jīng)網(wǎng)絡(luò)

《模糊神經(jīng)網(wǎng)絡(luò)控制與自適應(yīng)神經(jīng)網(wǎng)絡(luò)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、第7章模糊神經(jīng)網(wǎng)絡(luò)控制與自適應(yīng)神經(jīng)網(wǎng)絡(luò)智能控制基礎(chǔ)7.1模糊神經(jīng)網(wǎng)絡(luò)控制7.2基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)控制7.3*自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)目錄2/477.1.1神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)7.1.2模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法7.1模糊神經(jīng)網(wǎng)絡(luò)控制3/47模糊神經(jīng)網(wǎng)絡(luò)理論的出發(fā)點(diǎn)模糊控制系統(tǒng)的隸屬度函數(shù)或控制規(guī)則的設(shè)計(jì)方法存在很大的主觀性。利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能來優(yōu)化模糊控制規(guī)則和相應(yīng)的隸屬度函數(shù)、將一些專家知識(shí)預(yù)先分布到神經(jīng)網(wǎng)絡(luò)中去是提出模糊神經(jīng)網(wǎng)絡(luò)理論的兩個(gè)基本出發(fā)點(diǎn)。4/47模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖5/47結(jié)構(gòu)說明第一層節(jié)點(diǎn)為輸入節(jié)點(diǎn)，用來表示語(yǔ)言變量；輸出層的每個(gè)輸出變量有兩個(gè)語(yǔ)言節(jié)點(diǎn)，一個(gè)用于訓(xùn)

2、練時(shí)期望輸出信號(hào)的饋入，另一個(gè)表示模糊神經(jīng)網(wǎng)絡(luò)推理控制的輸出信號(hào)節(jié)點(diǎn);第二層和第四層的節(jié)點(diǎn)稱為項(xiàng)節(jié)點(diǎn)，用來表示相應(yīng)語(yǔ)言變量語(yǔ)言值的隸屬度函數(shù)。第三層節(jié)點(diǎn)稱為規(guī)則節(jié)點(diǎn)，用來實(shí)現(xiàn)模糊邏輯推理。其中第三、四層節(jié)點(diǎn)間的連接系數(shù)定義規(guī)則節(jié)點(diǎn)的結(jié)論部、第二、三層節(jié)點(diǎn)間的連接系數(shù)定義規(guī)則節(jié)點(diǎn)的條件部。6/47第一層這一層的節(jié)點(diǎn)只是將輸入變量值直接傳送到下一層。所以，且輸入變量與第一層節(jié)點(diǎn)之間的連接系數(shù)wji(1)=1。7/47第二層實(shí)現(xiàn)語(yǔ)言值的隸屬度函數(shù)變換，可選取鐘型函數(shù)其中：mji和σji分別表示第i個(gè)輸入語(yǔ)言變量Xi的第j個(gè)語(yǔ)言值隸屬度函數(shù)的中心值和寬度。可抽象看作第一、二層神經(jīng)元節(jié)點(diǎn)之間的

3、連接系數(shù)wji(2)。8/47第三層完成模糊邏輯推理?xiàng)l件部的匹配工作。由最大、最小推理規(guī)則可知，規(guī)則節(jié)點(diǎn)實(shí)現(xiàn)的功能是模糊“與”運(yùn)算。fj(3)=min(u1(3),u2(3),...,up(3)),aj(3)=fj(3)且第二層節(jié)點(diǎn)與第三層節(jié)點(diǎn)之間的連接系數(shù)wji(3)=19/47第四層有兩種模式從上到下的傳輸模式時(shí)，與第二層相同，實(shí)現(xiàn)模糊化的功能。從下到上的傳輸模式中，實(shí)現(xiàn)的是模糊邏輯推理運(yùn)算。根據(jù)最大、最小推理規(guī)則，是模糊“或”運(yùn)算：fj(4)=max(u1(4),u2(4),...,up(4)),aj(4)=fj(4)且第三、四層節(jié)點(diǎn)之間的連接系數(shù)wji(4)=110/47第五

4、層有兩種模式從上到下的信號(hào)傳輸方式，同第一層。從下到上是精確化計(jì)算，如果采用重心法，有則第四層節(jié)點(diǎn)與第五層節(jié)點(diǎn)之間的連接系數(shù)wji(5)可以看作是mji(5)·σji(5)。11/477.1.1神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)7.1.2模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法7.1模糊神經(jīng)網(wǎng)絡(luò)控制12/47混合學(xué)習(xí)算法第一階段，使用自組織學(xué)習(xí)方法進(jìn)行各語(yǔ)言變量語(yǔ)言值隸屬度函數(shù)的初步定位以及盡量發(fā)掘模糊控制規(guī)則的存在性（即可以通過自組織學(xué)習(xí)刪除部分不可能出現(xiàn)的規(guī)則）在第二階段，利用有導(dǎo)學(xué)習(xí)方法來改進(jìn)和優(yōu)化期望輸出的各語(yǔ)言值隸屬度函數(shù)。13/471.自組織學(xué)習(xí)階段問題描述：給定一組輸入樣本數(shù)據(jù)xi(t),i=1,2

5、,...,n、期望的輸出值yi(t),i=1,2,...,m、模糊分區(qū)｜T(x)｜和｜T(y)｜以及期望的隸屬度函數(shù)類型（即三角型、鐘型等）。學(xué)習(xí)的目的是找到隸屬度函數(shù)的參數(shù)和系統(tǒng)實(shí)際存在的模糊邏輯控制規(guī)則。14/47隸屬度函數(shù)參數(shù)的獲取中心值mi的估計(jì)：Kohonen自組織映射法寬度值σi是與重疊參數(shù)r以及中心點(diǎn)mi鄰域內(nèi)分布函數(shù)值相關(guān)。15/47Kohonen自組織映射法一種自組織學(xué)習(xí)。經(jīng)過一段時(shí)間的學(xué)習(xí)后，其權(quán)值的分布可以近似地看作輸入隨機(jī)樣本的概率密度分布。學(xué)習(xí)過程是一個(gè)Winner-take-all的過程，具體如下：mcloest(t+1)=mcloest(t)+α(t)[

6、x(t)-mcloest(t)]mi(t+1)=mi(t)當(dāng)mi(t)≠mcloest(t)k=｜T(x)｜表示語(yǔ)言變量x語(yǔ)言值的數(shù)目16/47寬度σi的計(jì)算通過求下列目標(biāo)函數(shù)的極小值來獲取，即：其中r為重疊參數(shù)。也可以采用一階最近鄰域法近似：17/47推理規(guī)則的確定即確定第三層規(guī)則節(jié)點(diǎn)和第四層輸出語(yǔ)言值節(jié)點(diǎn)之間的連接關(guān)系。采用競(jìng)爭(zhēng)學(xué)習(xí)獲得記o(3)i(t)為規(guī)則節(jié)點(diǎn)的激勵(lì)強(qiáng)度、o(4)i(t)為第四層輸出語(yǔ)言值節(jié)點(diǎn)輸出，則18/47規(guī)則刪除僅保留規(guī)則節(jié)點(diǎn)與同一輸出語(yǔ)言變量的所有語(yǔ)言值節(jié)點(diǎn)的連接系數(shù)最大的那個(gè)連接關(guān)系，將其余的連接關(guān)系刪除。當(dāng)某一規(guī)則節(jié)點(diǎn)與某一輸出語(yǔ)言變量所有語(yǔ)言值節(jié)

7、點(diǎn)之間的連接系數(shù)都非常小時(shí)，則所有的連接關(guān)系都可以刪除。如果某一規(guī)則節(jié)點(diǎn)與第四層中的所有節(jié)點(diǎn)的連接系數(shù)都很少而被刪除的話，則該規(guī)則節(jié)點(diǎn)對(duì)輸出節(jié)點(diǎn)不產(chǎn)生任何影響。因此，該規(guī)則節(jié)點(diǎn)可以刪除。19/47規(guī)則合并合并的條件該組節(jié)點(diǎn)具有完全相同的結(jié)論部(如圖7-2中輸出變量yi中的第二個(gè)語(yǔ)言值節(jié)點(diǎn))；在該組規(guī)則節(jié)點(diǎn)中某些條件部是相同的(如圖7-2中輸入變量x0中的第一個(gè)語(yǔ)言值節(jié)點(diǎn)的輸出與該組規(guī)則節(jié)點(diǎn)全部相連)；該組規(guī)則節(jié)點(diǎn)的其它條件輸入項(xiàng)包含了所有其它輸入語(yǔ)言變量某