第十三章-模糊神经系统的应用-智能系统课件.ppt

《第十三章-模糊神经系统的应用-智能系统课件.ppt》由会员分享，可在线阅读，更多相关《第十三章-模糊神经系统的应用-智能系统课件.ppt（28页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第十三章第十三章 模糊神经系统的应用模糊神经系统的应用 13.1 基于基于ANFIS的非线性电机系统的的非线性电机系统的建模建模13.2 用自组织竞争网络优化模糊神经用自组织竞争网络优化模糊神经网络的结构网络的结构 13.1 基于基于ANFIS的非线性电机的非线性电机系统的建模系统的建模 13.1.1 ANFIS的结构的结构 一个具有两条规则的简单的Sugeno模糊系统ANFIS结构如下：图13.1 ANFIS结构图 各层的功能如下：第1层：将输入变量模糊化，输出对应模糊集的隶属度，其中一个节点的传递函数可以表示为 根据所选择的隶属函数的形式，可以得到相应的参数集，称为条件参数。例如，通常使用

2、的高斯隶属函数 则条件参数集为所有的集合。第2层：实现条件部分的模糊集的运算，输出对应每条规则的适用度，通常采用乘法。13.1.2 混合学习算法混合学习算法 根据图13.1所示ANFIS系统，系统输出可写为 混合学习算法的步骤如下。每一次迭代中，输入信号首先沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论参数；然后，信号继续沿网络正向传递直到输出层（即第5层）。此后，将获得的误差信号沿网络反向传播，从而可调节条件参数。13.1.3 非线性电机系统建模非线性电机系统建模 图13.2 训练用输入/输出信号 训练输入信号采用一个多频率分量正弦的复合信号 13.1.4 基于基于

3、ANFIS的建模的建模 首先，假设电机模型为一阶系统，即输入/输出关系式可以表示为 采用平均分割法，对与等分为3部分，模糊隶属函数均选用高斯型。均将各自的输入区间由此可构造一个输入为和，输出为实际系统的输出与模型输出之间的均方差MSE作为网络训练的指标。经过100次迭代，ANFIS与实际系统之间的对比结果如图12.3所示，网络训练后的均方误差MSE=4.9854。图13.3（b）实际系统输出与模型输出之间的误差 作为对比，同时采用一个2-10-1的反向传播神经网络（BPNN）对同样的数据组进行建模。此时网络共有41（10*w1*2+10*b1+10*w2+b2)个参数（而ANFIS只有39个参

4、数）。对于BPNN的训练，采用收敛速度和训练效率相当好的Levenberg-Marquardt算法。这一算法收敛速度较普通的梯度下降法快得多，且迭代次数少很多。经过1000次迭代，BPNN的训练结果的均方误差MSE=5.1516。而采用ANFIS建模，达到相同的精度，迭代次数只需前者的十分之一。图13.4 系统及模型分别对多频输入信号的响应曲线 图13.5 测试饱和特性（MSE=5.461）图13.6 测试死区特性（MSE=1.9406）13.2.1 自组织竞争神经网络自组织竞争神经网络 考虑输入矢量Xmxn，SCNN的训练过程如下：1）计算：计算每一个竞争层节点的加权输入总和：2）竞争：竞争

5、层中加权输入总和值为最大的节点，为，则有：获胜节点，假定获胜节点为第 l个，对于输出节点i有下式成立：3）修正权值:修正与获胜节点l相连的权值，其他权值保持不变，根据Kohonen规则，有 其中，是学习速率，xjq 为经过归一化处理的输入矢量：4）循环:再次计算新的加权输入矢量和，重复进行竞争与权值的修正过程，直到达到预选定的循环总数N停止训练。13.2.2 具有最佳结构与参数的模糊神经网络控制具有最佳结构与参数的模糊神经网络控制器的设计器的设计 1)FNN控制器的设计 设计一个具有7个模糊标记，即具有49个控制规则的FNN控制器，网络结构如图13.7所示。首先，网络输入变量为误差e和误差变化

6、ec；其次，输入层节点的转移函数代表的恰为模糊变量的隶属函数。再者，中间层是将模糊化得到的隶属度两两相乘的功能。最后，输出层的各个权重值W(2)代表了模糊规则，根据重心法的逆模糊方式，只要将它们作为权重值与输入，即规则强度加权求和，输出即为模糊控制的输出量。图13.7 模糊神经网络控制器的结构图 FNN的输入/输出关系可以归结如下：其中j=1,2；i=i1,i2；i1,i2=1,2,.,r1；k=1,2,；r1为模糊标记数。图13.8 输入矢量(线)和权值矢量(+)的分布图 图13.9a r1为3时的隶属函数 图13.9b r1为4时的隶属函数 (a)(b)图13.10 输入信号与不同情况下的控制系统响应(a)与误差信号(b)