利用模糊神經(jīng)網(wǎng)絡(luò)控制解決問題的原理及方法

1、利用模糊神經(jīng)網(wǎng)絡(luò)控制解決問題的原理及方法通過課程學(xué)習(xí),我了解了模糊控制和神經(jīng)網(wǎng)絡(luò)控制解決問題的基本原理和方 法。 通過查閱資料, 了解到模糊控制和神經(jīng)網(wǎng)絡(luò)控制在實(shí)際生活中如何解決問題。 我參考火災(zāi)探測(cè)系統(tǒng)為例,介紹模糊控制解決問題的原理及方法。首先,簡要介紹一下 Bp 神經(jīng)網(wǎng)絡(luò)控制和模糊控制的原理。1. Bp 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及算法BP 網(wǎng)絡(luò)可以有多層, 但為敘述簡捷以三層為例導(dǎo)出計(jì)算公式。 設(shè) BP 網(wǎng)絡(luò)為 三層網(wǎng)絡(luò),輸入神經(jīng)元以 i 編號(hào),隱蔽層神經(jīng)元以 j 編號(hào),輸出層神經(jīng)元以 k 編 號(hào),示意圖如圖 1-1所示,其具體形式在下面給出,隱蔽層第 j 個(gè)神經(jīng)元的輸入 為:=ii ji j o

2、 w net ,第 j 個(gè)神經(jīng)元的輸出為 (j j net g o =,輸出層第 k 個(gè)神經(jīng)元的輸入為 =j kj k o w net ,相應(yīng)的輸出為 (k k net g o =,式中 g 為 sigmoid 型函數(shù), g(x= (11 (+-+=x e x g , 式中 為閾值或偏置值。 0則使 sigmoid 曲線沿橫坐 標(biāo)左移, 反之則右移。 因此, 各神經(jīng)元的輸出應(yīng)為 +-+=ij i ji j o w o (exp(1(1、 +-+=jk j kj k o w o (exp(1(1 圖 1-1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖BP 網(wǎng)絡(luò)學(xué)習(xí)過程中的誤差反向傳播過程是通過使一個(gè)目標(biāo)函數(shù)(實(shí)際輸出 與希望

3、輸出之間的誤差平方和 最小化來完成的, 可以利用梯度下降法導(dǎo)出計(jì)算 公式。在學(xué)習(xí)過程中,設(shè)第 k 個(gè)輸出神經(jīng)元的希望輸出為 pk t ,而網(wǎng)絡(luò)輸出為 pk o ,則系 統(tǒng)平均誤差為 -=p kpk pk o t E 2 (21,為了表示方便,省去下標(biāo) p ,平均誤差可寫成 -=kk k o t E 2 (21,式中平均誤差 E 也稱為目標(biāo)函數(shù)。根據(jù)梯度下降法, 權(quán)值的變化項(xiàng) kj w 與 E/kj w 成正比,即 kj w =-E/kj w ,由上述各公式可得: kj w =-E/kj w =j k k k k kjk k k k o o o o t net o E 1( (-=-, 記 j

4、k k k k k o o o o t 1( (-=,對(duì)于隱含層神經(jīng)元,也可寫成 ji w =-E/ji w =i j j jji j j j j o o o E net o E 1(-=-, 1(j j j j o o E -=,由于 E/j o 不 能 直 接 計(jì) 算 , 而 是 以 參 數(shù) 的 形 式 表 示 , 即 -E/j o =-=-=-=k kj k kj k k j j j kj k k j k k k w w E o w E net E ( (, 則導(dǎo)出各個(gè)權(quán)重系數(shù)的調(diào)整量為 kj w j k k k k o o o o t 1( (-=, ji w =i j o , 式中

5、稱為學(xué)習(xí)效率, 1(j j kkj k j o o w -=, 1( (k k k k k o o o t -=BP 網(wǎng)絡(luò)的學(xué)習(xí)算法的具體步驟如下:1. 從訓(xùn)練本集中取某一樣本,把它的輸入信息輸入到網(wǎng)絡(luò)中2. 由網(wǎng)絡(luò)正向計(jì)算出各層節(jié)點(diǎn)的輸出3. 計(jì)算網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的誤差4. 從輸入層起始反向計(jì)算到第一個(gè)隱層,按一定原則向減小誤差方向調(diào)整網(wǎng)絡(luò) 的各個(gè)聯(lián)接權(quán)值5. 對(duì)訓(xùn)練樣本集中的每一個(gè)樣本重復(fù)以上步驟,直到對(duì)整個(gè)訓(xùn)練樣本集的誤差 達(dá)到要求為止。2. 模糊控制的結(jié)構(gòu)與算法課程所學(xué)我們知道模糊控制器的設(shè)計(jì)原則如下1. 定義輸入輸出變量2. 定義所有變量的模糊化條件3. 設(shè)計(jì)控制規(guī)則庫4.

6、設(shè)計(jì)模糊推理結(jié)構(gòu)5. 選擇精確化策略的方法模糊控制解決問題的方法為:1. 模糊化過程2.模糊規(guī)則3. 模糊推理4. 清晰化過程模糊控制系統(tǒng)的原理框圖如圖 2-1所示。 圖 2-1模糊控制原理框圖可以看出其結(jié)構(gòu)與一般計(jì)算機(jī)數(shù)字控制系統(tǒng)基本類似。 只是其控制器為模糊 控制器。 模糊控制系統(tǒng)由以下幾部分組成:輸入輸出接口、 執(zhí)行機(jī)構(gòu)、 檢測(cè)裝置、 被控對(duì)象及模糊控制器。 模糊控制器是模糊控制系統(tǒng)的核心, 也是模糊控制系統(tǒng) 區(qū)別于其他自動(dòng)控制系統(tǒng)的主要標(biāo)志, 下面對(duì)模糊控制器三個(gè)主要階段做簡要的 介紹:2.1輸入模糊化模糊化是把系統(tǒng)輸入的精確量轉(zhuǎn)化為模糊控制器中所需的模糊量的過程, 為 了完成輸入的模

7、糊化, 我們必須知道輸入精確值對(duì)模糊集的隸屬函數(shù) (這里不作 說明 。模糊集的個(gè)數(shù)可根據(jù)被控對(duì)象的不同而不同,例如,可分成正大,正中, 正小,零,負(fù)小,負(fù)中,負(fù)大七種。隸屬函數(shù)的形狀可根據(jù)實(shí)際情況而定,要求 不高的一般可取三角形或梯形。2.2模糊推理決策模糊控制器的主要工作是依據(jù)語言規(guī)則進(jìn)行模糊推理決策。 因此在進(jìn)行模糊 規(guī)則推理之前, 先要指定好語言控制規(guī)則。 實(shí)際上控制規(guī)則是根據(jù)操作者或?qū)＜?的經(jīng)驗(yàn)知識(shí)來確定的, 它們也可以在試驗(yàn)過程中不斷進(jìn)行修正和完善。 規(guī)則的形 式很像計(jì)算機(jī)程序設(shè)計(jì)語言常用到的條件語句“ IFTHEN” 。模糊控制規(guī)則隨著 模糊控制器的輸入輸出維數(shù)的不同采用不同的形式

8、。1單輸入單輸出型:其控制規(guī)則為 IF X=A,THEN Y=B2 多輸入單輸出型:其控制規(guī)則為 IF X 1=A1,AND(ORX 2=A2,AND(ORXN =AN ,THEN Y=B3 多輸入 多輸出型:IF X 1=A1, AND(ORX 2=A2,AND(ORXN =AN ,THEN Y=B1, AND(ORY2=B2,AND(ORYN =BN這里的 AND 和 OR 在模糊推理中相應(yīng)于“交” “并”運(yùn)算2.2.3逆模糊化輸出逆模糊化就是將語言表達(dá)的模糊量恢復(fù)到精確的數(shù)值, 也就是根據(jù)輸出模糊子集的隸屬度計(jì)算出確定的數(shù)值。下面介紹三種主要的方法1最大隸屬度法:這種方法就是選取模糊子集

9、隸屬度最大的元素作為控制量。 如 果 最 大 點(diǎn) 有 幾 個(gè) , 則 取 它 們 的 平 均 值 。 例 如 有 兩 個(gè) 模 糊 子 集 分 別 為6. 08. 02. 03. 01. 01+-+-=U , 8. 0115. 02. 01+-+-=U , 在 U1中, 元素 1的隸 屬度最大,則取 u=1為輸出量;而在 U2中,元素 0和 1的隸屬度都為最大,則 取 u=(0+1/2=0.5作為輸出量。選擇最大隸屬度方法簡單易行,算法實(shí)時(shí)性好, 但它利用的信息量較少,會(huì)引起一定的不確定性。2加權(quán)平均法:此法又稱重心法,有兩種形式。第一種是普通加權(quán)平均法,其 控制量的精確值 u 由下式?jīng)Q定:=i

10、 in i i i u u u u 11( (. 第二種是算術(shù)加權(quán)平均法,其控制量的精確值 u 由下式求出 :=i in i ii ku k u 11, 其中 k 的選擇可根據(jù)實(shí)際情況來決定。3取中位法:為了充分利用所有信息,求出將模糊集隸屬函數(shù)曲線與橫坐標(biāo)之 間的面積平分為兩等的數(shù),用此數(shù)作為逆模糊化的結(jié)果。模糊控制的算法步驟1根據(jù)當(dāng)前采樣得到的系統(tǒng)的輸出值,計(jì)算所選擇的系統(tǒng)的輸入變量2將輸入變量的精確值變?yōu)槟：?即模糊化處理3根據(jù)輸入模糊變量及模糊控制規(guī)則,按模糊推理合成規(guī)則計(jì)算控制模糊量, 即進(jìn)行推理決策4由上述得到的控制模糊量計(jì)算精確的控制量,即模糊化處理3. Bp 神經(jīng)網(wǎng)絡(luò)串聯(lián)模糊

11、控制在火源探測(cè)方面的應(yīng)用3.1火源探測(cè)硬件系統(tǒng)火源探測(cè)系統(tǒng)由溫度 -火焰復(fù)合探測(cè)器,放大濾波, A/D轉(zhuǎn)換,微處理器識(shí)別和 數(shù)據(jù)輸出五部分組成,系統(tǒng)結(jié)構(gòu)如 3-1圖所示。 圖 3-1火災(zāi)探測(cè)系統(tǒng)結(jié)構(gòu)框圖本文的火災(zāi)探測(cè)系統(tǒng)主要應(yīng)用于電路,變壓器間和配電室等室內(nèi)封閉空間。 當(dāng)發(fā)生火災(zāi)時(shí),室內(nèi)產(chǎn)生高溫以及高強(qiáng)度的火焰輻射,系統(tǒng)前端采用溫度 -火災(zāi) 復(fù)合探測(cè)器進(jìn)行構(gòu)建, 將探測(cè)到的溫度及火焰輻射通過一定的信號(hào)預(yù)處理電路進(jìn) 行放大,濾波和 A/D轉(zhuǎn)換得到的數(shù)字信號(hào)送入微處理器中進(jìn)行分析判斷。3.2模糊神經(jīng)網(wǎng)絡(luò)與火災(zāi)探測(cè)在火災(zāi)探測(cè)中, 單純依靠模糊邏輯或神經(jīng)網(wǎng)絡(luò)都存在一定的局限性, 不能達(dá) 到理想的辨識(shí)效

12、果, 如將兩者結(jié)合則具有廣闊的前景。 因此本文采用模糊神經(jīng)網(wǎng) 絡(luò)進(jìn)行火災(zāi)信號(hào)的識(shí)別。3.2.1基本結(jié)構(gòu)本文建立的模糊神經(jīng)網(wǎng)絡(luò)采用串聯(lián)型結(jié)構(gòu),模糊神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖 3-2 所示圖 3-2模糊神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)框圖圖 3-2中,模糊神經(jīng)網(wǎng)絡(luò)各層的作用如下 :1輸入層:溫度 -火焰復(fù)合探測(cè)器的輸出信號(hào)(即目標(biāo)溫度,環(huán)境溫度和紅外輻 射作為網(wǎng)絡(luò)的輸入數(shù)據(jù)。2信號(hào)處理層:對(duì)網(wǎng)絡(luò)的輸入數(shù)據(jù)進(jìn)行放大,濾波和 A/D轉(zhuǎn)換,需要指出的是 對(duì)輸入量進(jìn)行歸一化處理,可以防止小數(shù)值被大數(shù)值淹沒而影響網(wǎng)絡(luò)矯正過程 3預(yù)測(cè)層:通過輸入訓(xùn)練樣本來調(diào)節(jié)連接權(quán)值4）模糊推理層：完成對(duì)網(wǎng)絡(luò)輸出有火概率與無火概率的模糊推理

13、5）輸出層：最終的輸出為火災(zāi)概率，對(duì)火災(zāi)概率應(yīng)用門限法進(jìn)行判斷，將閾值 設(shè)為 0.5，即大于 0.5 輸出報(bào)警信號(hào)，判斷有大火發(fā)生。 3.2.2 構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)過程 對(duì)前端傳感器的輸出信號(hào)（目標(biāo)溫度，環(huán)境溫度，紅外輻射）進(jìn)行信號(hào)預(yù)處理， 獲得較為理想的數(shù)據(jù)， 從而根據(jù)獲得的數(shù)據(jù)進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)建，構(gòu)建過程 如下： 1）建立一個(gè)三輸入，兩輸出，隱含層為七層的三層 BP 神經(jīng)網(wǎng)絡(luò)，輸入信號(hào)為目 標(biāo)溫度，環(huán)境溫度和紅外輻射，輸出為有火概率和無火概率。將現(xiàn)場采集的試驗(yàn) 數(shù)據(jù)分成兩部分，200 組作為訓(xùn)練樣本，200 組作為檢驗(yàn)樣本。通過誤差方向傳 遞算法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練， 修改權(quán)值達(dá)到預(yù)定的目

14、標(biāo)誤差，然后對(duì)檢驗(yàn)樣本進(jìn) 行仿真，得到 200 組輸出，包括有火與無火概率。 2）模糊推理的進(jìn)一步處理包括輸入量和輸出量的模糊量化和標(biāo)定，建立控制規(guī) 則以及精確化過程。 輸入量為神經(jīng)網(wǎng)絡(luò)輸出的有火與無火概率 P1、P2，輸出量為火災(zāi)發(fā)生的概率 P。首先將它們轉(zhuǎn)化為模糊量，并給出 P1、P2 和 P 的上下限（均為0,1）作為論 域U 根據(jù)經(jīng)驗(yàn)和火災(zāi)數(shù)據(jù)統(tǒng)計(jì)，神經(jīng)網(wǎng)絡(luò)輸出的 P1、P2 分成三級(jí)，即大、中、 小?；馂?zāi)發(fā)生概率 P 分成兩級(jí)，即大、小，均采用高斯函數(shù)作為隸屬函數(shù)。 構(gòu)建模糊集Ai、Bi和Ci ，其中 Ai、Bi 分別表示神經(jīng)網(wǎng)絡(luò)的輸出 P1，P2 在隸屬度函數(shù)作用下的值域范圍， Ci 表示火災(zāi)概率 P 在隸屬度函數(shù)作用下的值域 范圍，i 表示模糊規(guī)則數(shù)，本文建立了三條模糊規(guī)則分別如下： If (有火概率 P1 is PSand（無火概率 P2 is PL THEN (火災(zāi)概率 P is PS If (有火概率 P1 is Pmand（無火概率 P2 is Pm THEN (火災(zāi)概率 P is Pl If (有火概