整套電子課件：智能控制理論及應(yīng)用

智能控制理論及應(yīng)用第一章緒論學習智能控制的意義1智能控制的產(chǎn)生和發(fā)展2智能控制的定義和特點3智能控制的主要形式4智能控制的現(xiàn)狀和發(fā)展趨勢51.1學習智能控制的意義《智能控制》在自動化課程體系中的位置《智能控制》是一門控制理論課程，研究如何運用人工智能的方法來構(gòu)造控制系統(tǒng)和設(shè)計控制器。與《自動控制原理》和《現(xiàn)代控制原理》一起構(gòu)成了自動控制課程體系的理論基礎(chǔ)?！吨悄芸刂啤吩诳刂评碚撝械奈恢谩吨悄芸刂啤肥悄壳翱刂评碚摰淖罡呒壭问剑砹丝刂评碚摰陌l(fā)展趨勢，能有效地處理復(fù)雜的控制問題。其相關(guān)技術(shù)可以推廣應(yīng)用于控制之外的領(lǐng)域：金融、管理、土木、設(shè)計等等。1.2智能控制的產(chǎn)生和發(fā)展產(chǎn)生的背景經(jīng)典控制理論現(xiàn)代控制理論智能控制理論對由微分方程和差分方程描述的動力學系統(tǒng)進行控制研究的是單變量常系數(shù)線性系統(tǒng)只適用于單輸入單輸出控制系統(tǒng)(SISO)控制對象由單輸入單輸出系統(tǒng)轉(zhuǎn)變?yōu)槎噍斎硕噍敵鱿到y(tǒng)；系統(tǒng)信息的獲得由借助傳感器轉(zhuǎn)變?yōu)榻柚鸂顟B(tài)模型；研究方法由積分變換轉(zhuǎn)向矩陣理論、幾何方法，由頻率方法轉(zhuǎn)向狀態(tài)空間的研究；由機理建模向統(tǒng)計建模轉(zhuǎn)變，開始采用參數(shù)估計和系統(tǒng)辨識理論適用大型、復(fù)雜、高維、非線性和不確定性嚴重的對象不依賴對象模型，適用于未知或不確定性嚴重的對象具有人類智能的特征能夠表達定性的知識或具有自學習能力1.2智能控制的產(chǎn)生和發(fā)展智能控制的兩個發(fā)展方向

模擬人類的專家控制經(jīng)驗來進行控制智能控制模擬人類的學習能力來進行控制1.2智能控制的產(chǎn)生和發(fā)展智能控制的三個發(fā)展階段

現(xiàn)在發(fā)展期形成期萌芽期1960197019801.2智能控制的產(chǎn)生和發(fā)展1）萌芽期（1960－1970）1960年代初，F(xiàn).W.Smiths首先采用性能模式識別器來學習最優(yōu)控制方法1965年，加利福尼亞大學的扎德(L.A.Zadeh)教授提出了模糊集合理論1965年，美國的Feigenbaum著手研制世界上第一個專家系統(tǒng)1965年，普渡大學傅京孫教授將人工智能中的直覺推理方法用于學習控制系統(tǒng)。1966年Mendel在空間飛行器學習系統(tǒng)中應(yīng)用了人工智能技術(shù)，并提出了“人工智能控制”的概念。1967年，Leondes等人首先正式使用“智能控制”一詞，并把記憶、目標分解等一些簡單的人工智能技術(shù)用于學習控制系統(tǒng)，提高了系統(tǒng)處理不確定性問題的能力。這標志著智能控制的思想已經(jīng)萌芽。1.2智能控制的產(chǎn)生和發(fā)展2）形成期（1970－1980）1970年代初，傅京孫等人從控制論的角度進一步總結(jié)了人工智能技術(shù)與自適應(yīng)、自組織、自學習控制的關(guān)系，正式提出智能控制是人工智能技術(shù)與控制理論的交叉，并在核反應(yīng)堆、城市交通的控制中成功地應(yīng)用了智能控制系統(tǒng)。1970年代中期，智能控制在模糊控制的應(yīng)用上取得了重要的進展。1974年英國倫敦大學瑪麗皇后分校的E.H.Mamdani教授把模糊理論用于控制領(lǐng)域，把扎德教授提出的IF～THEN～型模糊規(guī)則用于模糊推理，再把這種推理用于蒸汽機的自動運轉(zhuǎn)中．通過實驗取得良好的結(jié)果。1977年，薩里迪斯(Saridis)提出了智能控制的三元結(jié)構(gòu)定義，即把智能控制看作為人工智能、自動控制和運籌學的交叉。1970年代后期起，把規(guī)則型模糊推理用于控制領(lǐng)域的研究頗為盛行。1979年，Mandani又成功研制出自組織模糊控制器，使得模糊控制器具有了較高的智能。1.2智能控制的產(chǎn)生和發(fā)展3）發(fā)展期（1980－）1982年，F(xiàn)ox等人完成了一個稱為ISIS的加工車間調(diào)度的專家系統(tǒng)1982年，Hopfield引用能量函數(shù)的概念，使神經(jīng)網(wǎng)絡(luò)的平衡穩(wěn)定狀態(tài)有了明確的判據(jù)方法，并利用模擬電路的基本元件構(gòu)作了人工神經(jīng)網(wǎng)絡(luò)的硬件模型，為實現(xiàn)硬件奠定了基礎(chǔ)，使神經(jīng)網(wǎng)絡(luò)的研究取得突破性進展1985年，IEEE在紐約召開了第一屆全球智能控制學術(shù)討論會，標志著智能控制作為一個學科分支正式被學術(shù)界接受。1986年，Rumelhart提出多層網(wǎng)絡(luò)的“遞推”(或稱“反傳”)學習算法，簡稱BP算法，從實踐上證實了人工神經(jīng)網(wǎng)絡(luò)具有很強的運算能力，BP算法是最為引人注目，應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)算法之一1987年在費城舉行的國際智能控制會議上，提出了智能控制是自動控制，人工智能、運疇學相結(jié)合或自動控制、人工智能、運疇學和信息論相結(jié)合的說法。此后，每年舉行一次全球智能控制研討會，形成了智能控制的研究熱潮。1.3智能控制的定義和特點智能控制的定義IEEE定義：智能控制必須具有模擬人類學習和自適應(yīng)的能力。一般來說，一個智能控制系統(tǒng)要具有對環(huán)境的敏感，進行決策和控制的功能，根據(jù)其性能要求的不同．可以有各種人工智能的水平。分析、組織數(shù)據(jù)并將數(shù)據(jù)變換為機器理解的結(jié)構(gòu)化信息的能力；在復(fù)雜環(huán)境中選取優(yōu)化行為，使系統(tǒng)能在不確定情況下繼續(xù)工作的能力。具有辯識對象和事件、在客觀世界模型中獲取和表達知識、進行思考和計劃未來行動的具有感知環(huán)境、作出決策和控制的能力高級較高簡單1.3智能控制的定義和特點智能控制的特點應(yīng)能為復(fù)雜系統(tǒng)（如非線性、快時變、多變量、強耦合、不確定性等）進行有效的全局控制，并具有較強的容錯能力；是定性決策和定量控制相結(jié)合的多模態(tài)組合控制；其基本目的是從系統(tǒng)的功能和整體優(yōu)化的角度來分析和綜合系統(tǒng)，以實現(xiàn)預(yù)定的目標，并應(yīng)具有自組織能力。是同時具有以知識表示的非數(shù)學廣義模型和以數(shù)學表示的數(shù)學模型的混合控制過程，系統(tǒng)在信息處理上，既有數(shù)學運算，又有邏輯和知識推理。1.4智能控制的主要形式智能控制BECDA分級遞階智能控制模糊控制神經(jīng)網(wǎng)絡(luò)控制仿人智能控制專家控制F各種方法的綜合集成1.4智能控制的主要形式組織級起主導(dǎo)作用，涉及知識的表示與處理，主要應(yīng)用人工智能；協(xié)調(diào)級在組織級和執(zhí)行級間起連接作用，涉及決策方式及其表示，采用人工智能及運籌學實現(xiàn)控制；執(zhí)行級是底層，具有很高的控制精度，采用常規(guī)自動控制。組織級協(xié)調(diào)級執(zhí)行級精度智能基于信息論的分級遞階智能控制

三級分級遞階智能控制系統(tǒng)是由G．N．Saridis于1977年提出的。該系統(tǒng)由組織級、協(xié)調(diào)級和執(zhí)行級組成，遵循“精度遞增伴隨智能遞減”的原則。1.4智能控制的主要形式以模糊系統(tǒng)理論為基礎(chǔ)的模糊控制

人類最初對事物的認識來看，都是定性的、模糊的和非精確的，因而將模糊信息引入智能控制具有現(xiàn)實的意義。模糊邏輯在控制領(lǐng)域的應(yīng)用稱為模糊控制。它的基本思想是把人類專家對特定的被控對象或過程的控制策略總結(jié)成一系列以“IF（條件）THEN（作用）”形式表示的控制規(guī)則，通過模糊推理得到控制作用集，作用于被控對象或過程。1.4智能控制的主要形式基于腦模型的神經(jīng)網(wǎng)絡(luò)控制人工神經(jīng)網(wǎng)絡(luò)采用仿生學的觀點與方法來研究人腦和智能系統(tǒng)中的高級信息處理。1.4智能控制的主要形式基于知識工程的專家控制系統(tǒng)專家控制可定義為：具有模糊專家智能的功能，采用專家系統(tǒng)技術(shù)與控制理論相結(jié)合的方法設(shè)計控制系統(tǒng)。1.4智能控制的主要形式基于規(guī)則的仿人智能控制仿人智能控制的核心思想是在控制過程中，利用計算機模擬人的控制行為功能，最大限度地識別和利用控制系統(tǒng)動態(tài)過程提供的特征信息，進行啟發(fā)和直覺推理，從而實現(xiàn)對缺乏精確模型的對象迸行有效的控制。其基本原理是模仿人的啟發(fā)式直覺推理邏輯，即通過特征辯識判斷系統(tǒng)當前所處的特怔狀態(tài)，確定控制的策略，進行多模態(tài)控制。1.4智能控制的主要形式各種方法的綜合集成模糊神經(jīng)網(wǎng)絡(luò)控制模糊專家控制模糊PID控制神經(jīng)網(wǎng)絡(luò)魯棒控制神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制……1.5智能控制的現(xiàn)狀和發(fā)展趨勢智能控制的基礎(chǔ)理論和方法研究；智能控制系統(tǒng)結(jié)構(gòu)研究；知識系統(tǒng)和專家控制的研究；模糊控制系統(tǒng)的研究；神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的研究；基于進化理論的學習控制研究；模糊神經(jīng)網(wǎng)絡(luò)控制的研究；智能控制與其它控制方法結(jié)合的研究目前的主要研究方向和內(nèi)容1.5智能控制的現(xiàn)狀和發(fā)展趨勢發(fā)展趨勢智能控制理論的進一步研究，尤其是智能控制系統(tǒng)穩(wěn)定性分析的理論研究。結(jié)合神經(jīng)生理學、心理學、認識科學、人工智能等學科的知識，深入研究人類解決問題時的經(jīng)驗、策略，建立更多的智能控制體系結(jié)構(gòu)。研究適合現(xiàn)有計算機資源條件的智能控制方法。研究人機交互式的智能控制系統(tǒng)和學習系統(tǒng)，以不斷提高智能控制系的智能水平；研究適合智能控制系統(tǒng)的軟、硬件進行處理機、信號處理器、智能傳感器和智能開發(fā)工具軟件，以解決智能控制在實際應(yīng)用中存在的問題。第三章模糊控制3.1模糊控制的工作原理

模糊控制的基本思想將人類專家對特定對象的控制經(jīng)驗，運用模糊集理論進行量化，轉(zhuǎn)化為可數(shù)學實現(xiàn)的控制器，從而實現(xiàn)對被控對象的控制。

人類專家的控制經(jīng)驗是如何轉(zhuǎn)化為數(shù)字控制器的？人類對熱水器水溫的調(diào)節(jié)控制思想：如果水溫偏高，就把燃氣閥關(guān)?。蝗绻疁仄?，就把燃氣閥開大。3.1模糊控制的工作原理模仿人類的調(diào)節(jié)經(jīng)驗，可以構(gòu)造一個模糊控制系統(tǒng)來實現(xiàn)對熱水器的控制。

用一個溫度傳感器來替代左手進行對水溫的測量，傳感器的測量值經(jīng)A/D變換后送往控制器。

電磁燃氣閥代替右手和機械燃氣閥作為執(zhí)行機構(gòu)，電磁燃氣閥的開度由控制器的輸出經(jīng)D/A變換后控制。

構(gòu)造控制器，使其能夠模擬人類的操作經(jīng)驗。人類的控制規(guī)則如果水溫比期望值高，就把燃氣閥關(guān)??；如果水溫比期望值低，就把燃氣閥開大。描述了輸入（水溫與期望值的偏差e）和輸出（燃氣閥開度的增量

u）之間的模糊關(guān)系R3.1模糊控制的工作原理輸入e輸出u模糊推理規(guī)則庫RD/A電磁閥熱水器溫度傳感器A/D期望值＋－eu模糊值模糊值精確值精確值模糊化去模糊化熱水器水溫模糊控制系統(tǒng)結(jié)構(gòu)

3.1模糊控制的工作原理模糊控制器的基本工作原理

將測量得到的被控對象的狀態(tài)經(jīng)過模糊化接口轉(zhuǎn)換為用人類自然語言描述的模糊量，而后根據(jù)人類的語言控制規(guī)則，經(jīng)過模糊推理得到輸出控制量的模糊取值，控制量的模糊取值再經(jīng)過清晰化接口轉(zhuǎn)換為執(zhí)行機構(gòu)能夠接收的精確量。3.2模糊控制器的結(jié)構(gòu)和設(shè)計模糊控制器的基本結(jié)構(gòu)通常由四個部分組成：模糊化接口規(guī)則庫模糊推理清晰化接口3.2.1模糊化接口

3.2模糊控制器的結(jié)構(gòu)和設(shè)計模糊化就是通過在控制器的輸入、輸出論域上定義語言變量，來將精確的輸入、輸出值轉(zhuǎn)換為模糊的語言值。模糊化接口的設(shè)計步驟事實上就是定義語言變量的過程，可分為以下幾步：1)語言變量的確定針對模糊控制器每個輸入、輸出空間，各自定義一個語言變量。通常取系統(tǒng)的誤差值e和誤差變化率ec為模糊控制器的兩個輸入，在e的論域上定義語言變量“誤差E”，在ec的論域上定義語言變量“誤差變化EC”；在控制量u的論域上定義語言變量“控制量U”。

3.2模糊控制器的結(jié)構(gòu)和設(shè)計2)語言變量論域的設(shè)計在模糊控制器的設(shè)計中，通常就把語言變量的論域定義為有限整數(shù)的離散論域。例如，可以將E的論域定義為{-m,-m+1,…,-1,0,1,…,m-1,m}；將EC的論域定義為{-n,-n+1,…,-1,0,1,…,n-1,n}；將U的論域定義為{-l,-l+1,…,-1,0,1,…,l-1,l}。?為了提高實時性，模糊控制器常常以控制查詢表的形式出現(xiàn)。該表反映了通過模糊控制算法求出的模糊控制器輸入量和輸出量在給定離散點上的對應(yīng)關(guān)系。為了能方便地產(chǎn)生控制查詢表，在模糊控制器的設(shè)計中，通常就把語言變量的論域定義為有限整數(shù)的離散論域。如何實現(xiàn)實際的連續(xù)域到有限整數(shù)離散域的轉(zhuǎn)換？

通過引入量化因子ke、kec和比例因子ku來實現(xiàn)kekecd/dt模糊控制器ku期望值y＋－eecEECUu假設(shè)在實際中，誤差的連續(xù)取值范圍是e=[eL,eH]，eL表示低限值，eH表示高限值。則：

同理，假如誤差變化率的連續(xù)取值范圍是ec=[ecL,ecH]，控制量的連續(xù)取值范圍是u=[uL,uH]，則量化因子kec和比例因子ku可分別確定如下：3.2模糊控制器的結(jié)構(gòu)和設(shè)計在確定了量化因子和比例因子之后，誤差e和誤差變化率ec可通過下式轉(zhuǎn)換為模糊控制器的輸入E和EC：

式中，<>代表取整運算。

模糊控制器的輸出U可以通過下式轉(zhuǎn)換為實際的輸出值u：3.2模糊控制器的結(jié)構(gòu)和設(shè)計3)定義各語言變量的語言值

通常在語言變量的論域上，將其劃分為有限的幾檔。例如，可將E、EC和U的劃分為{“正大（PB）”，“正中(PM)”，“正?。≒S）”，“零（ZO）”，“負小（NS）”，“負中（NM）”，“負大（NB）”}七檔。

檔級多，規(guī)則制定靈活，規(guī)則細致，但規(guī)則多、復(fù)雜，編制程序困難，占用的內(nèi)存較多；檔級少，規(guī)則少，規(guī)則實現(xiàn)方便，但過少的規(guī)則會使控制作用變粗而達不到預(yù)期的效果。因此在選擇模糊狀態(tài)時要兼顧簡單性和控制效果。3.2模糊控制器的結(jié)構(gòu)和設(shè)計4)定義各語言值的隸屬函數(shù)

隸屬函數(shù)的類型

正態(tài)分布型（高斯基函數(shù)

）其中，ai為函數(shù)的中心值，bi為函數(shù)的寬度。假設(shè)與{PB，PM，PS，ZO，NS，NM，NB}對應(yīng)的高斯基函數(shù)的中心值分別為{6，4，2，0，-2，-4，-6}，寬度均為2。隸屬函數(shù)的形狀和分布如圖所示。3.2模糊控制器的結(jié)構(gòu)和設(shè)計三角型

梯型

3.2模糊控制器的結(jié)構(gòu)和設(shè)計

隸屬函數(shù)確定時需要考慮的幾個問題隸屬函數(shù)曲線形狀對控制性能的影響。

隸屬函數(shù)形狀較尖時，分辨率較高，輸入引起的輸出變化比較劇烈，控制靈敏度較高；曲線形狀較緩時、分辨率較低，輸入引起的輸出變化不那么劇烈，控制特性也較平緩，具有較好的系統(tǒng)穩(wěn)定性。因而，通常在輸入較大的區(qū)域內(nèi)采用低分辨率曲線（形狀較緩），在輸入較小的區(qū)域內(nèi)采用較高分辨率曲線（形狀較尖），當輸入接近零則選用高分辨率曲線（形狀尖）。3.2模糊控制器的結(jié)構(gòu)和設(shè)計隸屬函數(shù)曲線的分布對控制性能的影響

兼顧控制靈敏度和魯棒性相鄰兩曲線交點對應(yīng)的隸屬度值較小時，控制靈敏度較高，但魯棒性不好；值較大時，控制系統(tǒng)的魯棒性較好，但控制靈敏度將降低。

清晰性相鄰隸屬函數(shù)之間的區(qū)別必須是明確的。

不清晰的隸屬函數(shù)分布

清晰的隸屬函數(shù)分布

3.2模糊控制器的結(jié)構(gòu)和設(shè)計

完備性

屬函數(shù)的分布必須覆蓋語言變量的整個論域，否則，將會出現(xiàn)“空檔”，從而導(dǎo)致失控。

不完備的隸屬函數(shù)分布

3.2模糊控制器的結(jié)構(gòu)和設(shè)計模糊化過程小結(jié)：經(jīng)過1）～4）步的定義可以在輸入輸出空間定義語言變量，從而將輸入輸出的精確值轉(zhuǎn)換為相應(yīng)的模糊值。具體的步驟如下：

第一步將實際檢測的系統(tǒng)誤差和誤差變化率量化為模糊控制器的輸入。

假設(shè)實際檢測的系統(tǒng)誤差和誤差變化率分別為e*和ec*，可以通過量化因子將其量化為模糊控制器的輸入E*和EC*。3.2模糊控制器的結(jié)構(gòu)和設(shè)計第二步將模糊控制器的精確輸入E*和EC*通過模糊化接口轉(zhuǎn)化為模糊輸入A*和B*。將E*和EC*所對應(yīng)的隸屬度最大的模糊值當作當前模糊控制器的模糊輸入量A*和B*。

假設(shè)E*=－6，系統(tǒng)誤差采用三角形隸屬函數(shù)來進行模糊化。E*屬于NB的隸屬度最大（為1），則此時，相對應(yīng)的模糊控制器的模糊輸入量為：

3.2模糊控制器的結(jié)構(gòu)和設(shè)計對于某些輸入精確量，有時無法判斷其屬于哪個模糊值的隸屬度更大，例如當E*=-5時，其屬于NB和NM的隸屬度一樣大。此時有兩種方法進行處理：1）在隸屬度最大的模糊值之間任取一個；例如當E*=-5時，A*＝NB或NM。2）重新定義一個模糊值，該模糊值對于當前輸入精確量的隸屬度為1，對于其它精確量的隸屬度為0。3.2模糊控制器的結(jié)構(gòu)和設(shè)計3.2.2規(guī)則庫

規(guī)則庫的描述

規(guī)則庫由若干條控制規(guī)則組成，這些控制規(guī)則根據(jù)人類控制專家的經(jīng)驗總結(jié)得出，按照IF…is…AND…is…THEN…is…的形式表達。

R1:IFEisA1ANDECisB1THENUisC1

R2:IFEisA2ANDECisB2THENUisC2………Rn:IFEisAnANDECisBnTHENUisCn其中，E、EC是輸入語言變量“誤差”，“誤差變化率”；U是輸出語言變量“控制量”。Ai

、Bi

、Ci是第i條規(guī)則中與E、EC、U對應(yīng)的語言值。

3.2模糊控制器的結(jié)構(gòu)和設(shè)計

3.2模糊控制器的結(jié)構(gòu)和設(shè)計規(guī)則庫也可以用矩陣表的形式進行描述。

UECNBNMNSZPSPMPBENBNBNBNBNBNMZZNMNBNBNBNBNMZZNSNMNMNMNMZPSPSZNMNMNSZPSPMPMPSNSNSZPMPMPMPMPMZZPMPBPBPBPBPBZZPMPBPBPBPB例如在模糊控制直流電機調(diào)速系統(tǒng)中，模糊控制器的輸入為E（轉(zhuǎn)速誤差）、EC（轉(zhuǎn)速誤差變化率），輸出為U（電機的力矩電流值）。在E、EC、U的論域上各定義了7個語言子集：{PB,PM,PS,ZO,NS,NM,NB}對于E、EC可能的每種取值，進行專家分析和總結(jié)后，則總結(jié)出的控制規(guī)則為：3.2模糊控制器的結(jié)構(gòu)和設(shè)計

規(guī)則庫蘊涵的模糊關(guān)系

規(guī)則庫中第i條控制規(guī)則:Ri:IFEisAiANDECisBiTHENUisCi蘊含的模糊關(guān)系為：

控制規(guī)則庫中的n條規(guī)則之間可以看作是“或”，也就是“求并”的關(guān)系，則整個規(guī)則庫蘊涵的模糊關(guān)系為：3.2模糊控制器的結(jié)構(gòu)和設(shè)計

規(guī)則庫的產(chǎn)生

模糊控制規(guī)則的提取方法在模糊控制器的設(shè)計中起著舉足輕重的作用，它的優(yōu)劣直接關(guān)系著模糊控制器性能的好壞，是模糊控制器設(shè)計中最重要的部分。模糊控制規(guī)則的生成方法歸納起來主要有以下幾種：

根據(jù)專家經(jīng)驗或過程控制知識生成控制規(guī)則。這種方法通過對控制專家的經(jīng)驗進行總結(jié)描述來生成特定領(lǐng)域的控制規(guī)則原型，經(jīng)過反復(fù)的實驗和修正形成最終的規(guī)則庫。根據(jù)過程的模糊模型生成控制規(guī)則。這種方法通過用模糊語言描述被控過程的輸入輸出關(guān)系來得到過程的模糊模型，進而根據(jù)這種關(guān)系來得到控制器的控制規(guī)則。根據(jù)學習算法獲取控制規(guī)則。應(yīng)用自適應(yīng)學習算法（神經(jīng)網(wǎng)絡(luò)、遺傳算法等）對控制過程的樣本數(shù)據(jù)進行分析和聚類，生成和在線優(yōu)化較完善的控制規(guī)則。3.2模糊控制器的結(jié)構(gòu)和設(shè)計模糊控制規(guī)則的總結(jié)要注意以下幾個問題：規(guī)則數(shù)量合理控制規(guī)則的增加可以增加控制的精度，但是會影響系統(tǒng)的實時性；控制規(guī)則數(shù)量的減少會提高系統(tǒng)的運行速度，但是控制的精度又會下降。所以，需要在控制精度和實時性之間進行權(quán)衡。規(guī)則要具有一致性控制規(guī)則的目標準則要相同。不同的規(guī)則之間不能出現(xiàn)相矛盾的控制結(jié)果。如果各規(guī)則的控制目標不同，會引起系統(tǒng)的混亂。完備性要好控制規(guī)則應(yīng)能對系統(tǒng)可能出現(xiàn)的任何一種狀態(tài)進行控制。否則，系統(tǒng)就會有失控的危險。3.2模糊控制器的結(jié)構(gòu)和設(shè)計3.2.3模糊推理根據(jù)模糊輸入和規(guī)則庫中蘊涵的輸入輸出關(guān)系，通過第二章描述的模糊推理方法得到模糊控制器的輸出模糊值

3.2.4清晰化接口由模糊推理得到的模糊輸出值C*是輸出論域上的模糊子集，只有其轉(zhuǎn)化為精確控制量u，才能施加于對象。我們實行這種轉(zhuǎn)化的方法叫做清晰化/去模糊化/模糊判決。3.2模糊控制器的結(jié)構(gòu)和設(shè)計(1)最大隸屬度方法

把C*中隸屬度最大的元素U*作為精確輸出控制量

上式中，元素－4對應(yīng)的隸屬度最大，則根據(jù)最大隸屬度法得到的精確輸出控制量為－4。

若模糊輸出量的元素隸屬度有幾個相同的最大值，則取相應(yīng)諸元素的平均值，并進行四舍五入取整，作為控制量。上式中，元素－4、－3、－2對應(yīng)的隸屬度均為1，則精確輸出控制量為3.2模糊控制器的結(jié)構(gòu)和設(shè)計（2）加權(quán)平均法（重心法）該方法對模糊輸出量中各元素及其對應(yīng)的隸屬度求加權(quán)平均值，并進行四舍五入取整，來得到精確輸出控制量。式中，<>代表四舍五入取整操作。3.2模糊控制器的結(jié)構(gòu)和設(shè)計清晰化處理后得到的模糊控制器的精確輸出量U*，經(jīng)過比例因子可以轉(zhuǎn)化為實際作用于控制對象的控制量3.2模糊控制器的結(jié)構(gòu)和設(shè)計3.2.5模糊查詢表模糊控制器的工作過程:模糊控制器實時檢測系統(tǒng)的誤差和誤差變化率e*和ec*；通過量化因子ke和kec將e*和ec*量化為控制器的精確輸入E*和EC*；

E*和EC*通過模糊化接口轉(zhuǎn)化為模糊輸入A*和B*；將A*和B*根據(jù)規(guī)則庫蘊涵的模糊關(guān)系進行模糊推理，得到模糊控制輸出量C*；對C*進行清晰化處理，得到控制器的精確輸出量U*；通過比例因子ku將U*轉(zhuǎn)化為實際作用于控制對象的控制量u*。將（3）～（5）步離線進行運算，對于每一種可能出現(xiàn)的E和EC取值，計算出相應(yīng)的輸出量U，并以表格的形式儲存在計算機內(nèi)存中，這樣的表格我們稱之為模糊查詢表。3.2模糊控制器的結(jié)構(gòu)和設(shè)計如果E、EC和U的論域均為{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}，則生成的模糊查詢表具有如下形式UEC-6-5-4-3-2-10123456E-6-6-6-6-6-6-5-5-4-3-2000-5-6-6-6-6-5-5-5-4-3-2000-4-6-6-6-5-5-5-5-3-3-2000-3-5-5-5-5-4-4-4-3-2-1111-2-4-4-4-4-4-4-4-2-10222-1-4-4-4-3-3-3-3-1223330-4-4-4-3-3-101334441-3-3-3-2-2133334442-2-2001244444443-1-1012344455554001234555566650012345556666600123455666663.2模糊控制器的結(jié)構(gòu)和設(shè)計3.2.6模糊控制器的設(shè)計內(nèi)容（1）確定模糊控制器的輸入變量和輸出變量；（2）確定輸入，輸出的論域和Ke、Kec、Ku的值；（3）確定各變量的語言取值及其隸屬函數(shù)；（4）總結(jié)專家控制規(guī)則及其蘊涵的模糊關(guān)系；（5）選擇推理算法；（6）確定清晰化的方法；（7）總結(jié)模糊查詢表。3.2模糊控制器的結(jié)構(gòu)和設(shè)計3.2.7模糊控制器的軟件實現(xiàn)（Matlab）1模糊控制查詢表的實現(xiàn)初始化總結(jié)模糊關(guān)系總結(jié)模糊查詢表3.2模糊控制器的結(jié)構(gòu)和設(shè)計1）初始化假設(shè)E、EC和U的論域：{-6,-5,…,-1,0,1,…,5,6}；E、EC和U定義了7個語言值{NB，NM，NS，Z，PS，PM，PB}；則我們在Matlab中通過定義三個向量來表示這些語言值：Input1_Terms=[1,2,3,4,5,6,7];Input2_Terms=[1,2,3,4,5,6,7];output_Terms=[1,2,3,4,5,6,7];3.2模糊控制器的結(jié)構(gòu)和設(shè)計-6-5-4-3-2-10123456NB10.500000000000NM00.510.5000000000NS0000.510.50000000Z000000.510.500000PS00000000.510.5000PM0000000000.510.50PB000000000000.51各語言值的隸屬函數(shù)采用三角函數(shù)，其分布可用下表表示：3.2模糊控制器的結(jié)構(gòu)和設(shè)計在matlab中，可以用一個矩陣來表示該表。Input1_Terms_Membership= [1,0.5,0,0,0,0,0,0,0,0,0,0,0; 0,0.5,1,0.5,0,0,0,0,0,0,0,0,0; 0,0,0,0.5,1,0.5,0,0,0,0,0,0,0; 0,0,0,0,0,0.5,1,0.5,0,0,0,0,0; 0,0,0,0,0,0,0,0.5,1,0.5,0,0,0; 0,0,0,0,0,0,0,0,0,0.5,1,0.5,0; 0,0,0,0,0,0,0,0,0,0,0,0.5,1];Input2_Terms_Membership=Input1_Terms_Membership;Output_Terms_Membership=Input1_Terms_Membership;3.2模糊控制器的結(jié)構(gòu)和設(shè)計假設(shè)控制規(guī)則表總結(jié)如下UECNBNMNSZPSPMPBENBNBNBNBNBNMZZNMNBNBNBNBNMZZNSNMNMNMNMZPSPSZNMNMNSZPSPMPMPSNSNSZPMPMPMPMPMZZPMPBPBPBPBPBZZPMPBPBPBPB3.2模糊控制器的結(jié)構(gòu)和設(shè)計將語言值按順序編號，NB、NM、NS、Z、PS、PM、PB分別對應(yīng)1、2、3、4、5、6、7號。則上表可用一個矩陣表示為：Rule= [1,1,1,1,2,4,4; 1,1,1,1,2,4,4; 2,2,2,2,4,5,5; 2,2,3,4,5,6,6; 3,3,4,6,6,6,6; 4,4,6,7,7,7,7; 4,4,6,7,7,7,7];3.2模糊控制器的結(jié)構(gòu)和設(shè)計2)總結(jié)模糊關(guān)系A(chǔ)=Input1_Terms_Membership(Input1_Terms_Index,:);B=Input2_Terms_Membership(Input2_Terms_Index,:);C=Output_Terms_Membership(Output_Terms_Index,:);

某條規(guī)則蘊涵的模糊關(guān)系注：Input1_Terms_Index代表輸入E的語言值的序號，Input2_Terms_Index代表輸入EC語言值的序號，Output_Terms_Index代表輸出U語言值的序號

Output_Terms_Index=Rule(Input1_Terms_Index,Input2_Terms_Index);注：A代表輸入E的模糊值，B代表輸入EC的模糊值，C代表輸出U的模糊值程序段13.2模糊控制器的結(jié)構(gòu)和設(shè)計fori=1:13forj=1:13R1(i,j)=min(A(i),B(j));endend注：R1＝A×B注：R2＝R1T注：R3＝R2×CR2=[];fork=1:13R2=[R2;R1(k,:)'];endfori=1:169forj=1:13R3(i,j)=min(R2(i),C(j));endend

程序段23.2模糊控制器的結(jié)構(gòu)和設(shè)計所有規(guī)則蘊涵的模糊關(guān)系：fori=1:169forj=1:13R(i,j)=0;endendforInput1_Terms_Index=1:7forInput2_Terms_Index=1:7

程序段1； 程序段2；

R=max(R,R3);endend注：初始化R注：R為所有規(guī)則模糊關(guān)系的并集3.2模糊控制器的結(jié)構(gòu)和設(shè)計3)總結(jié)模糊查詢表Input1_value_membership=Input1_Terms_Membership(:,Input1_value_index);注：Input1_value_index表示輸入E的精確值的序號，Input1_value_membership為E的精確值屬于其各個模糊值的隸屬度組成的向量[Max_Input1_value,Max_Input1_index]=max(Input1_value_membership);注：Max_Input1_index表示隸屬度最大的模糊值的序號，Max_Input1_value為與之對應(yīng)的隸屬度Ad=Input1_Terms_Membership(Max_Input1_index,:);注：Ad為與輸入E的精確值相對應(yīng)的隸屬度最大的模糊值，也就是模糊化后的E的模糊值。a)模糊化3.2模糊控制器的結(jié)構(gòu)和設(shè)計Input2_value_membership=Input2_Terms_Membership(:,Input2_value_index);[Max_Input2_value,Max_Input2_index]=max(Input2_value_membership);Bd=Input2_Terms_Membership(Max_Input2_index,:);同理可以得到輸入EC模糊化后的模糊值Bdb)推理

fori=1:13forj=1:13Rd1(i,j)=min(Ad(i),Bd(j));endendRd1＝Ad×Bd3.2模糊控制器的結(jié)構(gòu)和設(shè)計Rd2=[];fork=1:13Rd2=[Rd2,Rd1(k,:)];endRd2＝Rd1Tforj=1:13Cd(j)=max(min(Rd2',R(:,j)));endCd＝Rd2oR,Cd為推理后得到的模糊輸出C)去模糊化

sum1=0;sum2=0;fori=1:13sum1=sum1+Cd(i);sum2=sum2+Cd(i)*Output(i);endOUT=round(sum2/sum1);加權(quán)平均法3.2模糊控制器的結(jié)構(gòu)和設(shè)計對于每種可能的E、EC的精確取值進行a)b)c)的運算可以得到模糊查詢表：forInput1_value_index=1:13forInput2_value_index=1:13

模糊化；推理；去模糊化；

Fuzzy_Table(Input1_value_index,Input2_value_index)=OUT；

endend整個程序清單3.2模糊控制器的結(jié)構(gòu)和設(shè)計運行結(jié)果：-6-6-6-6-6-6-5-5-3-3-2-20-6-6-6-6-6-6-5-5-3-3-2-20-5-5-5-5-5-5-3-3-2-2-1-11-5-5-5-5-5-5-3-3-2-2-1-11-4-4-4-4-3-3-2-200002-4-4-4-4-3-3-2-200002-3-3-2-2000000223-3-3-2-2000000223-2-200002233444-2-200002233444-1-111223355555-1-1112233555550022335566666Fuzzy_Table=3.2模糊控制器的結(jié)構(gòu)和設(shè)計2模糊控制在線運行代碼ek=refk-yk; ％計算第k個采樣周期的誤差和誤差變化率eck=(ek-ek_1)/t; E=round(ke*(ek-(eh+el)/2))); ％將E的論域轉(zhuǎn)換到模糊控制器的論域ifE>6E=6;elseifE<-6E=-6;endEC=round(kec*(eck-(ech+ecl)/2)));％將EC的論域轉(zhuǎn)換到模糊控制器的論域ifEC>6EC=6;elseifEC<-6EC=-6;endU=Fuzzy_Table

(E+7,EC+7); ％查模糊控制查詢表得到輸出值Uu=Ku*U+(uh+ul)/2; ％將輸出轉(zhuǎn)換到實際論域3.2模糊控制器的結(jié)構(gòu)和設(shè)計3.2.8模糊控制的優(yōu)缺點設(shè)計時不需要建立被控制對象的數(shù)學模型，只要求掌握人類的控制經(jīng)驗。系統(tǒng)的魯棒性強，尤其適用于非線性時變、滯后系統(tǒng)的控制確立模糊化和逆模糊化的方法時，缺乏系統(tǒng)的方法，主要靠經(jīng)驗和試湊?？偨Y(jié)模糊控制規(guī)則有時比較困難?？刂埔?guī)則一旦確定，不能在線調(diào)整，不能很好地適應(yīng)情況的變化。模糊控制器由于不具有積分環(huán)節(jié)，因而穩(wěn)態(tài)精度不高。

模糊控制的優(yōu)點：

模糊控制的缺點：3.3模糊控制的改進方法3.3.1模糊比例控制器

為了解決模糊控制的離散性對控制質(zhì)量的影響，在模糊控制查詢表的兩個離散級之間，插入按偏差量化余數(shù)的比例調(diào)節(jié)調(diào)節(jié)，使模糊控制量連續(xù)化

3.3模糊控制的改進方法3.3.2模糊控制與PID控制的結(jié)合

雙模控制

雙?？刂破饔赡：刂破骱蚉I控制器并聯(lián)組成?？刂崎_關(guān)在系統(tǒng)誤差較大時接通模糊控制器，來克服不確定性因素的影響；在系統(tǒng)誤差較小時接通PI控制器來消除穩(wěn)態(tài)誤差。控制開關(guān)的控制規(guī)則可以描述為：

3.3模糊控制的改進方法

串聯(lián)控制

當|E|≥1時,系統(tǒng)的誤差e和模糊控制器的輸出u的和作為PI控制器的輸入,克服不確定性因素的影響,且有較強的控制作用;當|E|=0時,模糊控制器輸出斷開,僅有e加到PI控制器的輸入,消除穩(wěn)態(tài)誤差。

3.3模糊控制的改進方法

并聯(lián)控制

當|E|≥1時，模糊控制器開關(guān)閉合，PI控制器的輸出和模糊控制器的輸出的和作為被控對象的輸入,克服不確定性因素的影響,且有較強的控制作用；當|E|=0時,模糊控制器輸出斷開，僅有PI控制器控制對象,消除穩(wěn)態(tài)誤差。

3.3模糊控制的改進方法3.3.3自校正模糊控制針對普通模糊控制器的參數(shù)和控制規(guī)則在系統(tǒng)運行時無法在線調(diào)整，自適應(yīng)能力差的缺陷，自校正模糊控制器可以在線修正模糊控制器的參數(shù)或控制規(guī)則，從而增強了模糊控制器的自適應(yīng)能力，提高了控制系統(tǒng)的動靜態(tài)性能和魯棒性。自校正模糊控制器通常分為兩種：參數(shù)自校正模糊控制器規(guī)則自校正模糊控制器

3.3模糊控制的改進方法

參數(shù)自校正模糊控制器

1）量化因子Ｋe、Ｋec和比例因子Ｋu對控制性能的影響

如果E、EC、U的論域和控制規(guī)則是確定的，那么模糊查詢表是確定的，也就是說，E、EC和U的關(guān)系是確定的，將這種關(guān)系可以用函數(shù)描述為：U(k)=f[E(k),EC(k)]

3.3模糊控制的改進方法在常規(guī)模糊控制器中,Ke、Kec、Ku固定，會給系統(tǒng)的控制性能帶來一些不利的影響:

在大誤差范圍時,不能快速地消除誤差,動態(tài)響應(yīng)速度受到限制；在小偏差范圍時存在一個調(diào)節(jié)死區(qū),此時的控制輸出為0,但e的實際值可能并非為0,導(dǎo)致系統(tǒng)軌跡在0區(qū)附近的振蕩；當被控對象參數(shù)發(fā)生變化,或受到隨機干擾影響時,控制器不能很好地適應(yīng)，會影響模糊控制的效果。為使系統(tǒng)性能不斷改善,并適應(yīng)不斷變化的情況,保證控制達到預(yù)期要求,需要對Ke、Kec、Ku進行在線實時修改。3.3模糊控制的改進方法系統(tǒng)狀態(tài)性能要求參數(shù)調(diào)整的要求原因e和ec較大盡快消除誤差，加快響應(yīng)速度降低Ke和Kec；加大Ku降低Ke和Kec可以降低對e和ec輸入量的分辨率,使得e、ec的減少不致于使控制器的減少太多。加大比例因子Ku,可以獲得較大的控制量,使響應(yīng)加快。e和ec較小系統(tǒng)已經(jīng)接近穩(wěn)態(tài),此時要求提高系統(tǒng)精度,減少超調(diào)量加大Ke和Kec；降低Ku增大Ke和Kec可以提高對輸入變化的分辨率，使得控制器可以對微小的誤差做出反應(yīng)，提高穩(wěn)態(tài)的精度減少Ku，以減小超調(diào)量2）Ke、Kec、Ku的調(diào)整方法

調(diào)整的原則：3.3模糊控制的改進方法根據(jù)上述參數(shù)自調(diào)整的原則和思想，可以設(shè)計一個模糊參數(shù)調(diào)整器，在線地根據(jù)偏差e和偏差變化ec來調(diào)整Ke、Kec、Ku的取值。在不影響控制效果的前提下，可以取Ke、Kec增加的倍數(shù)與輸出的比例因子Ku減小的倍數(shù)相同。確定模糊控制器的輸入變量和輸出變量；該模糊參數(shù)調(diào)整器的輸入與模糊控制器的輸入相同，為偏差E和偏差變化EC；輸出為Ke、Kec的增加倍數(shù)N（即Ku的減小倍數(shù)）。

模糊參數(shù)調(diào)整器的設(shè)計3.3模糊控制的改進方法E、EC的隸屬函數(shù)分布確定輸入，輸出的論域、語言取值及其隸屬函數(shù)；輸入E、EC的論域都定義為:E、EC∈{-6,-5,…,-1,0,1,…,5,6}語言值定義為：{PB，PM，PS，ZO，NS，NM，NB}3.3模糊控制的改進方法

N的論域定義為：{1/8,1/4,1/2,1,2,4,8}；語言值定義為：{ＣＨ(高縮)、ＣＭ(中縮)、ＣＬ(低縮)、ＯＫ(不變)、ＡＬ(低放)、ＡＭ(中放)、ＡＨ(高放)}；N的隸屬函數(shù)分布

3.3模糊控制的改進方法總結(jié)專家控制規(guī)則及其蘊涵的模糊關(guān)系

N的調(diào)整規(guī)則表

根據(jù)規(guī)則表蘊涵的模糊關(guān)系，經(jīng)過模糊推理和清晰化操作，可以總結(jié)出相應(yīng)的模糊參數(shù)調(diào)整查詢表。3.3模糊控制的改進方法參數(shù)自校正模糊控制系統(tǒng)結(jié)構(gòu)和參數(shù)調(diào)整算法

參數(shù)自校正模糊控制系統(tǒng)原理圖

3.3模糊控制的改進方法參數(shù)自調(diào)整步驟可描述為:

（1）以原始的Ke和Kec對e和ec進行量化得到E、EC；（2）由E、EC查模糊參數(shù)調(diào)整查詢表得出調(diào)整倍數(shù)N;（3）令Ke’=Ke×N，Kec’=Kec×N

，Ku’=Ku/N

；（4）用調(diào)整后的Ke’、Kec’對e和ec重新量化；（5）用重新量化的E、EC查模糊控制表,得出控制量U。（6）用比例因子Ku’乘以U獲得控制量u。3.3模糊控制的改進方法規(guī)則自校正模糊控制器

模糊控制要有更好的效果，其前提必須具有較完善與合理的控制規(guī)則，但控制規(guī)則和查詢表都是在人工經(jīng)驗的基礎(chǔ)上設(shè)計出來的，因而難免帶有主觀因素，使控制規(guī)則往往在某種程度上顯得精度不高或不完善，并且當對象的動態(tài)特性發(fā)生變化，或受到隨機干擾的影響時，都會影響到模糊控制的效果。因此需要對控制規(guī)則和查詢表不斷及時地進行修正。1）為什么進行規(guī)則的校正？3.3模糊控制的改進方法對于一個二維模糊控制器，當輸入變量偏差E、偏差變化EC和輸出控制量U的論域等級劃分相同時，則其控制查詢表可以近似歸納為：在上式的基礎(chǔ)上引入一個調(diào)整因子，則可得到一種帶有調(diào)整因子的控制規(guī)則：α為調(diào)整因子或加權(quán)因子，它反映了誤差E和誤差變化EC對控制輸出量U的加權(quán)程度，通過調(diào)整α值，可以達到改變控制規(guī)則的目的。2）如何進行規(guī)則的校正？

原理3.3模糊控制的改進方法α的調(diào)整對控制性能的影響在實際控制中，模糊控制系統(tǒng)在不同的狀態(tài)下，對控制規(guī)則中誤差E與誤差變化EC的加權(quán)程度會有不同的要求。對二維模糊控制系統(tǒng)來說，當誤差較大時，控制系統(tǒng)的主要任務(wù)是消除誤差，加快響應(yīng)速度，這時對誤差的加權(quán)應(yīng)該大些；當誤差較小時，此時系統(tǒng)接近穩(wěn)態(tài)，控制系統(tǒng)的主要任務(wù)是使系統(tǒng)盡快穩(wěn)定，減小系統(tǒng)超調(diào)，這就要求在控制規(guī)則中誤差變化起的作用大些，即對誤差變化的加權(quán)大些。因此，在不同的誤差范圍時，可以通過調(diào)整加權(quán)因子，來實現(xiàn)控制規(guī)則的自調(diào)整。3.3模糊控制的改進方法α的調(diào)整方法分段法將誤差的取值范圍劃分為幾段，每一段對應(yīng)一個調(diào)整因子α。α的取值隨誤差的增大而增大。3.3模糊控制的改進方法函數(shù)法

定義函數(shù)：令則偏差大時，α較大，系統(tǒng)能盡快消除偏差;偏差小時，α較小，系統(tǒng)能盡快趨于穩(wěn)態(tài)。即根據(jù)模糊目標的隸屬函數(shù)來調(diào)節(jié)的大小。從而達到調(diào)整控制規(guī)則的目的

3.3模糊控制的改進方法3.3.4變結(jié)構(gòu)模糊控制

控制系統(tǒng)在實際運行中，往往會運行于不同的工作狀態(tài)。在不同的工作狀態(tài)，控制的規(guī)則、輸入輸出的論域都不同。如果在整個工作過程中，僅用一種單一結(jié)構(gòu)的模糊控制器則不能達到良好的控制效果。為此，可以將工作過程劃分為幾個狀態(tài)，對不同的狀態(tài)分別設(shè)計不同的模糊控制器。系統(tǒng)在運行時，可以根據(jù)系統(tǒng)偏差、偏差變化率等狀態(tài)特征，識別出系統(tǒng)所處的狀態(tài)，切換到所需的模糊控制器。

第四章神經(jīng)網(wǎng)絡(luò)基本理論4.1人工神經(jīng)元模型人工神經(jīng)元是對人或其它生物的神經(jīng)元細胞的若干基本特性的抽象和模擬。

生物神經(jīng)元模型生物神經(jīng)元主要由細胞體、樹突和軸突組成，樹突和軸突負責傳入和傳出信息，興奮性的沖動沿樹突抵達細胞體，在細胞膜上累積形成興奮性電位；相反，抑制性沖動到達細胞膜則形成抑制性電位。兩種電位進行累加，若代數(shù)和超過某個閾值，神經(jīng)元將產(chǎn)生沖動。

4.1人工神經(jīng)元模型人工神經(jīng)元模型模仿生物神經(jīng)元產(chǎn)生沖動的過程，可以建立一個典型的人工神經(jīng)元數(shù)學模型[x1,…,xn]T為輸入向量，y為輸出，f(·)為激發(fā)函數(shù)，θ為閾值。Wi為神經(jīng)元與其它神經(jīng)元的連接強度，也稱權(quán)值。4.1人工神經(jīng)元模型常用的激發(fā)函數(shù)f的種類：1）閾值型函數(shù)4.1人工神經(jīng)元模型2）飽和型函數(shù)3）雙曲函數(shù)4.1人工神經(jīng)元模型4）S型函數(shù)5）高斯函數(shù)4.2神經(jīng)網(wǎng)絡(luò)的定義和特點神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的神經(jīng)元，通過廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。

定義

特點（1）非線性映射逼近能力。任意的連續(xù)非線性函數(shù)映射關(guān)系可由多層神經(jīng)網(wǎng)絡(luò)以任意精度加以逼近。（2）自適應(yīng)性和自組織性。神經(jīng)元之間的連接具有多樣性，各神經(jīng)元之間的連接強度具有可塑性，網(wǎng)絡(luò)可以通過學習與訓(xùn)練進行自組織，以適應(yīng)不同信息處理的要求。（3）并行處理性。網(wǎng)絡(luò)的各單元可以同時進行類似的處理過程，整個網(wǎng)絡(luò)的信息處理方式是大規(guī)模并行的，可以大大加快對信息處理的速度。（4）分布存儲和容錯性。信息在神經(jīng)網(wǎng)絡(luò)內(nèi)的存儲按內(nèi)容分布于許多神經(jīng)元中，而且每個神經(jīng)元存儲多種信息的部分內(nèi)容。網(wǎng)絡(luò)的每部分對信息的存儲具有等勢作用，部分的信息丟失仍可以使完整的信息得到恢復(fù)，因而使網(wǎng)絡(luò)具有容錯性和聯(lián)想記憶功能。（5）便于集成實現(xiàn)和計算模擬。神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上是相同神經(jīng)元的大規(guī)模組合，特別適合于用大規(guī)模集成電路實現(xiàn)。4.3感知器模型感知器(Perceptron)是由美國學者F.Rosenblatt于1957年提出的，它是一個具有單層計算單元的神經(jīng)網(wǎng)絡(luò)，并由線性閾值元件組成。

激發(fā)函數(shù)為閾值型函數(shù)，當其輸入的加權(quán)和大于或等于閾值時，輸出為1，否則為0或-1。它的權(quán)系W可變，這樣它就可以學習。

感知器的結(jié)構(gòu)4.3感知器模型感知器的學習算法為方便起見，將閾值θ(它也同樣需要學習)并入W中，令Wn+1=-θ，X向量也相應(yīng)地增加一個分量xn+1=1，則學習算法：①給定初始值：賦給Wi(0)各一個較小的隨機非零值，這里Wi(t)為t時刻第i個輸入的權(quán)(1≤i≤n)，Wn+1(t)為t時刻的閾值；

②輸入一樣本X=(xi,…,xn,1)和它的希望輸出d；

③計算實際輸出④修正權(quán)W

：

Wi(t+1)=Wi(t)+η[d-Y(t)]xi,i=1,2,…,n+1

⑤轉(zhuǎn)到②直到W對一切樣本均穩(wěn)定不變?yōu)橹埂?/p>

4.3感知器模型根據(jù)某樣本訓(xùn)練時，均方差隨訓(xùn)練次數(shù)的收斂情況4.4神經(jīng)網(wǎng)絡(luò)的構(gòu)成和分類

構(gòu)成

從Perceptron模型可以看出神經(jīng)網(wǎng)絡(luò)通過一組狀態(tài)方程和一組學習方程加以描述。狀態(tài)方程描述每個神經(jīng)元的輸入、輸出、權(quán)值間的函數(shù)關(guān)系。學習方程描述權(quán)值應(yīng)該怎樣修正。神經(jīng)網(wǎng)絡(luò)通過修正這些權(quán)值來進行學習，從而調(diào)整整個神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系。分類

（1）從結(jié)構(gòu)上劃分

通常所說的網(wǎng)絡(luò)結(jié)構(gòu)，主要是指它的聯(lián)接方式。神經(jīng)網(wǎng)絡(luò)從拓撲結(jié)構(gòu)上來說，主要分為層狀和網(wǎng)狀結(jié)構(gòu)。

4.4神經(jīng)網(wǎng)絡(luò)的構(gòu)成和分類①層狀結(jié)構(gòu)：網(wǎng)絡(luò)由若干層組成，每層中有一定數(shù)量的神經(jīng)元，相鄰層中神經(jīng)元單向聯(lián)接，一般同層內(nèi)神經(jīng)元不能聯(lián)接。前向網(wǎng)絡(luò)：只有前后相鄰兩層之間神經(jīng)元相互聯(lián)接，各神經(jīng)元之間沒有反饋。每個神經(jīng)元從前一層接收輸入，發(fā)送輸出給下一層。

4.4神經(jīng)網(wǎng)絡(luò)的構(gòu)成和分類②網(wǎng)狀結(jié)構(gòu)：網(wǎng)絡(luò)中任何兩個神經(jīng)元之間都可能雙向聯(lián)接。反饋網(wǎng)絡(luò)：從輸出層到輸入層有反饋，每一個神經(jīng)元同時接收外來輸入和來自其它神經(jīng)元的反饋輸入，其中包括神經(jīng)元輸出信號引回自身輸入的自環(huán)反饋。

混合型網(wǎng)絡(luò)：前向網(wǎng)絡(luò)的同一層神經(jīng)元之間有互聯(lián)的網(wǎng)絡(luò)。4.4神經(jīng)網(wǎng)絡(luò)的構(gòu)成和分類（2）從激發(fā)函數(shù)的類型上劃分

高斯基函數(shù)神經(jīng)網(wǎng)絡(luò)、小波基函數(shù)神經(jīng)網(wǎng)絡(luò)、樣條基函數(shù)神經(jīng)網(wǎng)絡(luò)等等

（3）從網(wǎng)絡(luò)的學習方式上劃分①有導(dǎo)師學習神經(jīng)網(wǎng)絡(luò)為神經(jīng)網(wǎng)絡(luò)提供樣本數(shù)據(jù)，對網(wǎng)絡(luò)進行訓(xùn)練，使網(wǎng)絡(luò)的輸入輸出關(guān)系逼近樣本數(shù)據(jù)的輸入輸出關(guān)系。②有導(dǎo)師學習神經(jīng)網(wǎng)絡(luò)不為神經(jīng)網(wǎng)絡(luò)提供樣本數(shù)據(jù)，學習過程中網(wǎng)絡(luò)自動將輸入數(shù)據(jù)的特征提取出來。（4）從學習算法上來劃分：基于BP算法的網(wǎng)絡(luò)、基于Hebb算法的網(wǎng)絡(luò)、基于競爭式學習算法的網(wǎng)絡(luò)、基于遺傳算法的網(wǎng)絡(luò)。4.4多層前向BP神經(jīng)網(wǎng)絡(luò)最早由werbos在1974年提出的，1985年由Rumelhart再次進行發(fā)展。

多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)多層前向神經(jīng)網(wǎng)絡(luò)由輸入層、隱層（不少于1層）、輸出層組成，信號沿輸入——>輸出的方向逐層傳遞。4.4多層前向BP神經(jīng)網(wǎng)絡(luò)沿信息的傳播方向，給出網(wǎng)絡(luò)的狀態(tài)方程，用Inj(i)，Outj(i)表示第i層第j個神經(jīng)元的輸入和輸出，則各層的輸入輸出關(guān)系可描述為：第一層（輸入層）：將輸入引入網(wǎng)絡(luò)第二層（隱層）第三層（輸出層）4.4多層前向BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的學習

學習的基本思想是：誤差反傳算法調(diào)整網(wǎng)絡(luò)的權(quán)值，使網(wǎng)絡(luò)的實際輸出盡可能接近期望的輸出。假設(shè)有M個樣本:

將第k個樣本Xk輸入網(wǎng)絡(luò)，得到的網(wǎng)絡(luò)輸出為定義學習的目標函數(shù)為：4.4多層前向BP神經(jīng)網(wǎng)絡(luò)為使目標函數(shù)最小，訓(xùn)練算法是：令則4.4多層前向BP神經(jīng)網(wǎng)絡(luò)學習的步驟：（1）依次取第k組樣本，將Xk輸入網(wǎng)絡(luò)。（2）依次計算

，如果

，退出。（3）計算（4）計算（5），修正權(quán)值，返回（1）

如果樣本數(shù)少，則學習知識不夠；如果樣本多，則需計算更多的dJk/dw,，訓(xùn)練時間長。可采用隨機學習法每次以樣本中隨機選取幾個樣本，計算

dJk/dw,，調(diào)整權(quán)值。

例4.1多層前向BP網(wǎng)絡(luò)訓(xùn)練訓(xùn)練樣本SISO：SampleInput=[00.10.20.30.4];SampleOutput=[42222];網(wǎng)絡(luò)結(jié)構(gòu)：網(wǎng)絡(luò)輸入輸出關(guān)系：需訓(xùn)練的量：訓(xùn)練算法：訓(xùn)練初始參數(shù)：W1=rand(1,5);W2=rand(1,5);theta=rand(1,5);beta=rand(1,5);LearningRate1=0.2;LearningRate2=0.4;LearningRate3=0.2;LearningRate4=0.2;訓(xùn)練后參數(shù)：W1＝[-0.40598.5182-0.5994-0.1153-1.1916];W2=[0.62452.83820.66320.57833.5775];Beta=[1.6219-4.94031.60411.5145-0.3858];Theta=[1.58320.19001.54061.6665-0.1441];訓(xùn)練1000次目標函數(shù)的變化曲線：訓(xùn)練結(jié)束后神經(jīng)網(wǎng)絡(luò)的輸出與樣本的擬和情況4.4多層前向BP神經(jīng)網(wǎng)絡(luò)前向網(wǎng)絡(luò)進一步需研究的問題

局部最優(yōu)問題，（網(wǎng)絡(luò)初值選取不恰當）。學習算法收斂速度慢，Sigmaid函數(shù)本身存在無窮多閃導(dǎo)數(shù)，而BP算法只用了一次導(dǎo)數(shù)，致使收斂速度慢。網(wǎng)絡(luò)的運行是單向傳播，沒有反饋，是一個非淺性映射，而不是非淺性動力系統(tǒng)。網(wǎng)絡(luò)隱層節(jié)點個數(shù)和初始權(quán)值的選取，尚無理論指導(dǎo)。

4.5大腦自組織神經(jīng)網(wǎng)絡(luò)是一種無導(dǎo)師學習的網(wǎng)絡(luò)腦神經(jīng)科學研究表明：傳遞感覺的神經(jīng)元排列是按某種規(guī)律有序進行的，這種排列往往反映所感受的外部刺激的某些物理特征。

大腦自組織神經(jīng)網(wǎng)絡(luò)在接受外界輸入時，將會分成不同的區(qū)域，不同的區(qū)域?qū)Σ煌哪Ｊ骄哂胁煌捻憫?yīng)特征，即不同的神經(jīng)元以最佳方式響應(yīng)不同性質(zhì)的信號激勵，從而形成一種拓撲意義上的有序排列

在這種網(wǎng)絡(luò)中，輸出節(jié)點與其鄰域其他節(jié)點廣泛相連，并互相激勵。輸入節(jié)點和輸出節(jié)點之間通過強度wij(t)相連接。通過某種規(guī)則，不斷地調(diào)整wij(t)，使得在穩(wěn)定時，每一鄰域的所有節(jié)點對某種輸入具有類似的輸出，并且這種聚類的概率分布與輸入模式的概率分布相接近。

4.5大腦自組織神經(jīng)網(wǎng)絡(luò)自組織學習算法：權(quán)值初始化并選定領(lǐng)域的大小；(2)輸入模式；

(3)計算空間距離式中xi(t)是t時刻i節(jié)點的輸入，wij(t)是輸入節(jié)點i與輸出節(jié)點j的連接強度，N為輸入節(jié)點的數(shù)目；

(4)選擇節(jié)點j*，它滿足(5)按下式改變j*和其領(lǐng)域節(jié)點的連接強度

wij(t+1)=wij(t)+η(t)[xi(t)-wij(t)],j∈j*的領(lǐng)域，0≤i≤N-1

式中η(t)稱之為衰減因子。

(6)返回到第(2)步，直至滿足[xi(t)-wij(t)]2＜ε(ε為給定的誤差)。4.5大腦自組織神經(jīng)網(wǎng)絡(luò)例4.2大腦自組織網(wǎng)絡(luò)的訓(xùn)練輸入模式：X＝[x1,x2,x3]網(wǎng)絡(luò)節(jié)點數(shù)量：9鄰域：1網(wǎng)絡(luò)初始權(quán)值：W=[0.11220.01470.28160.78390.90280.82890.52080.46080.4435

0.44330.66410.26180.98620.45110.16630.71810.44530.3663

0.46680.72410.70850.47330.80450.39390.56920.08770.3025];4.5大腦自組織神經(jīng)網(wǎng)絡(luò)1.單模式訓(xùn)練情況輸入為：X=[001]結(jié)果：W=[0.11220.00000.00000.00000.90280.82890.52080.46080.44350.44330.00000.00000.00000.45110.16630.71810.44530.36630.46681.00001.00001.00000.80450.39390.56920.08770.3025]輸入為：X=[010]結(jié)果：W=[0.11220.01470.28160.78390.90280.82890.00000.00000.00000.44330.66410.26180.98620.45110.16631.00001.00001.00000.46680.72410.70850.47330.80450.39390.00000.00000.0000]4.5大腦自組織神經(jīng)網(wǎng)絡(luò)2.多模式訓(xùn)練情況100010001Input=訓(xùn)練結(jié)果：0.00000.00001.00001.00001.00000.00000.00000.00000.00000.00000.00000.00000.00000.00001.00001.00001.00001.00001.00001.00000.00000.00000.00000.00000.00000.00000.0000W＝網(wǎng)絡(luò)輸出：Output=Input*W=0.00000.00001.00001.00001.00000.00000.00000.00000.00000.00000.00000.00000.00000.00001.00001.00001.00001.00001.00001.00000.00000.00000.00000.00000.00000.00000.0000模式1模式2模式3模式2模式1模式3模式1模式2模式34.6小腦神經(jīng)網(wǎng)絡(luò)小腦模型關(guān)節(jié)控制器（CMAC）是由Albus最初于1975年基于神經(jīng)生理學提出的，它是一種基于局部逼近的簡單快速的神經(jīng)網(wǎng)絡(luò)，能夠?qū)W習任意多維非線性映射,迄今已廣泛用于許多領(lǐng)域。CMAC具有優(yōu)點：具有局部逼近能力，每次修正的權(quán)值極少，學習速度快，適合于在線學習；一定的泛化能力，相近輸入給出相近輸出，不同輸入給出不同輸出；4.6小腦神經(jīng)網(wǎng)絡(luò)CMAC的原理CMAC是一種模仿人類小腦的學習結(jié)構(gòu)。在這種技術(shù)里，每個狀態(tài)變量被量化并且輸入空間被劃分成離散狀態(tài)。量化的輸入構(gòu)成的向量指定了一個離散狀態(tài)并且被用于產(chǎn)生地址來激活聯(lián)想單元中存儲的聯(lián)想強度從而恢復(fù)這個狀態(tài)的信息。對于輸入空間大的情況，聯(lián)想單元數(shù)量巨大，為了節(jié)省存儲空間，Albus提出了hash編碼，將聯(lián)想強度存于數(shù)量大大少于聯(lián)想單元的hash單元中，聯(lián)想單元中只存儲hash單元的散列地址編碼4.6小腦神經(jīng)網(wǎng)絡(luò)CMAC的空間劃分和量化機制超立方體聯(lián)想單元“塊”4.6小腦神經(jīng)網(wǎng)絡(luò)CMAC學習的數(shù)學推導(dǎo)1)無hash映射的CMAC在CMAC中，每個量化的狀態(tài)對應(yīng)Ne個聯(lián)想單元。假設(shè)Nh是總的聯(lián)想單元的數(shù)量，該數(shù)量與沒有hash映射時的物理存儲空間大小一致。用CMAC技術(shù)，第s個狀態(tài)對應(yīng)的輸出數(shù)據(jù)ys可以被表示為：

式中W是代表存儲內(nèi)容（聯(lián)想強度）的向量，Cs是存儲單元激活向量，該向量包含Ne個1。在決定了空間的劃分方式后，對于指定的狀態(tài)，單元激活向量Cs也隨之確定。

4.6小腦神經(jīng)網(wǎng)絡(luò)2)有hash映射的CMAChash映射將幾個聯(lián)想單元和一個物理存儲位置(hash單元)相對應(yīng)。hash單元中存儲聯(lián)想強度，而此時的聯(lián)想單元是虛擬的存儲空間，只存儲hash單元的散列地址編碼。有hash映射的CMAC特別適用于存儲空間小于超立方體數(shù)量時的情況。用有hash映射的CMAC技術(shù)，第s個狀態(tài)對應(yīng)的輸出數(shù)據(jù)ys可以被表示為：式中Mp是hash單元的數(shù)量，它小于聯(lián)想單元數(shù)Nh。hij=1表示聯(lián)想單元i激活hash單元j。由于每個聯(lián)想單元僅僅和一個hash單元相對應(yīng)，所以hash矩陣H的每一行僅有一個單元等于1，其余的都等于0。

4.6小腦神經(jīng)網(wǎng)絡(luò)

沒有hash映射的公式和有hash映射的公式可以合并為一個式子：

CMAC的學習CMAC用迭代算法來訓(xùn)練聯(lián)想強度。在學習中，我們將Ns個訓(xùn)練數(shù)據(jù)重復(fù)用于學習。在第i次迭代中用第s個樣本學習的迭代算法為：

S：樣本數(shù)i：迭代次數(shù)α：學習率期望輸出4.6小腦神經(jīng)網(wǎng)絡(luò)4.6小腦神經(jīng)網(wǎng)絡(luò)例4.3CMAC訓(xùn)練樣本：SampleInput1=[0.050.150.250.35];SampleInput2=[0.050.150.250.35];SampleOutput=[4444;2222;3333;1111];量化：兩輸入均量化為四個元素ifx1>0&&x1<=0.1indexX1=1;elseifx1>0.1&&x1<=0.2indexX1=2;elseifx1>0.2&&x1<=0.3indexX1=3;elseifx1>0.3&&x1<=0.4indexX1=4;end4.6小腦神經(jīng)網(wǎng)絡(luò)狀態(tài)編號：MSTATENUM=1234567891011121314151