基于模糊神经网络的自整定控制系统的设计

　　0　引言

　　神经网络具有非线性映射能力、学习能力、并行处理能力和容错能力,在复杂工业对象的建模和控制领域已经得到了广泛的应用;但是单纯使用神经网络控制技术的研究有停滞不前的趋势。究其原因,除了神经网络本身的问题(如泛化能力不能够达到控制系统鲁棒性的要求)之外,最主要的原因就是神经网络的黑箱式的知识表达方式使其不能够利用先验知识进行学习。模糊逻辑具有处理不确定性的能力,但是模糊逻辑的应用也遇到了模糊规则难于确定的问题。模糊神经网络结合了模糊逻辑与神经网络的优点,避免了二者的缺点,既可以具有模糊逻辑的不确定信息处理能力,又可以有神经网络的自学习能力,因此在控制领域有很广泛的应用前景[1-2]。

　　1　模糊神经参数自整定PID控制器模型

　　模糊神经网络PID控制器模型如图1所示。

　　1·1　模糊规则前件网络

　　本文作者采用单点模糊集合的模糊化方法,每条规则的强度通过(D)层神经元的代数积运算得到,对于给定的输入向量X,可以求得每条规则的强度为

　　通过取大运算,49条规则中只有规则强度最大的第j条规则被激活,用于该采样时刻控制器的输出控制,其余48条规则不参与该时刻的控制。由于神经网络具有全局寻优的特点,所以这种近似处理并不影响控制精度,反而可以大幅度减少运算量,加快网络收敛速度。

　　1·2　模糊规则后件网络

　　网络(F)—(G)层表示规则的后件部分。(F)层实现清晰化,将规则结论部分作为(F)层调整权值和阈值的代数和,则可得清晰输出量。为了克服多层网络收敛速度慢的缺点,本文通过(G)层递归神经元接收自身一步延时输出信号实现递归运算,加快收敛速度。后件网络输出为:

　　2　模糊神经自适应PID控制器的学习算法

　　作者设计的模糊神经网络控制器FNNC本质上是一个多层前馈网络,采用改进的梯度下降法来设计调整参数,但是只调整k采样时刻被激活规则的连接权值、阈值以及隶属函数中心值和宽度,以借鉴误差反传的推理方式进行权值调整,有效克服了竞争网络非推理方式调整权值的盲目性;另一方面又可使同一分类模式的输入向量X所激活的规则的参数得到快速调整,而其余规则的参数则保持先前被激活时的调整结果,这样处理有利于参数的快速优化。显然在不同的采样时刻,随着误差e和误差变化率ec的变化, 49条规则几乎都会轮番被激活,这样每条规则的相关参数都可以轮番地被学习和优化[6-11]。同时本文运用RBF径向基神经网络作为辨识器对被控对象进行精确建模,使控制器对高阶被控对象具有更强的自适应能力,为模糊神经参数自整定PID控制器实现最优控制提供了有力保证[5]。控制系统框图如图2所示。