基于混合学习算法的模糊神经网络控制系统

基于混合学习算法的模糊神经网络控制系统
  刘美俊
厦门理工学院电子与电气工程系（厦门 361024）
摘要：针对复杂非线性系统在控制过程中的不确定性及参数的时变性，设计了一种模糊神经自适应预测控制系统，通过误差补偿以提高预测控制的精度；对模糊神经网络（FNN）的学习算法进行了研究，利用遗传算法的全局搜索能力对FNN控制器参数进行离线优化，并对遗传操作进行了改进，使其最终搜索到全局最优或近似全局最优的附近，再利用BP算法的局部搜索能力和对对象的适应能力，进一步对参数进行在线调整。这样使系统具有更高的学习精度和更快的收敛速度，所得的FNN具有良好的泛化性能。仿真结果证明了本方法的有效性。
关键词：模糊控制  神经网络  混合算法  自适应预测控制   仿真
A FUZZY NEURAL NETWORK CONTROL SYSTEM BASED ON HYBRID LEARNING ALGORITHMS
LIU Mei-jun
  （Department.of Electronic and Electrical Engineering.,Xiamen University of Technology, Xiamen  China 361024）
ABSTRACT: For a class of complex nonlinear system with uncertainty and time-varying parameters in the process control,an adaptive predictive control system based on fuzzy neural network has been developed. using the error-compensation ,the accuracy of the system was improved; researching the algorithms of fuzzy neural network(FNN), an optimal or suboptimal spot is found by the optimization of fuzzy network ‚s parameters using the global searching ability of genetic algorithms.the BP algorithms ability of local searching and adaptation to object is used to adjust the parameters further. So the system owns more accurate precision and faster convergent speed ,and the FNN obtained has excellent performance of generalization.A simulation example demonstrates the efficiency of the method.
KEY WORDS: Fuzzy control, Neural network, Hybrid algorithms, self-adaptive control. Simulation
1 引言
近年来，非线性动态系统的自适应控制是一个十分活跃的研究领域[1,2]，模糊神经网络控制作为一个重要的自适应方案得到了广泛研究[3]。模糊逻辑模仿人脑的逻辑思维，用于处理对象未知或不精确的系统；神经网络模仿人脑神经元的功能，可作为一般的函数估计器，映射系统输入与输出的关系。模糊系统和神经网络相互融合，构造成各种模糊神经网络，作为模糊信息处理单元以实现模糊信息的自动化处理。但常规的模糊神经网络在设计过程中往往存在技术上的困难，其控制精度及学习能力需进一步提高。同时由神经网络设计的控制器往往不是全局最优，这主要是由于BP算法本身存在的易收敛于局部极小值所致[4,5]。
遗传算法是1975年由J.Holland教授提出的一种模仿生物进化原理的随机搜索算法，自问世以来已经在函数优化、模式识别、图像处理、人工智能等许多领域得到了成功的应用。遗传算法的主要特点是群体探索策略和群体中个体之间的信息交换、搜索不依赖于梯度信息，具有较强的自适应性、鲁棒性和全局搜索能力，因而在非线性函数优化问题的应用上受到了广泛重视。但是遗传算法也存在着接近最优解时搜索效率下降以及可能过早进入未成熟收敛的缺点。
为了克服上述缺点，本文提出了一种结构化的模糊神经网络，并设计了一种自适应预测
控制方案，采用遗传算法和BP算法相结合的混合学习算法，取得了较好的控制精度和非线性处理能力。