基于模糊神經(jīng)混合系統的自適應控制方法及其應用

模糊邏輯系統與神經(jīng)網(wǎng)絡(luò )的結合形式隨著(zhù)研究角度和應用領(lǐng)域不同而有所不同，在這類(lèi)系統中，系統本質(zhì)上還是模糊邏輯系統結構，但是可以把模糊邏輯系統看作具有網(wǎng)絡(luò )化的結構，直接利用神經(jīng)網(wǎng)絡(luò )的學(xué)習能力與映射能力來(lái)獲得模糊邏輯系統的參數或具體結構，從而使模糊邏輯系統具有自學(xué)習和自適應能力，該過(guò)程并不改變模糊系統所具有的模糊化、解模糊化和模糊推理的功能，而是利用神經(jīng)網(wǎng)絡(luò )實(shí)現隸屬函數、模糊規則的數字化處理，實(shí)現“模糊化-模糊推理-解模糊化”整個(gè)過(guò)程的“網(wǎng)絡(luò )化”，也可以用神經(jīng)網(wǎng)絡(luò )學(xué)習或聚類(lèi)的方法從輸入輸出數據中獲取規則，然后在性能指標指導下，對規則進(jìn)行調整，從而使模糊系統具有規則的自組織能力[1]。

在另外一個(gè)范疇內，可以將模糊邏輯系統與神經(jīng)網(wǎng)絡(luò )根據不同的功能、用途集成在一個(gè)系統里，模糊邏輯系統與神經(jīng)網(wǎng)絡(luò )技術(shù)在這類(lèi)系統中各自發(fā)揮自己的功能，利用各自的優(yōu)勢為實(shí)現共同的目標而實(shí)現功能結合與互補，這類(lèi)模糊邏輯系統與神經(jīng)網(wǎng)絡(luò )結合的方法稱(chēng)之為模糊神經(jīng)混合系統FNHS(Fuzzy-Neural Hybrid System)[2]。

1 基于模糊神經(jīng)混合系統的自適應控制結構

從控制角度而言，神經(jīng)網(wǎng)絡(luò )自適應控制包括直接自適應控制和間接自適應控制。間接自適應控制通常由控制器和模型兩部分組成。在線(xiàn)辨識模型，并通過(guò)模型在線(xiàn)調整神經(jīng)網(wǎng)絡(luò )控制器間接自適應控制，具有良好的適應性[3]。但是，在線(xiàn)辨識被控對象的模型存在運算量大、控制精度低等問(wèn)題，對不可重復過(guò)程與時(shí)變動(dòng)力學(xué)系統訓練困難，在實(shí)際工程控制中實(shí)用性不大。直接自適應控制是根據過(guò)程的輸出信息來(lái)控制優(yōu)化參數，不需要預先知道系統動(dòng)力學(xué)特征或在線(xiàn)辨識的模型，這也正是傳統的自適應控制所不能解決的問(wèn)題。這種控制器是直接根據控制精度設計，不需要經(jīng)過(guò)事先訓練，也不依賴(lài)于對象的辨識模型，具有良好的動(dòng)態(tài)響應性能和穩態(tài)精度，網(wǎng)絡(luò )權值的調整是隨時(shí)間關(guān)系的自適應收斂過(guò)程，常用的基于神經(jīng)網(wǎng)絡(luò )的自適應控制方式為直接逆控制、模型網(wǎng)絡(luò )參考控制。但是，這2種控制方式都存在著(zhù)較大的計算量和辨識的問(wèn)題，而且對于直接逆控制，如果系統的逆不存在了，該方法就會(huì )失效。

基于模糊神經(jīng)混合系統的自適應控制(FANNC)結合了神經(jīng)網(wǎng)絡(luò )直接自適應控制的特點(diǎn)，結構如圖1所示。由1個(gè)反饋控制器(FC)、1個(gè)神經(jīng)網(wǎng)絡(luò )控制器(NNC)和模糊推理機(FIE)組成[4]。

2 基于模糊神經(jīng)混合系統的自適應控制器的設計

分目標學(xué)習誤差由模糊推理機的一組模糊規則給出，如表1所示。表中符號PB、PM、PS、0、NS、NM、NB分別表示正大、正中、正小、零、負小、負中、負大等概念[5]。表中模糊關(guān)系不再是傳統意義上的模糊控制策略，而是每一控制周期中用于NNC訓練的分目標學(xué)習誤差。NNC在學(xué)習過(guò)程中，逐步跟蹤系統的逆動(dòng)力學(xué)，并產(chǎn)生一個(gè)自適應控制信號，使系統輸出跟蹤給定的參考信號消除的不再單純是系統的輸出誤差，而是誤差和誤差變化的綜合影響，從而避免了反饋誤差學(xué)習法可能造成的NNC的輸出產(chǎn)生振蕩或進(jìn)入飽和狀態(tài)等問(wèn)題。

為實(shí)現上述模糊推理規則，必須對模糊推理機FIE的輸入變量進(jìn)行模糊化處理，即將輸入變量從基本論域轉化到相應的模糊論域。為此，引入反饋控制器FC輸出變量μf及其變化變量μf的量化因子Kμf，Kμf。假定變量μf的基本論域為(-nfm，nfm)，模糊論域分別為(-nμf，-nμf+1，…0，…，nμf-1，nμf)，變量nf的基本論域為(-nfm，nfm)，模糊論域分別為(-nμf，-nμf+1，…0，…，nμf-1，nμf)，則量化因子Kμf，Kμf可由下式確定：

　　模糊變量Uf(k)、f(k)的論域、模糊子集及其隸屬函數的定義如圖2所示。為改善模糊推理機的輸出特性，FIE輸出變量δ論域、模糊子集及其隸屬函數的定義如圖3所示[6]。當系統偏差較大時(shí)，模糊集隸屬函數分辨率較低，FIE輸出變化比較緩慢可以保證NNC的學(xué)習比較平穩。

在控制過(guò)程中，系統根據每一采樣時(shí)刻FC的輸出信號及其變化，由圖2確定各模糊集的隸屬度，然后利用模糊推理規則如表1所示，圖3確定輸出變量所有可能的模糊截集。并以重心發(fā)模糊判決，得到分目標學(xué)習誤差，式中離散計算步長(cháng)的取值大小可能影響模糊判決的精度。