论文部分内容阅读
智能控制是一门新兴的交叉学科,模糊逻辑和神经网络正是该学科发展和研究的关键技术内容.在最近的几年中,我们已经看到模糊逻辑和神经网络以各自的优势进行相互渗透,所形成的模糊神经系统在各种优化技术的配合下,其应用在数量和种类上都得到迅速的增长,其范围涉及到各行各业.模糊神经系统在智能系统的概念和设计中起到越来越大的重要作用.首先,通过对模糊控制特点的分析,提出了基于Mamdani和Takagi-Sugeno(简称T-S)两种模糊推理模型,并以小车倒立摆系统为被控对象进行仿真,获得了较好的控制.但是,T-S推理系统比Mamdani推理系统表示简单,便于数学分析,更易于计算机实现.其次,通过对神经网络特点的分析,提出了两种神经网络控制方案,即神经自校正控制和神经PID控制.神经自校正控制和神经PID控制系统采用了基于神经网络的模型预测和辨识技术,依靠辨识过程模型参数来修正控制器的参数,具有较强的自适应能力和鲁棒性.仿真结果表明神经自校正控制比较平滑,超调较小,而神经PID控制超调较大,但调节时间稍短.最后,讨论了自适应模糊神经网络和自组织竞争网络优化模糊神经网络的设计方法及应用.前者运用一种基于Takagi-Sugeno模型(或简称Sugeon模型)的自适应神经模糊推理结构,对倒立摆系统进行仿真,获得了较好的控制性能.但是,随着输入变量的增多和模糊分割数的增加,模糊空间的状态数将会呈现爆炸性的增长,在进行训练时,计算量将非常大,因此,该文提出一种运用自组织竞争神经网络来优化模糊神经网络结构、并采用遗传算法来训练模糊神经网络的连接权参数,获得同时具有最佳结构和权值的模糊神经网络,竞争训练前后的控制效果的对比证明了所提方法的有效性.仿真结果表明GAFNN控制器具有更好的控制性能,它具有收敛速度快、鲁棒性强、动态特性好等特点.