模糊算法基本原理
模糊算法基本原理范文第1篇
关键词：模糊控制；PID控制器；恒压供水；Matlab
中图分类号： TP312 文献标识码：A
1 引 言
目前恒压供水技术在农业、工业和民用供水系统中已广泛使用，由于系统的负荷变化的不确定性，采用传统的PID算法实现压力控制的动态特性指标很难收到理想的效果。在大多数恒压供水系统中采用传统意义的PID调节器，系统的动态特性指标总是不稳定，通过实际应用中的对比发现应用模糊控制理论形成的控制方案在恒压供水系统中有较好的效果。本方案在常规PID控制器基础上引入模糊控制器，实现被控制对象参数变化在一定范围内模糊PID控制，使恒压供水系统动态静态性能指标保持最优。
2 模糊控制的结构与原理
模糊控制系统是以模糊集理论，模糊语言变量和模糊逻辑推理为理论基础，采用计算机控制技术构成的一种具有闭环结构的数字控制系统，它从行为上模仿人的模糊推理和决策过程，它的组成核心是具有智能性的模糊控制器［1］。模糊逻辑控制的实质是利用模糊逻辑建立一种“自由模型”的非线性控制算法，在那些采用传统定量技术分析过程过于复杂的过程，或者提供的信息是定性的、非精确的、非确定的系统中，其控制效果是相当明显的。
模糊控制的基本原理框图如图1所示［3］。它的核心部分为模糊控制器，如图1中点划线框中所示，模糊控制器的控制规律由计算机的程序实现。实现一步模糊控制算法的过程描述如下：微机经中断采样获取被控制量的精确值，然后将此量与给定值比较得到误差信号E，一般选误差信号作为模糊控制器的一个输入量。把误差信号的精确量进行模糊化变成模糊量。误差E的模糊量可用相应的模糊语言表示，得到模糊语言集合的一个子集e（e是一个模糊矢量），再由e和模糊关系R根据推理的合成规则进行模糊决策，得到模糊控制量u。模糊控制器通常由模糊化接口、推理机、知识库和解模糊等四部分组成。
由图1可知，模糊控制系统与通常的计算机数字控制系统的主要差别是采用了模糊控制器。模糊控制器是模糊可控制的核心，一个模糊控制系统性能的优劣，主要取决于模糊控制器的结构、所采用的模糊规则、合成推理算法及模糊决策的方法等因素。
3 模糊自适应PID控制器的结构与原理
在工业生产过程中，许多被控对象受负载变化或干扰因素影响，其对象特性参数或结构易发生改变。自适应控制运用现代控制理论在线辨识对象特性参数，实时改变其控制策略，使控制系统品质指标保持在最佳范围内，但其控制效果的好坏取决于辨识模型的精确度，这对于复杂系统是非常困难的。因此，在工业生产过程中，大量采用的仍然是PID算法。PID参数的整定方法很多，但大多数都以对象特性为基础。
随着计算机技术的发展，人们利用人工智能的方法将操作人员的调整经验作为知识存入计算机中，根据现场实际情况，计算机能自动调整PID参数，这样就出现了专家PID控制器。该控制器把古典的PID控制与先进的专家系统相结合，实现系统的最佳控制。这种控制方法必须精确地确定对象模型，将操作人员(专家)长期实践积累的经验知识用控制规则模型化，并运用推理对PID参数实现最佳调整。
模糊算法基本原理范文第2篇
关键词:公路工程 造价估算 模糊数学 神经网络 模糊神经网络
中图分类号:F540.34 文献标识码:A 文章编号:1672-3791(2012)04(c)-0053-01
1 公路工程造价估算概述
1.1 公路工程造价估算的重要性
公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。
第一,公路工程造价的估算是实现工程成本控制的基础。其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。这样一来,施工企业在招标的过程中就可以有效避免中间商的欺诈以及保标等恶意行为的发生。
1.2 传统公路工程造价估算中存在的问题
尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。
2 认识模糊神经网络
2.1 模糊数学概述
(1)模糊数学的概念,我们通常说的模糊就是指一些模棱两可的、即可能又不可能、即是又不是的概念。而模糊数学就是要用数学的方法来表示那些模糊概念发生的可能性的大小,换句话讲就是明确那些模糊概念所处的状态,从而利用数学的思想来解决那些模棱两可的、不确定的实际问题。(2)模糊数学的数学描述,一般模糊数学的数学描述,多采用的是类似与集合的数学表示方法。与集合的区别就在于模糊数学在表示集合元素时需要附带一个称为隶属函数值的参数,其中该参数的值是隶属函数与元素的值进行运算的结果。
2.2 神经网络概述
(1)神经网络的概念,所谓的神经网络是一个借鉴物理和生物技术来实现的用来模仿人类大脑神经细胞结构和功能的系统,与人类的大脑结构相似,它也由大量的模拟神经元所组成的,而且这些神经元之间相互连接,并行工作,作为一个系统协同完成一系列复杂的信息处理活动。(2)神经网络的基本原理,神经网络在结构和功能上都是模拟人脑的神经系统来进行设计和实现的,它同时作为模拟生物神经元的一种计算方法,其基本原理是这样的,与生物神经元的基本原理相似,用那些具有突的网络结点来接受信息,并不断的将接受到的信息累加起来,这些信息有些是抑制神经元,有些则是激发神经元,对于那些激发神经元,一旦积累到一定的阈值后,相应的神经元便会被激活,被激活的神经元就会沿其称为轴突的部件向其它神经元传递信息,并完成信息的处理。
2.3 模糊神经网络概述
模糊神经网络是模糊数学和神经网络有效结合的应用研究成果。其中在模糊神经网络中模糊数学的应用体现在它可以根据那些假定的隶属函数以及相应的规律,用逻辑推理的方法去处理各种模糊的信息。
3 模糊神经网络在公路工程造价估算中的应用
3.1 基于模糊神经网络的公路工程造价估算方法的实现
基于模糊神经网络的公路工程造价估算方法的实现过程如下。
第一,构建已施工公路工程的造价信息库,其中包括应经施工的公路工程的各种特征因素以及工程造价等其他各方面的材料。
第二,结合拟建工程的施工需求来确定其包括评价指标等在内的各种特征因素的数据取值。
第三,按照模糊数学的思想法在已施工公路工程的造价信息库中选取若干个(至少三个)与拟建工程最相似的已施工的工程,将其作为神经网络进行学习和训练的基础数据。其中,将信息库中公路工程的各种特征因素值的隶属度作为神经网络的输入向量,信息库中公路工程的造价值作为神经网络的输出向量。
第四,将拟建公路工程的各种特征因素值的隶属度作为神经网络的输入向量,通过神经网络的学习后所得到的输出向量即为拟建公路工程的造价估算值。
第五,建立公路施工工程造价信息数据,编制神经网络学习的算法通用程序。将学习训练的基础数据输入神经网络,然后合理设计学习率,经过一定次数的迭代运算,有效提高公路工程造价估算结果的精度。
3.2 基于模糊神经网络的公路工程造价估算方法的优点
该方法的优点可以概括为如下几点。
第一,模糊神经网络中所采用的模糊数学可以对公路工程造价估算中的模糊信息进行有效的处理,通过对已竣工的公路工程和计划施工的公路工程的相似度进行定量化描述,从而使模糊的公路工程造价问题得以模型化。
第二,基于模糊神经网络的公路工程造价估算方法的估算结果科学合理,因为该方法采用的是基于数学模型的数学计算分析,所以其结果受人为因素的影响较小。
第三,模糊神经网络中所采用的神经网络模型对公路工程造价的估算具有很好的适应性,与传统的造价估算方法相比,该方法能更好的适应公路工程造价的动态变化。
第四,基于模糊神经网络的公路工程造价估算方法是借助计算机来完成的,所以还具有运算速度快和运算精度高的优点。
4 结语
由于影响公路工程造价的因素比较多,而且各因素的构成比较复杂,计算相对繁琐,所以公路工程的造价估算具有很大的模糊性。对于使用传统的工程造价估算方法而言,公路工程造价的估算将是一项非常复杂的工作。然而结合模糊数学和神经网络的理论思想,利用工程之间所存在的相似性,使用基于模糊神经网络的公路工程造价估算方法可以迅速的得出精确的工程造价估算结果。
模糊算法基本原理范文第3篇
【摘要】最优特征子集选择即是从大量已知的文本特征集合中选择出最能代表文本分类模式的特征的过程。但是由于遗传算法固有的一些属性，使得遗传算法在应用过程中存在一些问题.例如，初始设置参数值的不合理以及参数值不能随着搜索过程而的进行变化。为此本文引入模糊逻辑控制遗传参数设置的思想，实验证明，使用模糊控制器进行参数控制对寻找最优特征子集是可行的。
【关键词】最优特征子集；遗传算法；模糊逻辑
1 引言
随着网络信息在各种领域的不断发展，各种各样的网络信息使人们应接不暇。这就需要我们对网络进行过滤和选择，去除一些不良信息和垃圾信息，净化网络空间。网络信息过滤是解决这一问题的有效方法之一。
由于遗传算法在初始设置参数（交叉率、变异率、种群规模）时存在盲目性和不合理性，导致不能正确找到最优特征子集。为解决这一问题，本文提出了基于模糊理论思想的模糊遗传算法（Fuzzy-GA）。设计给出了一种模糊遗传算法，并将其应用于最优特征子集选择。
2 最优特征子集问题
最优特征子集问题（OFSS）实质上就是对原始特征空间进行降维，特征子集越小，对分类贡献就越大，就越能代表分类问题，这样就可以大大提高了分类精度，使搜索能力得到显著提高。
3 模糊遗传算法求解文本最优特征子集的关键技术
遗传算法是一种的搜索策略，从代表问题的可能潜在解集的一个种群开始的，而一个种群则由经过基因和编码的一定数目的个体组成，然后经过遗传操作选择、交叉和变异产生出新的解集种群，使后生代种群比前代更加适应于环境，然后再把末代种群中的最优个体进行解码输出，即可得到问题的最优解。
4 基于模糊逻辑的遗传算法
4.1 基于模糊逻辑的遗传算法介绍。遗传参数当中的交叉率，变异率及种群规模是实现遗传算法搜索的重要参数。因此他们的设置是否合理直接影响到遗传算法搜索的性能。
4.2 模糊控制器设计思想。由于遗传参数在遗传算法优化过程中非常重要，代表了遗传进程的好坏以及是否能够达到最优解。 交叉率和变异率的变化受多种因素的影响，在进化早期，由于种群数量低 ，可适当的增大变异率，以保持种群的多样性。
一个模糊逻辑控制器一般四部分组成：规则库、模糊化环节、推理机、反模糊化环节，如下图所示：
图： 模糊逻辑控制器一般结构
在其中模糊控制规则是模糊控制器的核心。根据已有的知识与经验将分析归纳后的输入、输出变量用模糊语言来进行描述，得到的模糊语言集合就是模糊控制规则。模糊控制规则的生成有以下四种方法：
1）根据专家经验或过程控制知识生成；
2）根据过程模糊建模生成；
3）根据对手工控制操作的系统观察和测量生成；
4）根据学习算法生成。
根据它们之间的关联就能简要的得出这三种因素控制交叉率和变异率的控制语言描述：
1）遗传环境，则交叉率，变异率
2）遗传环境，则交叉率，变异率
3）种群数量，则交叉率 ，变异率
4）种群数量，则交叉率 ，变异率
5）适应度 ，则交叉率 ，变异率
6）适应度 ，则交叉率 ，变异率
其中 表示增大或优良； 表示降低或恶劣
5 实验结果分析
针对以上提出的模糊遗传思想，为证明其有效性，根据其算法思想我们进行了一般遗传算法和模糊遗传之间的试验比较。首先选择使用的文本库，共选择2000篇文本，从中随机选择1000篇文本作为训练集，再选出500篇作为测试集，，使用查全率与准确率来评价算法的有效性，在实验中处理的是经过切词（去掉停用词，低频词，无用词）以后的原始特征向量空间，，比较结果如下：
算法比较 查全率 准确率
GA 85.32% 85.02%
FGA 90.31% 93.20%
6 结论
本文根据遗传算法进化特点及各种操作的性质，将遗传操作与文本特征选择进行结合，并将模糊逻辑思想应用到遗传操作中，设计出基于模糊运算思想的模糊控制器来动态调节交叉率和变异率——即模糊遗传算法。经试验结果表明，使用模糊遗传操作进行文本的特征选择要比传统遗传算法的收敛性能要更加优良，提高了在进化过程中遗传参数环境的能力。
参考文献
[1] 李欣，王科俊，李国斌，金鸿章.模糊遗传算法综述.黑龙江自动化技术与应用[J].1998，3：16-19.
[2] 王兴成，郑紫薇，贾欣乐.模糊遗传算法及其应用研究.计算机技术与自动化[J]2000，19（2）：5-9.
模糊算法基本原理范文第4篇
关键词:模糊聚类;神经网络;选址决策
中图分类号:TP18文献标识码:A 文章编号:1009-3044(2009)33-9328-04
Multiple Logistic Distribution Center Allocation Strategy Based on Fuzzy Clustering Neural Network
CAO Xue-hua
(Jiangyin Polytechnic College,Jiangyin 214405, China)
Abstract: In this paper a novel multiple logistic distribution center allocation strategy is proposed. Via constructing an effective fuzzy clustering neural network algorithm, the new strategy could achieve multiple candidate distribution center's estimated fitness value, as well as the standard distribution center's reference guideline system, and multiple candidate distribution center's subjection degree to the standard center. The application of the algorithm shows that the new algorithm has better performance in stable convergence rate, convergence speed, and threshold sensitivity. The result illuminates that the proposed algorithm provides more efficient and more stable application worthiness.
Key words: fuzzy clustering; neural network; allocation strategy
1 概述
随着我国经济的快速增长和市场经济体系的建立,各类经济实体之间的经济交往日益频繁,消费需求特性发生了很大的变化,多品种、多批次、小批量的个性化需求成为主流,对相应的物流活动提出很高的要求。为了满足消费者的多样化需求,降低成本、提高效率和敏捷化程度,产品的物流过程已逐步从传统的资源供应点直接到需求点,演变为资源供应点到公共物流中心再到需求点。物流配送中心在物流网络中处于重要的枢纽地位,是实现物流活动集约化、现代化和低成本化的战略据点。由于物流配送中心建设投资大、涉及因素多、服务周期长、效应长且风险大,中心选址是否合理直接影响到物流系统的顺畅性、运营效率。
长期以来,科研人员对此问题从不同的角度进行了研究,建立了许多的模型和算法。如模糊综合评判法、层次分析法以及结合层次法的模糊排序方法等。但这些方法也有一些缺点。利用模糊综合评判法,其指标权重难以确定;专家打分法确定权重,人为因素又过重;利用层次分析法确定权重可以弱化人为因素,但是层次分析法要求指标的层次结构系统中的要素互相独立,但这些指标之间却往往存在依赖关系,如地价和运输条件、政府政策和经营环境等。而且以上方法只能对单一的配送中心进行辅助选址决策,对于多个物流中心同时进行选址规划的情况,是无能为力的。
本文利用模糊聚类神经网络的方法,既可以同时得到现有侯选中心的优劣评价值,标准物流配送中心的参考指标体系,和现有多个侯选配送中心相对于标准中心的权重。从而对多物流配送中心选址决策进行有效辅助决策。
后绪章节是这样组织的,第2部分讲述了模糊聚类的原理,第3部分讲述了利用模糊聚类神经网络实现配送中心选址决策的算法,然后是物流配送中心选址决策的设计和结果,最后是总结。
2 模糊聚类
模糊聚类能确定样本属于各个类别的不确定性程度,表达了样本类别的概率偏向,更客观地反映现实世界的聚类规则,因而目前广泛应用于辅助决策、模式识别、图象处理、系统建模等领域。
目前,针对不同的应用领域,根据不同的理论已经提出了许多模糊聚类算法和实现途径。基于无监督学习的模糊聚类算法被广泛应用于对未知样本进行自适应的学习,其中最著名的是FCM算法[1],算法的实现是采用基于目标函数的方法,该方法设计简单、解决问题的范围广,最终可以转化为优化问题求解,易于计算机实现。
基于目标函数的模糊聚类主要是利用模式集O的观测值X={x1,x2,…,xN}与聚类原型特征值V={vi, 1≤i≤c}之间的距离构造一个目标函数,然后通过优化这一带约束的非线性规划问题获得最佳的模糊c-划分。算法的实现途径主要有基于交替优化(AO)、神经网络(NN)和进化计算(EC)等方法。
模糊聚类问题用数学语言描述:把一组给定的模式X={x1,x2,…,xN}划分为c个模糊子集(聚类)S1,S2,…,Sc。如果用μik(1≤i≤C, 1≤k≤N)表示模式xk隶属于模糊子集Si的程度,那么就得到了这组模式的模糊c-划分U={μik|1≤i≤c, 1≤k≤n }。假定每个模糊子集Si(1≤i≤c)都有一个典型模式vi,又称聚类原型或聚类中心,这样任一模式xk与模糊子集Si的相似性可以通过模式ok与聚类原型vi间的失真度dik=D(xk, vi)来度量。
模糊C-均值聚类算法的目标函数为原始输入空间类内加权平方误差,公式如下:
(1)
约束条件为:
(2)
m为模糊加权参数,又称为平滑因子,控制着模式在模糊类间的分享程度,目前一般根据应用领域的经验在[1,5]之间取值。
应用拉格朗日乘子法求解min(Jm(U,V)),可得模糊聚类结果公式:
(3)
(4)
可见,利用模糊聚类,可以同时得到聚类中心及输入空间各原始向量对聚类中心的隶属程度。
3 多物流配送中心选址决策算法
物流配送中心的选址通常是在一定的原则,如降低成本原则、经济效益原则、提高客户服务水平等原则的指导下,预先选择一些方案,然后再通过各种方法对这些方案进行比较,最终从中选出满意的一个或几个方案作为新的中心的地址。配送中心选址的影响因素很多,一般应根据物流学的原理,结合自身的实际情况,选择其中较重要的一些因素,作为指导决策的指标。这样,一组因素的组合,就是一个待选方案。
本文采用模糊聚类神经网络的方法对方案进行比较,得到理想方案。首先,根据已有配送中心选址方案和专家经验得到一个模糊评价矩阵,然后,用模糊评价矩阵训练神经网络,一旦神经网络的结果达到了专家评价一样的效果,则说明此神经网络经过有指导的机器学习,已具备了对方案优劣进行正确判断的能力,则此神经网络就可用来对侯选的配送中心地址方案进行判断,辅助选址决策。
具体思路是,根据FCM算法,用已有配送中心方案做为原始训练用输入向量,用专家经验设置聚类中心的初始值,用已建立的模糊评价矩阵中的专家评价值和当前系统实际输出评价值之间的误差作为网络误差不断训练直至误差小于特定阈值,可以得到使网络误差最小的若干聚类中心和相应隶属度矩阵和方案评价值。也就是说,此时的神经网络已具备了专家一样的评价能力,不但能对方案进行评价,同时还得到了若干标准配送中心的参考标准指标体系,和现有配送中心相对于标准中心的权重。
由于客观环境的限制,以上标准指标体系只是一种参考,但由于同时得到了方案评价值和方案相对于标准中心的权重,使本文提出的多中心选址决策相对于现有的决策算法有更高效、实用、简便的特性。
神经网络训练好以后,用侯选配送中心方案做为测试用输入向量,用已训练好的聚类中心计算相应隶属度矩阵,就实现了对侯选方案进行评价,同时还得到多个侯选方案相对于标准中心的权重。从而实现了多物流配送中心的选址决策。
3.1 建立模糊评价矩阵
设配送中心选址考虑八个因素:地质条件,水文条件. 交通运输,候选地地价,候选地面积. 经营环境. 通讯条件. 道路设施。搜集已有的正在运营的配送中心的关于此8个关键指标的详细历史数据资料,根据专家经验对这些已有方案进行优劣打分,就可以得到训练用的模糊评价矩阵,见表1。
3.2 建立模糊聚类神经网络
根据神经网络的有教师指导的机器学习原理和模糊聚类的原则,设计了如下模糊聚类神经网络实现之。整个神经网络系统由2部分组成,第1部分是神经网络模糊聚类器,第2部分是系统输出合成。
3.2.1 神经网络模糊聚类器
神经网络模糊聚类器是1个3层BP神经网络,其结构如图1。输入层由P个节点组成,表示输入向量的P个分量。隐含层和输出层都由C个节点组成。
输入层到隐含层的传递函数由Dik=xk-vi 2实现,表示输入向量与第i个聚类中心的偏差距离,输入层到隐含层1的连接权定义为该隐含节点所代表的vi。
隐含层的输出直接无权连接到输出层,输出层的输出U代表输入向量对某类别的隶属度,传递函数由公式3实现。
3.2.2 系统输出合成
由模糊聚类器得到了输入向量对各聚类模式的隶属度矩阵后,系统的整体输出为下式:
(5)
将其代入公式6,用于神经网络训练时的误差控制。
总结模糊聚类神经网络(FCNN)的整体结构如图2。
3.3模糊聚类神经网络训练算法实现模糊评价体系的机器学习
根据以上的构建,算法中需要优化的参数包括聚类中心,结合神经网络训练特点,得到模糊聚类神经网络算法如下:
1)根据专家经验,初始化聚类中心vi。
2)利用带冲量项的神经网络梯度下降训练算法迭代更新vi。
3)根据vi,利用公式3,计算uik。
4)重复2,3直至神经网络误差函数小于特定阈值,误差函数定义如下:
(6)
其中tk即表1中的专家评价值。
4 算法在物流中心选址决策中的应用设计及分析
本文采用的数据是物流配送中心选址的一个标准数据集,见表1。数据集包含10组不同的方案,每组方案包含8个决定配送中心选址的关键因素和专家对此方案的打分。根据专家经验将方案归为3个不同的聚类模式。
将此数据集分别作为训练数据集应用在模糊聚类神经网络进行计算,采用上面的神经网络构造和训练算法。
表2对比给出了网络合理收敛时对方案的评价值和表1中专家的评价值。
可见,神经网络通过学习达到了与专家几乎相同的评价能力。
表3给出了模糊聚类神经网络得到的3个聚类中心,作为标准中心的参考指标体系。
图3,4是FCNN算法合理收敛的典型误差变化曲线。
表4总结了算法合理收敛时的性能参数。
表4
可以看出,FCNN算法一般迭代100次就可以达到较好的收敛和逼近,而且适应于较大的初始误差范围,也就是说,算法对不同的初始误差不敏感,算法对初值不敏感。由此可见,FCNN算法在收敛稳定性,收敛速度,初值敏感性方面都有较好的表现。
因此,将表5所示的侯选物流配送地址方案作为神经网络的输入向量,应用已得到的聚类中心vi, 利用公式3,计算得输出评价和各侯选方案对标准中心的权重如表6,7。
经过已训练好的神经网络计算,得到评价值如表6。
综合应用表6,7,可以实现对多哥侯选物流配送中心地址的判别,辅助选址决策。
5 结束语
本文针对传统选址决策的局限,提出了利用模糊聚类神经网络实现多物流配送中心的选址决策,算法同时得到现有侯选中心的优劣评价值,标准物流配送中心的参考指标体系、现有多个侯选配送中心相对于标准中心的权重。并构造了一种有效的模糊聚类神经网络实现算法。将算法应用在物流配送中心选址决策的结果表明,算法在有效收敛稳定性、收敛速度、初值敏感性等方面都有良好效果。说明本文提出的决策算法高效、实用、简洁的应用特性,具备先进稳定的实用效果。
参考文献:
[1] Witold Pedrycz,George Vukovich.Logic-oriented Fuzzy Clustering[J].Pattern Recognition Letters,2002,vol,23,pp.1515-1527.
[2] 何丕廉,侯越先.模糊聚类神经网络的非对称学习[J].计算机应用与发展,2001,38(3):296-301.
[3] 邓赵红,王士同.鲁棒性的模糊聚类神经网络[J].软件学报,2005,16(8):1415-1422.
[4] 韩庆兰,梅运先.基于BP人工神经网络的物流配送中心选址决策[J].中国软科学,2006,6:140-143.
[5] Bart Kosko.Fuzzy Engineering[M].黄崇福,译.西安:西安交通大学出版社,1996,118-126,60-72.
[6] A.Staiano, R.Tagliaferri, W.Pedrycz.Improving RBF networks performance in regression tasks by means of a supervised fuzzy clustering[J]. Neurocomputing,2006, vol.69, pp. 1570-1581.
模糊算法基本原理范文第5篇
【关键词】PID控制;BP神经网络;模糊PID控制
Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.
Keywords：PID control;BP neural network;Fuzzy PID control
1.引言
常规PID在控制领域被广泛应用，利用数学算法来整定参数。而且随着控制系统的复杂，被控对象很难建立数学模型，人们开始探索新的控制方式。模糊控制不要求掌握被控对象的精确的数学模型，根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。在一般的模糊系统设计中，规则是由经验丰富的专业人员以语言的方式表达出来的。但对于某些问题即使是很有经验的专业人员也很难将他们的经验总结、归纳为一些比较明确而简化的规则。在这种情况下，就可以应用神经网络的方法，依靠BP神经网络的自学习功能，实现模糊控制的神经、模糊融合技术，并借助其并行分布的结构来估计输入到输出的映射关系，直接从原始的工作数据中归纳出若干控制规则。从而为模糊系统建立起行之有效的决策规则。
2.PID控制器原理
2.1 PID控制的微分方程
PID控制器是一种线性控制器，它将给定值r（t）与实际输出值c（t）的偏差的比例（p）、积分（I）、微分（D）通过线性组合构成控制量，对控制对象进行控制。
式中：
2.2 PID控制器各环节的作用
（1）比例环节：及时成比例地反应控制系统的偏差信号e（t），偏差一旦产生，控制器立即产生控制作用以减小偏差。
（2）积分环节：积分作用会使系统稳定性下降，Kd大会使系统不稳定，但能消除静态误差。
（3）微分环节：能反应偏差信号的变化趋势，并能在偏差信号值变得太大之前，在系统中引入一个早期修正信号，从而加快系统的动作速度，减小调节时间。Kd偏大时，超调较大，调节时间短;Kd偏小时，超调量也较大，调节时间长;只有Kd合适时才能超调小，时间短。
3.BP神经网络与模糊控制
模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。如何让机器像人一样识别、理解模糊规则并进行模糊逻辑推理，最终得出新的结论并实现自动控制是模糊控制研究的主要内容。模糊控制器的基本结构如图1所示。
图1 模糊控制结构
人工神经网络是由大量人工神经元经广泛互连二组成的，它可用来模拟脑神经系统的结构和功能。人工神经网络可以看成是以人工神经元为节点，用有向加权弧连接起来的有向图。BP网络是一种利用误差反向传播训练算法的神经网络，是一种有隐含层的多层前馈网络，系统地解决了多层网络中隐含单元连接权的学习问题。BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。其结构如图2所示。
图2中隐含层第一层神经元为7个，分别对应7个模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二层49个神经元代表49条规则。第三层7个神经元代表输出的7个模糊子集。模糊控制不依靠对象的数学模型，但模糊规则的建立需要人工经验。采用BP算法对工程经验和专家经验的模糊规则进行训练，其实就是把模糊规则用神经网络来表示，即经过神经网络的学习，将模糊规则以加权系数的形式表现出来，规则的生成就转化为加权系数的确定和修改。
神经网络是大规模并行运算，但由于网络结构复杂，训练和学习需要大量的时间，所以目前还无法实现实时控制。在具体应用中，我们是先离线将神经网络的各层权值和阈值训练出来，将其参数固定下来，然后将有系统检测、计算得到的误差变化直接代入非线性映射关系中，由计算机算出控制量，再用作被控对象。在matlab下以、、为输出的BP网络仿真训练如图3、图4、图5所示。
4.模糊PID控制器的原理与仿真
对于某一BP神经网络控制系统，其中内部变化及被控对象的数学模型为：
利用模糊控制对PID参数实现在线调节，原理如图6。
图6 模糊PID控制原理图
采用Z-N法和试凑法相结合，借助MATLAB的SIMULINK平台，对被控对象进行常规PID仿真。参数值：kp=15，ki=6，kd=0.05。如图7。作为比较，建立模糊PID控制器的仿真模型如图8。
图9、图10分别为被控对象G（s）在阶跃输入下常规PID和模糊PID仿真结果的比较。
经过仿真发现，常规PID控制缺点是超调量大，调节时间长，动态性能差。优点是控制精度高，稳定性能好。模糊控制动态性能很好，上升速度快，基本无超调。但由于模糊化所造成的稳态误差，在没有积分环节的情况下很难消除，故稳态性能差。模糊PID继承了二者的优点，摒弃二者缺点，具有更全面优良的控制性能。
5.结论
针对大滞后、慢时变、非线性的复杂系统，提出了一种基于BP神经网络的模糊PID控制算法，该算法不依赖被控对象的精确数学模型，可实现在线自调整模糊规则，从而增强了模糊控制器的自学习能力。通过算法的仿真研究，验证了算法的可行性。
参考文献
[1]李华.计算机控制系统[M].北京：机械工业出版社，2007.
[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.
[3]蔡自兴.智能控制[M].北京：电子工业出版社，2003.
[4]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.
[5]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.
[6]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2003.
[7]刘玲.三容水箱的单神经元自适应PID控制研究[J].信息技术，2005，3（8）：32-137.
