模糊神经网络的优点范文第1篇

【关键词】时序预测；模糊神经网络；电力负荷；预测

【Abstract】This paper proposes a short-term power load time series prediction method. The method using hybrid pi-sigma fuzzy neural network， using the periodic characteristics of the short-term power load， a Fuzzy neural network pi-sigma time-series forecast model is set up， building forecasting samples and test samples， research on short-term power load data to predict the future. The fuzzy forecast model of fuzzy subset membership can dynamically adjust online. Simulation examples show that the proposed power load forecasting method is superior to conventional temporal prediction method， has the advantages of high prediction accuracy and prediction stability， which can overcome the randomness of the neural network electricity load forecasting methods. The simulation experiment results demonstrate the effectiveness of the proposed method.

【Key words】Time-series； Fuzzy neural network； Power load； Prediction

0 引言

电力工业影响人们的生活水平和国民经济的发展，实时准确的电力负荷预测有助于电力部门经济、合理地制定各项计划，保证电网高效稳定运行，达到一定精度条件，确定将来特定时刻的负荷数据。电力负荷预测是利用电力负荷的实时信息和历史数据对未来的电力负荷进行预测，预测未来电力负荷的时空分布情况，以此来实现电力市场供求关系的均衡发展。其中负荷是指电力需求量（功率）或用电量。电力负荷预测是电力系统中一项十分重要的工作，是能量管理系统中的重要组成部分[1]。

电力负荷预测的核心工作是对大量历史数据的收集、对模型的科学建立以及对算法的合理有效采用。在以历史数据为基础的前提下进行大量的实验研究，对模型和算法加以修正，以此来反映电力负荷变化的真实规律。电力负荷一般分为城市、商业以及工业负荷等。不同负荷具有不同的特点和规律。

常用的电力负荷预测方法有：回归分析法、弹性系数法、神经网络法、专家系统法和模糊逻辑方法等。通常模糊逻辑和神经网络用于预测时会出现预测结果不确定，多次重复预测结果不同等情况。近年来，模糊逻辑和神经网络的混合得到了比较广泛的应用。

本文采用一种新型混合pi-sigma神经网络模型预测短期电力负荷。该模型有如下特点：利用新组建的时间序列样本预测电力负荷；该预测模型参数初始值是确定的；结论部分是输入变量线性组合而成；用代数计算方法取代模糊运算；并能在线调整模糊规则的隶属度函数，鲁棒性好，预测结果稳定等。

1 混合pi-sigma神经网络

混合pi-sigma神经网络预测模型是与高木-关野系统类似的一种新型模糊神经网络。可在线修正前提参数和结论参数，这项工作可以靠模糊模型辨识来完成。该模糊神经网络适用于复杂系统的模糊预测和控制[2]。各模糊子集的隶属函数均取高斯函数，以方便网络的学习。其中，模糊模型可以自动更新，能动态修正各模糊子集的隶属度函数，实现自适应模糊模型的建模，从而能比较容易地确定网络结构和相关参数，使模糊建模过程更具合理性。

1.1 网络结构

神经网络通常有三种结构，一种是只含有求和节点的前向型网络，另一种是可以实现联想记忆的反馈型网络，还有自组织网络。它们都很难处理一些复杂的问题。然而在混合pi-sigma神经网络中，在模糊推理过程中利用代数乘法取代取小运算，以一个多入/单出的混合型pi-sigma神经网络预测模型为例，结构如图1所示，其中，S、P和（・）分别表示相加、相乘和相乘的运算。

在图1中，每个输入变量的模糊子集均取为[PL、0、NL]，即正大、零、负大，这样可简化过程，又能加快计算速度。该预测模型的输入经模糊化、模糊推理、反模糊，其输出过程物理意义清楚，即知识处理过程是透明的。

1.2 模糊神经网络学习算法

设预测模型期望输出为yd，定义函数：

2 短期电力负荷的预测模型

数据来源：采用欧洲人工智能组织、国际电力负荷预测的竞赛数据进行预测研究[4]。对1998年1月1日开始的500个时序数据进行试验。即按照每天24小时每隔30min采集一个数据，产生48个数据，样本时序数据结如图2所示，该数据有一定的规律性。

混合pi-sigma模糊神经网络时序预测模型的建立：时序样本组成方法：在500个数据中，取其中第1～7个数据为该预测模型的输入，第8个数据为网络输出，使其产生133个样本，训练混合pi-sigma神经网络。因此，网络输入神经元个数为7个，即图1中的n=7，输出为一个变量。表1为数据集生成方法。

模糊神经网络隐层选取依据：每个变量有3个模糊子集，每两个变量之间的模糊取小运算有9个结果，因此，网络隐层神经元个数取9个，共计有37=2187个模糊规则。

隶属度中心c0=[c01 c02 c03]=[-15 0 15]，灵敏度参数：b0=[b01 b02 b03]=[5 5 5]，结论参数p（i）的初始值为p（i）=0.1*ones（9，1），i=0，1，2，…，7。

3 仿真实验及结果分析

在MATLAB环境中，利用上述网络预测模型进行仿真实验。参数设置：学习速率=0.005、动量因子=0.05，实验表明，学习速率对预测结果影响比动量因子大。训练误差精度0.001。用第1个～第133个样本训练模糊神经网络，预测第141个～第188个共48个数据。图3为混合pi-sigma模糊神经网络预测结果。

图3（c）中，用平均绝对百分比误差指标评价网络性能，48个数据的平均预测精度为2.0571%，最大预测精度为7.1459%。表2给出了前12个数据预测的详细记录。

采用BP神经网络工具箱预测结果：设置精度为0.001，隐层神经元数为15，即网络结构为7-15-1。平均预测精度为2. 5714%，最大预测精度为7.6062%；利用RBF神经网络工具箱预测结果：扩展因子经过调节取为26，平均预测精度为2.5193%，最大预测精度为7.2087%。比较发现，本文提出的方法均优于BP网络工具箱和RBF网络预测结果，而且本文方法的最大优势是预测结果是唯一的，即具有结果可重复性。

4 结论

本文对短期电力负荷时间序列采用混合pi-sigma神经网络进行预测，得到确定性的预测结果。该模型优点是可以在线调节模糊隶属度函数和结论参数，提高预测精度。与BP网络、RBF神经网络预测结果进行对比分析的仿真结果验证了所提出方法的有效性。

【参考文献】

[1]牛|晓，曹树华，卢建昌，赵磊.电力负荷预测技术及其应用[M].北京：中国电力出版社，2009：1-6.

模糊神经网络的优点范文第2篇

【关键词】模糊神经网络；建设工程；成本估算

当前我国建设工程的规模和数量急剧增加，在社会信息化建设的背景下，建设工程也要适应社会的需要加强建设管理部门的社会信息化建设。而工程项目的成本管理则是信息化建设的重要组成部分。原有的成本估算的方法，大多依靠工程造价管理人员的主观经验，但是在社会信息化背景下，这种估算方法已经不能满足工程建设精细化的需要，此时神经模糊网络系统结合了模糊理论和神经网络的优势开始出现，并逐渐成为当今建设工程成本估算的主要应用方法。模糊神经网络可以有效的处理非线性、模糊性的问题，拥有巨大的发展潜力。模糊神经网络主要是由人工神经系统和模糊系统结合而成。人工神经网络主要是模仿人脑的思维而形成，具有强大的自主学习和联想的能力，但是却不能很好的利用已有经验，因此存在一定的局限性。而模糊系统，可以很容易的利用已有经验，使问题推理的过程更加简捷。所以两者的结合，可以起到良好的优势互补的作用[1]。

一、模糊神经网络的基本状况

1.模糊神经网络的产生

模糊神经网络最早出现在日本，时间大致为上世纪80年代末。经过一段时间的发展，直到上世纪90年代初，欧美国家开始在此基础上加深了模糊神经网路在众领域的应用。目前模糊神经网络已经被应用到众多领域中，如工业控制领域、模式识别应用、软件估算领域等。而软件估算的应用就是本文主要探讨的应用方面。

2.模糊神经网络的特征

模糊神经网络实际上是模糊技术和人工神经技术有机结合的产物。这两种技术方法可以有效的对信息进行智能化处理。但是分开来看两者之前存在明显的优势互补的作用。具体的可以分为四个方面进行比较：（1）知识表达。模糊技术在知识的表达上具有表达清晰，便于理解的优势，而人工神经网络却存在知识表达不明确，不易理解的缺陷。（2）知识存储。模糊技术的知识存储特点是规则集中，而人工神经网络技术的存储特点则为分布式存储。（3）知识运用。模糊技术在知识的运用上具有计算量小的特点，而人工神经技术却正好相反具有计算量较大的优势。（4）知识获取。模糊技术具有不能自动获取的缺陷，而人工神经系统却可以自主进行学习 [2]。

二、模糊神经网络的建模应用

（一）模糊神经网络的设计

模糊神经网络，通常是由n个输入组合而成，并具有一定的结构特征（如图一所示）。模糊神经网络结构的设计，主要由四个层次组成。

在函数式（1）和（2）中，W1和W2可以看做是输入层到规则层的网络权值矩阵；而W2和B矩阵则可以看做是模糊子集在函数中的具体参数。此时可以对W2和B进行调节（即调节模糊子集在函数中的形状），这样做的目的是可以更好的对模糊规则进行调整。

3.推理层

每一条If-Then规则在表达上可以将其表示成在模糊集空间上的一个相关的模糊蕴涵关系。实际上模糊蕴涵具有多样的预算模式，而每一种不同的运算模式都可以对不同的模糊算子进行选择，这样便会产生多样的模糊推理规则。比较经常用到的规则通常有“乘积规则”以及“最大和最小的规则”，而再此设计中我们主要对“乘积规则”进行具体利用。具体如下所示：我们设T为模糊的算子，此时经过模糊推理的应用，可以将此层的输出表示为：

（二）网络权值调整

对模糊逻辑的参数的具体网络权值进行调整的目的，是为了更好达到输入和输出的取值。通常情况下这种调节方法被称作网络的参数训练。而常用的训练方法则为遗传算法。这种算法的形式主要是对生物进行的过程进行随机抽取的通过交叉和变异以有效减少初始值的一种具有全局性特征的优化方法，主要的实施步骤分为编码、适配度、遗传操作三个过程。

三、在建设工程成本估算中的具体应用

例如我们可以基于组合模糊神经网络，来估算某一建筑工程的成本估算。首先要采集相关的样本数据，然后经过讨论，选择出对工程成本影响较大的因素（如建筑整体面积、建设层数、装饰墙材料应用、房间构成等），将其设为X，此时可以看出建筑面积和建设的层数为一个确定的向量，设为X1，而装饰墙材料应用。

结语：

当前，有效的简化工程成本编制工作，完善成本估算数据的精确度的首要方法就是先进的成本管理手段的运用。而模糊神经网络进行工程成本估算的方法，具有简捷、精确的特性，对于弥补我国建设工程成本管理中的问题，具有重要的应用价值，需要通过我们不断的努力，使其更好的应用发展。

参考文献：

[1] 郝胜兰.基于模糊神经网络的房产软件项目成本估算研究[D].大连海事大学，2012.

模糊神经网络的优点范文第3篇

关键词：模糊控制；人工神经网络；人脸识别

中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)16-3904-03

随着人工智能技术的飞速发展，机器视觉已经成为当前人工智能研究领域的一大热点，很多国家的研究人员都开展了对机器视觉的研究，其中以机器视觉识别人脸最为困难，这主要是因为人的面部带有表情，不同的人具有不同的脸，而不同的脸具有不同的表情，不同的表情则具有不同的面部特征，如何让计算机通过机器视觉高效率的识别人脸，成为当前机器视觉和智能机器人关键技术领域的技术难题。

随着模糊逻辑控制算法和人工神经网络算法的发展，对于机器视觉识别人脸特征的算法也有了新的发展，目前多数研究算法所采用的人脸识别从实现技术上来说，主要可以分为以下几个类别：

1) 基于人脸几何特征进行的识别算法，该算法运算量较小，原理简单直观，但是识别率较低，适合应用于人群面部的分类，而不适宜于每一个人脸的识别。

2) 基于人脸特征的匹配识别算法，这种算法是预先构建常见的人脸特征以及人脸模板，构成人脸特征库，将被识别的人脸与特征库中的人脸进行逐一比对，从而实现人脸识别，该算法识别效率较高，但是应用有一定局限性，只能够识别预先设立的人脸特征库中的人脸模型，因此人脸特征库就成为该算法实现的技术关键。

3) 基于统计的人脸识别算法，该算法将人脸面部进行特征参数的划分，如两眼距离大小，五官之间距离等，通过构建统计特征参数模型实现对人脸模型的识别，该算法识别率较高，但是算法实现起来运算量比较大，且识别效率较低。

4) 基于模糊逻辑的人脸识别算法，这一类算法主要结合了模糊逻辑和神经网络能够自我训练学习的机制实现对人脸的识别，识别率较高，且算法运算量适中，但是算法的原理较难理解，且模糊逻辑控制规则的建立存在一定技术难度。

本论文主要结合模糊人工神经网络方法，将其应用于计算机人脸识别，以期从中能够找到有效可靠的人脸识别方法及其算法应用，并以此和广大同行分享。

1 模糊逻辑及人工神经网络在图像辨识中的应用可行性分析

1) 人脸识别的技术难点

由于计算机只能够认识0和1，任何数据，包括图像，都必须要转化为0和1才能够被计算机识别，这样就带来一个很复杂很棘手的问题：如何将成千上万的带有不同表情的人脸转变为数字信号并被计算机识别。由于人的面部带有表情，不同的人具有不同的脸，而不同的脸具有不同的表情，不同的表情则具有不同的面部特征，因此这些都成为了计算机识别人脸特征的技术难点，具体来说，人脸实现计算机识别的主要技术难度包括：

① 人脸表情：人有喜怒哀乐等不同表情，不同的表情具有不同的面部特征，因此如何分辨出不同表情下的人脸特征，这是首要的技术难点；

② 光线阴影的变换：由于人脸在不同光线照射下会产生阴影，而阴影敏感程度的不一也会增加计算机识别人脸特征的难度；

③ 其他因素：如人随着年龄的增长面部特征会发生些微变化，人脸部分因为装饰或者帽饰遮挡而增加识别难度，以及人脸侧面不同姿态也会对计算机识别带来技术难度。

2) 模糊人工神经网络在人脸辨识中的应用可行性

如上分析所示，计算机识别人脸，需要考虑的因素太多，并且每一种因素都不是线性化处理那么简单，为此，必须要引入新的处理技术及方法，实现计算机对人脸的高效识别。根据前人的研究表明，模糊人工神经网络算法是非常有效的识别算法。

模糊理论和神经网络技术是近年来人工智能研究较为活跃的两个领域。人工神经网络是模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的利用也较少。但缺点是它不能处理和描述模糊信息，不能很好利用已有的经验知识，特别是学习及问题的求解具有黑箱特性，其工作不具有可解释性，同时它对样本的要求较高;模糊系统相对于神经网络而言，具有推理过程容易理解、专家知识利用较好、对样本的要求较低等优点，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，很难实现自适应学习的功能，而且如何自动生成和调整隶属度函数和模糊规则，也是一个棘手的问题。如果将二者有机地结合起来，可以起到互补的效果。

模糊逻辑控制的基本原理并非传统的是与不是的二维判断逻辑，而是对被控对象进行阈值的设计与划分，根据实际值在阈值领域内的变化相应的产生动态的判断逻辑，并将逻辑判断规则进行神经网络的自我学习，逐渐实现智能判断，最终实现准确的逻辑判断。相较于传统的线性判断规则，基于模糊规则的神经网络是高度复杂的非线性网络，同时由于其广阔的神经元分布并行运算，大大提高了复杂对象（如人脸）识别计算的效率，因此，将模糊神经网络算法应用于人脸的智能识别是完全可行的。

2 基于模糊人工神经网络的人脸识别方法研究

2.1 基于模糊神经网络的人脸识别分类器设计

1) 输入、输出层的设计：针对模糊神经网络层的输入层和输出层的特点，需要对识别分类器的输入、输出层进行设计。由于使用BP神经网络作为识别分类器时，数据源的维数决定输入层节点数量，结合到人脸的计算机识别，人脸识别分类器的输入输出层，应当由人脸特征数据库的类别数决定，如果人脸数据库的类别数为m，那么输入、输出层节点数也为m，由m个神经元进行分布式并行运算，能够极大提高人脸识别的输入和输出速度。

2) 隐藏层结点数的选择：由于一般的BP神经网络都是由3层BP网络构成：输入层，隐藏层和输出层，隐层的数量越多，BP神经网络越复杂，那么最终能够实现的运算精度就越高，识别率也就越高；但是随着隐层数量的增加，随之而来的一个突出的问题就是神经网络变的复杂了，神经网络自我训练和学习的时间变长，使得识别效率相对下降，因此提高精度和提高效率是应用模糊神经网络的一个不可避免的矛盾。在这里面向人脸识别的分类器的设计中，仍然采用传统的3层BP神经网络构建人脸识别分类器，只设计一层隐层，能够在保障识别精度的前提下有效的保障神经网络学习和训练的效率，增加人脸识别的正确率。

3) 初始值的选取：在设计了3层BP神经网络的基础上，需要确定神经网络的输入初始值。由于模糊神经网络是非线性的，不但具有线性网络的全部优点，同时还具有收敛速度快等特点，而初始值的选取在很大程度上影响神经网络的学习训练时间的长短，以及是否最终能够实现收敛输出得到最优值。如果初始值太大，那么对于初始值加权运算后的输出变化率趋向于零，从而使得神经网络自我学习训练趋向于停止，最终无法得到收敛的最优值；相反，我们总是希望初始值在经过每一次加权运算后的输出都接近于零，从而能够保证每一个参与运算的神经元都能够进行调节，最终实现快速的收敛。为此，这里将人脸识别的初始值设定在[0，0.2]之间，初始运算的权值设定在[0，0.1]之间，这样都不太大的输入初始值和权值初始值能够有效的保证神经网络快速的收敛并得到最优值。

如果收敛速度太慢，则需要重新设置权值和阈值。权值和阈值由单独文件保存，再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化，训练后的权值和阈值直接导入文件。

2.2 人脸识别的神经网络训练算法步骤

1) 神经网络的逐层设计步骤：神经网络需要按层进行设计，构建信号输入层、模糊层以及输出层，同时还要构建模糊化规则库，以构建神经网络模糊算法的完整输入输出条件。具体构建人脸识别的神经网络层可以按照下述步骤执行：

Step 1，构建信号输入层，以视觉摄像头为坐标原点构建人脸识别坐标系统，这里推荐采用极坐标系统构建识别坐标系，以人脸平面所处的角度与距离作为信号的输入层，按照坐标系的变换得到神经网络信号输入的距离差值和角度差值Δρ，Δθ，作为完整的输入信号。

Step 2，构建模糊化层，将上一层信号输入层传输过来的系统人脸识别信号Δρ与Δθ进行向量传输，将模糊化层中的每一个节点直接与输入信号向量的分量相连接，并进行信号矢量化传输；同时在传输的过程中，根据模糊化规则库的条件制约，对每一个信号向量的传输都使用模糊规则，具体可以采用如下的隶属度函数来进行模糊化处理：

(1)

其中c ij 和σij分别表示隶属函数的中心和宽度。

Step 3，构建信号输出层，将模糊化层经过模糊处理之后的信号进行清晰化运算，并作为最终结果输出。

关于模糊规则库的建立，目前所用的方法都是普遍所采用的匹配模糊规则，即计算每一个传输节点在模糊规则上的适用度，适用就进行模糊化规则匹配并进行模糊化处理，不适用则忽略该模糊规则并依次向下行寻找合适的模糊规则。当所有的，模糊规则构建好之后，需要对每条规则的适用度进行归一化运算，运算方法为：

(2)

2) 人脸的识别算法按如下步骤执行：

Step 1：一个样本向量被提交给网络中的每一个神经元；

Step 2：计算它们与输入样本的相似度di；

Step 3：由竞争函数计算出竞争获胜的神经元，若获胜神经元的相似度小于等于相似度门限值ν，则计算每个神经元的奖惩系数γi，否则添加新的神经元；

Step 4：根据学习算法更新神经元或将新添加的神经元的突触权值置为x；

Step 5：学习结束后，判断是否有错误聚类存在，有则删除。

其中，

(3)

di是第i个神经元的相似度值，β为惩罚度系数，ν为相似度的门限值。γ的计算方法是对一个输入样本x，若竞争获胜神经元k的相似度dk≤ν，则获胜神经元的γk为1，其它神经元的γi=-βdi/ν，i≠k；若dk >ν，则添加新的神经元并将其突触权值置为x。

实际上，网络训练的目的是为了提高本算法的权值实用域，即更加精确的实现对人脸特征的识别，从而提高算法的人脸识别率，当训练结束后，即可输出结果。

2.3 算法仿真测试

为了验证本论文所提出的人脸识别模糊神经网络算法的有效性和可靠性，对该算法进行仿真测试，同时为了凸显该算法的有效性，将该算法与传统的BP神经网络算法进行对比仿真测试。

该测试采集样本500张人脸图片，分辨率均为128×128，测试计算机配置为双核处理器，主频2.1GHz，测试软件平台为Matlab，分别构建BP神经网络分类器与本算法的神经网络分类器，对500幅人脸图片进行算法识别测试。

如表1所示，为传统BP神经网络算法和本论文算法的仿真测试结果对比表格。

从表1所示的算法检测对比结果可以发现：传统的算法也具有人脸特征的识别，但是相较于本论文所提出的改进后的算法，本论文提出的算法具有更高的人脸特征识别率，这表明了本算法具有更好的鲁棒性，神经网络模糊算法的执行上效率更高，因而本算法是具有实用价值的，是值得推广和借鉴的。

3 结束语

传统的图像识别技术，很多是基于大规模计算的基础之上的，在运算量和运算精度之间存在着不可调和的矛盾。因人工神经网络技术其分布式信息存储和大规模自适应并行处理满足了对大数据量目标图像的实时处理要求，其高容错性又允许大量目标图像出现背景模糊和局部残缺。相对于其他方法而言，利用神经网络来解决人脸图像识别问题，神经网络对问题的先验知识要求较少，可以实现对特征空间较为复杂的划分，适用于高速并行处理系统来实现。正是这些优点决定了模糊神经网络被广泛应用于包括人脸在内的图像识别。本论文对模糊神经网络在人脸图像识别中的应用进行了算法优化设计，对于进一步提高模糊神经网络的研究与应用具有一定借鉴意义。

参考文献：

[1] 石幸利.人工神经网络的发展及其应用[J].重庆科技学院学报:自然科学版,2006(2):99-101.

[2] 胡小锋,赵辉.Visral C++/MATLAB图像处理与识别实用案例精选[M].北京:人民邮电出版社,2004.

[3] 战国科.基于人工神经网络的图像识别方法研究[D].北京:中国计量科学研究院,2007.

[4] 王丽华.基于神经网络的图像识别系统的研究[D].北京:中国石油大学,2008.

[5] 范立南,韩晓微,张广渊.图像处理与模式识别[M].北京:科学出版社,2007.

[6] 金忠.人脸图像特征抽取与维数研究[D].南京:南京理工大学,1999.

模糊神经网络的优点范文第4篇

【关键词】 T-S型模糊神经网络 储粮害虫 分类识别 Visual C++6.0

粮食的安全储藏问题是个世界性难题。据联合国粮农组织的调查统计，全世界每年粮食霉变及虫害等损失为粮食产量的8%[1]。因此，搞好粮食储藏是一项关系到国计民生的重大课题，进行储粮害虫的治理任务重大而迫切。准确地给出害虫的种类信息可为害虫的综合防治提供科学的决策依据。

模糊神经网络是模糊理论同神经网络相结合的产物，它的特点是将神经网络较强的自学习和联想能力与模糊逻辑的推理过程易理解、对样本要求较低的特点融合在一起，模糊理论和模糊系统理论上比通常意义下的模糊逻辑和神经网络更有优越性，但是很难实现自适应学习的功能。如果把神经网络引入到模糊理论中，将两者有机结合，模糊系统能够成为一种具有较强自学习能力的自适应模糊系统，采用已有神经网络的有效学习算法，并吸收模糊系统的优点，起到互补的效果。

1 T-S型模糊神经网络

1985年，T-S型模糊逻辑系统由日本的高木（Takagi）和关野（Sugeno）提出，旨在开发从给定的输入-输出数据集产生模糊规则的系统化方法，这种基于语言规则描述的模型第i条规则可写为：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精确函数。通常是输入变量x和y的多项式。当是一阶多项式时，所产生的模糊推理系统被称为一阶Sugeno模糊模型，当为常数时，即得到了零阶Sugeno模糊模型[2，3]。

专家知识被Sugeno模糊模型通过语言和数据整合到if-then规则中，基于T-S型的模糊神经网络综合了模糊系统和神经网络的特点，不但能够实现一个Sugeno模糊推理系统的功能[4，5]，实现图像的模糊输入和模糊推理，而且它能根据系统输出的期望值和实际值的差别自动生成和调整隶属度函数和模糊规则。这种模糊神经网络应用于储粮害虫分类，将更贴近于害虫特征的形成过程，能取得较好的分类结果。

本实验采用的是一阶Sugeno模糊模型，后件是一阶线性方程。其隶属函数生成层、模糊推理层为：

（1-2）

（1-3）

其中，表示生成的隶属度函数，采用的是高斯函数。为参数对，它们称为前件参数，取值情况决定了的形状。表示模糊推理层，模糊推理采用的是积运算，即各节点的输出是输入值的乘积。

反模糊化层采用一阶Sugeno模糊模型的输出。此时，令后件函数为，其模糊推理输出：

（1-4）

学习算法采用误差函数的负梯度下降方法，不断更新网络参数。第n个训练模式的误差参数，可定义为

（1-5）

其中p为输出单元的个数。

按照模糊神经网络的结构，可定义网络参数向量：

（1-6）

参数更新修正规则：

（1-7）

其中为学习速率。

网络分为4层：第1层为输入层，代表储粮害虫的特征向量输入网络；第2层为模糊化层，完成输入特征向量的模糊化，将输入的特征向量分为3个等级{小（small），中（medium），大（large）}，隶属函数为高斯函数；第3层为模糊推理层，以使对模糊化后的特征向量进行综合处理，采用积运算，第4层是输出层，它的输出值即表示属于此类的隶属度。

2 试验过程

试验过程分为学习过程和回调过程。

学习过程：（1）确定分类数为9。确定训练的矢量数据，用各分量分别代表害虫特征向量作为输入。取每类害虫的5个特征分量值作为训练数据的输入矢量，从而完备训练数据，同时确定各个输入矢量对应的各类隶属度输出，构成9个5输入单输出的模糊神经网络，每一个对应一类的隶属度输出。（2）将数据送入各自单个的网络训练，直至能模拟所有输出。

回调过程：将待分类储粮害虫的特征向量送入网络，得到各自的单个网络的输出，然后将输出归一化，得到最终的隶属度输出。

3 试验结果

利用Sugeno型模糊神经网络对6类储粮害虫进行了分类研究。试验结果如（表1）所示。

4 Visual C++6.0平台上实现识别

（图1）是在储粮害虫图像分类识别系统中对赤拟谷盗其中一个样本的识别。

5 结语

运用T-S型神经网络对储粮害虫进行分类的识别率达到95.6%，并且利用Visual C++6.0平台实现，操作简单，可读性好，具有较大的实际应用价值。

参考文献：

[1]黑龙江省大豆协会.我国粮食储藏的现况及发展趋势.http：//.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

模糊神经网络的优点范文第5篇

关键词：BP神经网络；模糊控制；模糊PID控制；隶属函数

中图分类号：TP21文献标识码：B

文章编号：1004-373X(2008)07-133-03オ

Design of Temprature Fuzzy PID Controller Based on BP Neural Network

ZHANG Yongjun,WANG Hangyu

(Xi′an Aeronauntical Polytechnic Institute，Xi′an,710089，China)

オ

Abstract：A fuzzy PID controller towards BP neural network temprature control is designed with input parameters of error and derivative of error and output parameters of PID parameters which could be regulated sensitively by a set of fuzzy disciplines.The fuzzy PID controller model and PID controller model are set up and simulated through Simulink with the final result showing better characteristics of fuzzy PID control compared with PID control such as minimal overshoot and more quick response.

Keywords：BP neural network;fuzzy control;fuzzy PID control;membership function

神经网络控制的研究始于20世纪60年代，1960年，widrow和Hoff首先把神经网络用于控制系统，Kilme和McCulloch提出了KMB神经网络模型，并在“阿波罗”登月计划中应用取得良好的效果。迄今为止，神经网络已经覆盖了控制理论中的很多问题，比如系统建模与辨识、预测控制、最优控制、自适应控制、模糊控制、专家控制等，甚至还可应用于控制有关的其他问题，比如AD转换和Lyapunov方程求解等。

1 BP神经网络与模糊控制

BP神经网络的网络结构是一个前向的多层网络，该网络中不仅含有输入层节点和输出层节点，而且还含有一层或多层的隐层节点。在BP神经网络中，同层的各神经元之间互不连接，相邻层的神经元则通过权值连接。当有信息输入BP神经网络时，信息首先由输入层节点传递到第一层的隐层节点，经过特征函数(人工神经元)作用之后，再传至下一隐层，这样一层一层传递下去，直到最终传至输出层进行输出。其间各层的激发函数要求是可微的，一般是选用S型函数。最基本的BP神经网络是包括输入层，隐层，输出层这三层节点的前馈网络，其结构如图1所示[1]。

图1 基本的BP神经网络结构图

模糊控制作为智能控制的一个重要分支，主要是模仿人的控制经验而不依赖被控对象的数学模型，因此若将模糊控制与PID控制结合起来组成模糊PID自适应控制器，使PID参数不依赖于被控对象的数学模型，并且能够动态调整PID参数以实现其优化[2]，解决BP神经网络温度控制所面临的问题。

2 模糊PID控制器的设计

对于某一BP神经网络温度控制系统，测温、内部变化及执行机构可以等效为以下传递函数G(s)=27(s+1)(s+3)3，Ю用模糊控制根据系统的反馈时刻选择适当的PID参数，实现参数动态调节，原理见图2。

图2 模糊PID控制器结构图

2.1 模糊控制器参数的论域及隶属度函数

由图2可知PID控制器的比例增益Kp、积分增益Ki和微分增益Kd作为模糊控制器的输出，系统误差e和误差变化率Δeё魑模糊控制器的输入，故系统中的模糊控制器有2个输入3个输出。

2.1.1 输入变量的论域及隶属度函数

根据实际情况，误差e和误差变化率Δe的论域都选为{负大，负中，负小，零，正小，正中，正大}，用符号表示为{NB,NM,NS,ZO,PS,PM,PB}，采用如图3所示的隶属函数。

图3 e和Δe的隶属函数

2.1.2 输出量的论域及隶属度函数

模糊控制器的输出分别为比例增益Kp、积分增益Ki和微分增益Kd，为了方便，可将其归一化为0~1之间的参数K′p和K′d，Ki可以表示为Ki=K2p/(αKd)，故模糊控制器的直接输出变量为α,K′p和K′d。И

α的论域为{S,MS,M,B}，其隶属函数为一单点隶属函数,如图4所示。

图4 α的隶属函数

K′p和K′d的隶属函数如图5所示。需要说明的是设计模糊控制器时隶属度函数并非随意确定的，如何选择隶属度函数,文献[3]中作了明确的阐述。

2.2 模糊规则

根据实际经验，对本文中工业对象的控制可以总结为一系列推理语言规则，例如：

И

if e=NB and Δe=NB then α=S,K′p=B and K′d=S

if e=NB and Δe=NM then α=S,K′p=B and K′d=S

И

将上述规则用表的形式表示出来，即模糊控制规则表，如表1~表3所示。

图5 K′p和K′d的隶属函数

表1 K′p模糊调整规则

表2 K ′d模糊调整规则

表3 α模糊调整规则

3 模糊控制器的实现及仿真

对上述模糊控制器采用直接在Simulink图形化工具平台建模并仿真。主要步骤[4,5]如下：

(1) 建立相应的模糊推理系统

首先在命令窗口输入fuzzy，回车便打开FIS的编辑器界面。添加输入输出变量并分别命名为e,ec，K′p,K′d,αР捎Mamdani推理方法。其次对输入输出变量的隶属度函数进行编辑，之后进入规则编辑器将表1~表3中的规则添加其中，最后将所建立的模糊推理系统存盘并命名为fis1，值得注意之处是存盘后还须选择‘save to workspace’项，以便在建模时能调用这个文件。

(2) 在Simulink中建模并仿真

本控制系统中由于被控对象的非线性和复杂性，PID控制器的参数是变化的，如式(1),(2)所示：

И

Kp∈[0.32KU ，0.6KU](1)

Kd∈[0.08KUTU，0.15KUTU](2)

И

其中KU=4，TU=2.9;选择一组PID参数：Kp=2.19,Kd=0.258,Ki=1.03,其对应的PID控制器传递函数为D(s)= Kp(1+1/Kis+Kds)，Ъ纯傻玫匠9PID控制器的仿真模型。作为比较，建立模糊控制器的仿真模型如图6所示，其中Matlab function 根据式(3),(4),(5)将归一化的参数转化为实际的PID参数。

图6 模糊PID及PID控制模型图

需要说明的是出于方便考虑，此处将传统PID控制器与模糊PID控制器集合在一个控制模型中，利用Simulink库中的Switch模块进行两者之间的切换。

И

Kp=( Kpmax－Kpmin)k′p+ Kpmin(3)

Kd=( Kdmax－Kdmin)k′d+ Kdmin(4)

Ki=K2p/(αKd)(5)

И

4 结 语

对上述模型进行仿真并将PID仿真结果与模糊PID控制仿真结果进行比较，如图7所示。可以发现对系统进行模糊PID控制，响应过程平稳，超调减小，响应时间也较快，性能良好。

图7 仿真结果

参 考 文 献

［1］徐丽娜.神经网络控制[M].北京：电子工业出版社,2003.

［2］张国良，曾静，柯熙政,等.模糊控制及其Matlab应用[M].西安：西安交通大学出版社,2002.

［3］戎月莉.计算机模糊控制原理及应用[M].北京：北京航空航天大学出版社,1995.

［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］曹志国，廉小亲.基于Matlab的两种模糊控制系统的仿真方法[J].计算机仿真，2004，21(3)：41-43.

［6］李建辉，武俊丽，曲秀敏，等.基于遗传算法的神经网络自适应控制器的研究[J].现代电子技术，2005，28(15)：100-101，112.

作者简介 张咏军 女，1971年出生，河南洛阳人，讲师，研究生学历，任教于西安航空职业技术学院电气工程系。主要从事电工理论、自动控制的教学与研究。