模糊神经网络优缺点范文第1篇

【关键词】电力系统自动化；智能技术；应用探析

一、电力系统的自动化

电力系统是拥有非线性以及时变性特点的动态巨维系统，它包括无法实现建模的动态部分以及参数的不确定性，而电力系统自动化也称之为电工进行的第二次系统，它主要是指在进行自动化中通过拥有控制能力、决策能力以及自动检测能力的工具达到自动调节、协调、控制以及监视的作用，它的工作原理是利用一定能力的设备，比如信号系统或者数据传输系统，进行远程或者就地的监视电力系统中的局部安全、各个元件安全以及全系统的安全。

二、智能技术在电力系统自动化中的应用

（1）综合智能控制。综合智能控制顾名思义也就是技术与技术的相结合，未来的电力系统自动化中应用会比较多的有模糊逻辑控制和专家系统控制的相结合、专家系统控制和神经网络控制的相结合、自动化适应控制和模糊逻辑控制以及神经网络控制的相结合、模糊逻辑控制和神经网络控制的相结合。其中模糊逻辑控制可以很好地进行结构化知识的有效处理，而神经网络控制可以很好地进行非结构化知识的有效处理，这两者的相结合从各种角度来看更加有利于智能技术的发展，成功的把双方的缺点都弥补起来。在这功能中模糊逻辑控制主要是处理一些方向不定的问题，而人工神经网络主要是进行一些比较低层次的计算以及应用，这两者之间的技术能起到相互补充彼此不足的作用，从而直接避免了单独功能所造成无法弥补的缺陷性，让智能技术在电力系统自动控制中得到更好的应用。（2）模糊逻辑控制。模糊逻辑控制主要是采取了一种模糊的宏观控制系统。这种方法的特点是容易操作、随机性、简单化、非线性以及不确定性，这些特点更方便人们操作。模糊逻辑控制的表现方式为把一些相对比较复杂操作过程、过程对象通过模糊推理、模糊关系以及决策方法来进行有效的控制和表达。在一般情况下都是用如果、或者来进行专家知识、实际控制以及专家经验，这种方式具有鲁棒性强和不依赖被控对象模型的优点。虽然模糊逻辑控制已经得到了广泛的应用，但是和传统的常规逻辑控制相比较的话，模糊逻辑控制自身还是存在一些无法弥补的缺点，主要有学习能力差、稳定性差、状态误差性差以及调整性差等。为了使这些缺点得到补救就必须进行智能技术的设计，主要措施是综合智能控制，并且已经广泛应用在电力系统自动化中。（3）线性最优控制。线性最优控制主要是采取了把控制问题通过最优化理论进行体现、表述的方式，它是控制理论不可或缺的一部分。线性最优控制的特点是具有成熟性强、应用性多以及范围性广，而现代的远距离输电能力正是利用线性最优控制的特点来完成的，这种输电能力很大程度上改善了动态品质以及提升了远距离的输电线能力，并且已经得到了人们认可。虽然线性最优控制已经广泛应用在电力系统自动化中，但是它对局部线性化的电力系统设计来说还是有缺点的，主要针对非线性比较强的电力系统自动化中存在无法进行干扰控制。（4）神经网络控制。神经网络控制是通过人工神经网络发展而成的，它主要应用在学习方面以及模型结构方面，并且已经得到了广泛的传播和成果。神经网络控制的非线性是目前最受人们关注的，此外它的鲁棒能力、处理能力以及自主学习能力也同样受到人们的关注。神经网络控制是通过大量的简单神经元连接而成的，它的工作原理是在连接权值上进行信息的隐藏以及包含，同时按照调节权值的一定计算公式来计算出它的值，从而保证神经网络控制的m维空间非线性映射成功跨越到

n维空间非线性映射。（5）专家系统控制。专家系统控制主要应用在电力系统自动化中的紧急处理、状态识辨、状态警告、系统规划、调度员培训、系统控制的恢复、切负荷、分析状态、转化状态、配电系统自动化、控制电压的无功、静态分析、动态分析、安全分析、人机接口以及故障点的隔离等方面。专家系统控制的适用范围非常广，但也是有不适用的地方，比如创造性差、自主学习能力差、深层适应差、浅层知识面差、分析能力差、组织能力差、验证能力差以及应付能力差等。

参 考 文 献

[1]李朝瑞，郭伟亮.论电力系统自动化智能技术在电力系统中的运用[J].科技与企业.2012（17）：121～122

模糊神经网络优缺点范文第2篇

关键词：可变限速；RBF模糊神经网络；高速公路主线

中图分类号：U491.123文献标识码：A文章编号：

Variable Speed-Limit Control Of Expressway Mainline Based On RBF Fuzzy Neural Network

TU Dan, Xu Chanzhi, Chen Wei

(School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, Sichuan, China)

Abstract: The speed-limit control of expressway mainline is a nonlinear time-varying system, affected by a variety of factors. It’s hard to describe the deterministic model of the basic rules. So, based on RBF neural network, a theory about the variable speed-limit control of expressway mainline is proposed in this paper to improve the efficiency of road use.

Keywords: Variable speed-limit control; RBF fuzzy neural network; Expressway mainline network

引言

高速公路主线限速控制是通过设置可变速度标志来限制行车速度，通过为驾驶员提供速度信息，能降低高速车辆的比例，从而平滑交通流，在一定程度上减少交通事故，保证了高速公路上面运行车辆的稳定，同时还能提高道路通行能力[1]。石永辉等在深入研究交通流和驾驶行为特征的基础上，提出了可变限速控制策略以缓解交通拥堵、改善交通安全[2]；干宏成等结合我国高速公路和城市快速路的特点，运用交通流理论对拥挤产生的原因进行分析，提出了相应的可变限速控制策略、模型及算法，并进行有效性评价[3],但都缺乏数学模型和仿真算例。由于BP神经网络存在训练速度慢、易陷入局部最优解等缺陷，预测效果差，难以应用于高速公路可变限速控制[4,5]。陈书旺等概述了模糊系统和神经网络两者结合的优势，由于 RBF 神经网络在逼近能力、分类能力和学习速度等方面的优势，对RBF网络进行了模糊化构造[6]，证明了对用于被控对象数学模型不清或难以建立的场合下，模糊 RBF 神经网络结构学习效率的优越性。

目前对高速公路车辆安全行驶速度控制的方法不完善，缺乏有效性；限速模型与限速标准没有考虑不同路段的路况、不同气候条件等因素的影响，缺乏合理性。所以，论文为高速公路可变限速控制引入RBF神经网络控制算法，对有效改善高速公路交通安全状况具有重要的理论和实际意义。

1高速公路可变限速影响因素

高速公路可变限速控制的因素影响因素有很多，主要是以下几个方面[7]：

1.1 道路车流量大小不同，所对应的可变限速值不同。

1.2 气候的变化，将直接影响高速公路可变限速值，包括路面的温度和湿度、气象的晴、阴、雨、雪、雾、风等。

1.3 可变限速值与路面纵向附着系数有关，与路面凹凸不平等情况有关，与道路线性有关。

1.4 高速公路可变限速值和驾驶员的心理状态、驾驶技术也有很大的关系，但是驾驶员的心理行为、驾驶员对可变限速板提供的可变信息做出的相关反应等都比较难于界定。

在上述影响因素中，就某一段固定的受控高速公路而言，路段上的道路车流量可以通过安装在高速公路上的环形线圈检测器、超声波检测器等检测出来；具体的天气状况可以通过高速公路控制与管理人员观察到，路面温度、路面湿度均可由相应的传感器检测到；而路况条件在短期内是确定的，则认为道路等级和线性等情况是固定的。

2 控制模型

2.1控制系统的 RBF 模糊神经网络结构

论文采取基于径向基(RBF)函数网络模型的模糊神经网络，模糊神经网络控制器的输入有两个，一是单位长度路段上的车辆数量，用n表示，取值范围为[0,100]，划分为5个模糊子集{“少”，“较少”，“中等”，“较多”，“多”}；另一个是行车环境综合评价指标值，用s表示，取值范围为[0,10]，也划分为5个模糊子集{“低”，“较低”，“中等”，“较高”，“高”}，由具体的路面情况和天气情况决定。

其中，行车环境综合评价指标值采用模糊逻辑得到一个具体的指标值。行车环境综合评价指标值模糊控制器的输入量有两个，分别为天气指标值和路况指标值，因为天气和路况的确定存在一定的模糊性。即对于天气的描述用w表示，取值范围为[0,10]，划分为5个模糊子集｛“差”，“较差”，“一般”，“较好”，“好”｝，取值越大天气越好；对于路况的描述用r表示，取值范围为[0,10]，也划分为5个模糊子集，｛“差”，“较差”，“一般”，“较好”，“好”｝，取值越大路况越好。

模糊推理规则为

模糊神经网络的模糊推理规则为

根据模糊规则，可构造用于预测的RBF模糊神经网络如图1所示。此模糊神经网络由五层组成，分别是输入层、隶属函数层、规则化层、结果层、去模糊化输出层。

图1控制系统的 RBF 模糊神经网络结构

第一层：输入层，其输入与输出一致。两个输入分别为影响高速公路可变限速的因素：单位长度路段上的车辆数量、行车环境综合评价指标值。

（1）

第二层：模糊化层，将两个输入因素分别划分为5个等级。划分因素1，表示为，分别代表“少”，“较少”，“中等”，“较多”，“多”，同理划分因素2，表示为。这里的隶属函数采用高斯径向基函数，和是第i个输入变量第j个模糊集合的隶属函数的中心和基宽。

（2）

第三层：规则层，这一层的每个节点分别只与上一层中的2个因素中的某单个级别节点相连接，所以的这一层的节点总数为25，表示为。也就是说，两个因素决定一个规则。

（3）

第四层：结果层，结点表示为。25条规则按照不同的权值组合形式形成了不同的结果。本层的每个结点都与上一层相连接。传递函数使用函数，是第三层的第k个结点到第四层第j个结点的权值。

（4）

第五层：去模糊化层，这一层只有一个结点，用Y表示。将5个等级值按一定的权值组合出最后的输出结果。输出函数使用函数，是第四层的五个结点到输出层的权值。

（5）

2.2系统的 RBF 模糊神经网络的学习算法

高速公路可变限速控制系统的RBF模糊神经网络的学习算法采用向后传播误差的方法。

2.2.1 对于输出层单元，设误差为EO，用下式表示：；其中，O是实际输出，而T 是基于给定训练元组的已知目标值。

2.2.2 计算隐藏层单元的误差，考虑下一层中连接到 j的单元的误差加权和。隐藏层单元 j的误差是：；其中，是由下一较高层中单元k到单元j的连接权重，而是单元k的误差。

2.2.3 权值和隶属度函数参数更新，，其中表示从i层到第j层的权值，L表示步长，一般设置为0 到1之间的值，表示第j层的误差，表示第i层的输出。

2.3系统的 RBF 模糊神经网络的训练方法

本文将采用增量型模糊神经网络训练方法和批处理型模糊神经网络训练方法相结合的方法训练该RBF模糊神经网络。

2.3.1 依次学习每组输入样本以此来调整权值。其中，当输出层误差小于某个值或超过预先指定的周期数时，则单个样本学习样本终止。

2.3.2 使所有样本的完成一次学习，使用调整后的网络再一次计算各组样本的输出，得出相应的输出层误差。

2.3.3 令所有样本误差绝对值中的最大值为e。若e大于某个值且周期数小于指定值时，重复步骤（1），直到终止。

3仿真研究

3.1 选择学习样本和测试样本

仿真路段选择为某高速公路一段10km作为研究对象，根据高速公路管理人员实际经验和专家的实际知识，提供的样本作为训练数据。其中，行车环境综合指标值采用模糊逻辑所得值如表1所示。

表1 行车环境综合指标值

选取15组输入样本如表2所示。

表2学习样本

选取5组测试样本如表3所示。

表3 测试样本

3.2 实现过程

3.2.1 RBF模糊神经网络的学习和训练过程。

通过初始化权值和函数参数，形成未训练的RBF模糊神经网络架构，然后使用学习样本对网络进行有指导的学习和训练，训练结果如表4所示。

表4 网络学习结果

3.2.2 数据测试

把5组与学习样本不同的数据作为测试样本，输入网络进行计算，测试结果如表5 所示。

表5 检测结果

3.2.3 结果分析

由以上测试结果可以看出，预测精度不如训练样本精度高。其中可能的影响因素很多，可能是样本过分的拟合了训练数据，也可能是训练次数不够。不过，总的来说样本误差较小，在可接受范围。

3.2.4 与BP神经网络结果比较

为了验证RBF模糊神经网络方法的有效性和优越性，本文对基于模糊神经网络的限速控制方法和基于BP神经网络的限速控制方法在测试集上的准确率进行了比较。结果如图2所示。

图2 对比图表

用BP神经网络测试，结果相对不稳定，本文选取的是一个相对比较好的拟合结果，可以看出用BP神经网络评估方法的结果虽然能在一定程度上拟合目标值，但和RBF模糊神经网络相比，其拟合度明显不如后者，而且有部分值与目标速度值差别很大，所以RBF模糊神经网络算法是一种更好的高速公路可变限速控制方法。

4 结论

本文在仔细分析国内外研究高速公路可变限速控制前提下，提出用RBF模糊神经网络智能建模方法建立速度限制模型，并且提出将增量型模糊神经网络训练方法和批处理型模糊神经网络训练方法相结合的方案，使训练结果更客观、更有效。用Matlab编程实现了整个网络，最后与BP神经网络作了对比实验，实验结果表明该方法更适合于高速公路速度控制。

参考文献

[1]李宝家,黄小原.高速公路交通的变速限模糊控制[J].控制工程,2002,9(3):45-47.

[2]余凯,张存保,石永辉.基于多元因素的高速公路可变限速值计算方法研究[J].交通信息与安全,2011,159(29):4-7.

[3]干宏程,孙立军.高速公路可变限速控制技术研究[J].交通科技,2004,207(6):91-93.

[4]B H M Sadeghi. A BP-neural network predictor model for plastic injection molding process[J]. Journal of Materials Processing Technology, 2000,103(3):411-416.

[5]Kuang-Hua Fuh, Shuh-Bin Wang. Force modeling and forecasting in creep feed grinding using improved bp neural network[J]. International Journal of Machine Tools and Manufacture, 1997,37(8):1167-1178.

模糊神经网络优缺点范文第3篇

[论文摘要]简单回顾模糊控制、神经网络控制、专家系统控制、线性最优控制、综合智能控制等典型智能技术在电力系统自动化中的运用。 

 

电力系统是一个巨维数的典型动态大系统，它具有强非线性、时变性且参数不确切可知，并含有大量未建模动态部分。电力系统地域分布广阔，大部分元件具有延迟、磁滞、饱和等等复杂的物理特性，对这样的系统实现有效控制是极为困难的。另一方面，由于公众对新建高压线路的不满情绪日益增加，线路造价，特别是走廊使用权的费用日益昂贵等客观条件的限制，以及电力网的不断增大，使得人们对电力系统的控制提出了越来越高的要求。正是由于电力系统具有这样的特征，一些先进的控制手段不断地引入电力系统。本文回顾了模糊控制、神经网络控制、专家系统控制、线性最优控制、综合智能控制等五种典型智能技术在电力系统中的运用。 

 

一、模糊控制 

 

模糊方法使控制十分简单而易于掌握，所以在家用电器中也显示出优越性。建立模型来实现控制是现代比较先进的方法，但建立常规的数学模型，有时十分困难，而建立模糊关系模型十分简易，实践证明它有巨大的优越性。模糊控制理论的应用非常广泛。例如我们日常所用的电热炉、电风扇等电器。这里介绍斯洛文尼亚学者用模糊逻辑控制器改进常规恒温器的例子。电热炉一般用恒温器（thermostat）来保持几挡温度，以供烹饪者选用，如60，80，100，140℃。斯洛文尼亚现有的恒温器在100℃以下的灵敏度为±7℃，即控制器对±7℃以内的温度变化不反应；在100℃以上，灵敏度为±15℃。因此在实际应用中，有两个问题：①冷态启动时有一个越过恒温值的跃升现象；②在恒温应用中有围绕恒温摆动振荡的问题。改用模糊控制器后，这些现象基本上都没有了。模糊控制的方法很简单，输入量为温度及温度变化两个语言变量。每个语言的论域用5组语言变量互相跨接来描述。因此输出量可以用一张二维的查询表来表示，即5×5=25条规则，每条规则为一个输出量，即控制量。应用这样一个简单的模糊控制器后，冷态加热时跃升超过恒温值的现象消失了，热态中围绕恒温值的摆动也没有了，还得到了节电的效果。在热态控制保持100℃的情况下，33min内，若用恒温器则耗电0.1530kw·h，若用模糊逻辑控制，则耗电0.1285kw·h，节电约16.3%，是一个不小的数目。在冷态加热情况下，若用恒温器加热，则能很快到达100℃，只耗电0.2144kw·h，若用模糊逻辑控制，达到100℃时需耗电0.2425kw·h。但恒温器振荡稳定到100℃的过程，耗电0.1719kw·h，而模糊逻辑控制略有微小的摆动，达到稳定值只耗电0.083kw·h。总计达100℃恒温的耗电量，恒温器需用0.3863kw·h，模糊逻辑控制需用0.3555kw·h，节电约15.7%。 

 

二、神经网络控制 

 

人工神经网络从1943年出现，经历了六、七十年代的研究低潮发展到现在，在模型结构、学习算法等方面取得了大量的研究成果。神经网络之所以受到人们的普遍关注，是由于它具有本质的非线性特性、并行处理能力、强鲁棒性以及自组织自学习的能力。神经网络是由大量简单的神经元以一定的方式连接而成的。神经网络将大量的信息隐含在其连接权值上，根据一定的学习算法调节权值，使神经网络实现从m维空间到n维空间复杂的非线性映射。目前神经网络理论研究主要集中在神经网络模型及结构的研究、神经网络学习算法的研究、神经网络的硬件实现问题等。

三、专家系统控制 

 

专家系统在电力系统中的应用范围很广，包括对电力系统处于警告状态或紧急状态的辨识，提供紧急处理，系统恢复控制，非常慢的状态转换分析，切负荷，系统规划，电压无功控制，故障点的隔离，配电系统自动化，调度员培训，电力系统的短期负荷预报，静态与动态安全分析，以及先进的人机接口等方面。虽然专家系统在电力系统中得到了广泛的应用，但仍存在一定的局限性，如难以模仿电力专家的创造性；只采用了浅层知识而缺乏功能理解的深层适应；缺乏有效的学习机构，对付新情况的能力有限；知识库的验证困难；对复杂的问题缺少好的分析和组织工具等。因此，在开发专家系统方面应注意专家系统的代价/效益分析方法问题，专家系统软件的有效性和试验问题，知识获取问题，专家系统与其他常规计算工具相结合等问题。 

四、线性最优控制 

 

最优控制是现代控制理论的一个重要组成部分，也是将最优化理论用于控制问题的一种体现。线性最优控制是目前诸多现代控制理论中应用最多，最成熟的一个分支。卢强等人提出了利用最优励磁控制手段提高远距离输电线路输电能力和改善动态品质的问题，取得了一系列重要的研究成果。该研究指出了在大型机组方面应直接利用最优励磁控制方式代替古典励磁方式。目前最优励磁控制的控制效果。另外，最优控制理论在水轮发电机制动电阻的最优时间控制方面也获得了成功的应用。电力系统线性最优控制器目前已在电力生产中获得了广泛的应用，发挥着重要的作用。但应当指出，由于这种控制器是针对电力系统的局部线性化模型来设计的，在强非线性的电力系统中对大干扰的控制效果不理想。 

 

五、综合智能系统 

 

综合智能控制一方面包含了智能控制与现代控制方法的结合， 

模糊神经网络优缺点范文第4篇

关键词：BP算法；模糊联想记忆系统；神经网络

中图分类号：TP183 文献标识码：A 文章编号：1007-9599 (2012) 11-0000-02

模糊系统、神经网络以及二者相结合的神经模糊控制技术是近年来智能信息处理与智能控制的主要研究方向。神经网络和模糊集理论都是介于传统的符号推理和传统控制理论的数值计算之间的方法。神经网络本质上是一个非线性动力学习系统，但是它并不依赖于模型。因此，神经网络可以看成是一种介乎于逻辑推理与数值计算之间的工具和方法。模糊理论实际上是基于数值计算的方法而不是符号的方法。这两种方法各有长处和短处。

一、标准BP算法

人工神经元网络的研究已有半个世纪的历史，它用大量的简单神经元广泛互连成一种计算结构，属于自适应非线性动力学习系统，它具有学习、记忆、计算和各种智能处理功能。使其在模式信息处理和模式识别、最优化、复杂控制、信号处理方面的应用广泛。从数学上看，BP算法可归结为一非线性梯度优化问题。BP算法的多层前馈型网络结构如图1所示。

这种网络不仅有输入层结点，输出层结点，而且有一层或多层隐含结点。BP算法的主要思想是把学习过程分为两个阶段：第一阶段（正向传播过程），给出输入信息，通过输入层经隐含层逐层处理并计算每个单元的实际输出值；第二阶段（反向传播过程），若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值（即误差），以便根据此差值调节权值，具体些说，就是可对每一个权重计算出接收单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的（负）微商成正比（又称梯度下降算法），把它称做权重误差微商。BP算法的缺陷及改进：

（一）BP算法有很多全局最小的解，还存在不少局部即小值，在某些初值的条件下，算法的结果会陷入局部最小。由于这种特点，造成网络完全不能得到训练。除此之外，还有初始随机加权的大小，对局部最小的影响很大。如果这些加权太大，一开始就可能使网络处于S型函数的饱和区，则系统有可能陷入局部最小（或非平坦区）。为防止这种现象，选取随机加权值时，使结点的输入加权和的绝对值小于1，但又不能太小。一般来说，希望初始权在输入累加时，使每个神经元的状态值接近于零，这样可保证在一开始时不会落到那些平坦区上。在权取随机数时，要求权的值比较小，这样可保证每个神经元在一开始都在它们激活函数变化最大的地方进行。（二）阶距大小的选择，直接影响训练时间，严重时，完全不能训练。这是因为1986年Rumelhart等人在证明BP训练算法收敛中，假设了无限小的加权调节阶距。实际上这是不可能的，因为这表示需要无限的训练时间。所以，实际上必须选一个有限的阶距大小，即η的取值取0.01—1。一般来说要根据实验或经验来确定，还没有一个理论指导。若η选得太小，收敛可能很慢；若η选得太大，可能出现麻痹现象。通常为了避免这种现象，减小η，但是却又增加了训练时间。根据学习过程的速率η越大，权重改变就越大的特点，选择的出发点就是它的值尽可能大但又不至于引起振荡，这样可以缩短训练所需要的时间。（三）BP学习算法的收敛速度很慢。网络的隐含结点个数的选取尚缺少统一而完整的理论指导。隐含单元数与问题的要求、输入输出单元的多少都有直接的关系。

目前在解决上述问题的主要方法是提高训练速度的方法，包括全局学习速率的自适应，局部学习速率的自适应等详见。本文通过抽取改善BP算法性能的启发式知识，形成模糊控制规则，然后借助于模糊推理系统来对学习率和动量因子等参数进行模糊控制，来动态调整学习率和动量因子等参数来达到更好的效果。

二、模糊联想记忆系统

模糊控制是一种对系统控制的宏观方法，其核心是用语言描述的控制规则。模糊控制的最大特征是将专家的控制经验、知识表示成语言控制规则，然后用这些规则去控制系统。然而模糊控制在应用过程中往往会出现一些问题：建立和寻找正确的模糊规则隶属函数是非常困难的，往往需要大量试验、调试工作，给设计带来许多麻烦。控制规则隶属函数一旦确定后，自学习能力差，这对于参数不确定系统，控制效果不能令人满足。而神经网络具有强大的非线性映射能力，借助于它的自学习功能，能很好地对输入/输出信息进行处理。把模糊系统与人工神经网络结合起来，形成模糊联想记忆（FAM）系统。FAM系统建立于n维模糊输入子空间到m维模糊输出子空间的映射，每一条FAM规则定义的这些区域覆盖未知函数的图，从此来近似未知函数。它实际上是一个模糊映照组成的系统，用来实现模糊推理和决策。

三、BP算法与FAM系统结合的形式

由前面的分析可以看到，人工神经元网络与模糊系统各有其特点和应用范围，由于它们都是利用数值形式进行处理，故有可能将两者结合起来，组成模糊神经元网络，使之兼有两者之长。模糊神经网络一方面可以对专家用语言描述的事件直接进行编码，可以用语言描述方式来采集知识，比较容易引入启发性知识，还可以跟踪推理过程，能使网络中的权值具有明显的含意。另一方面，和其它人工神经元网络一样，它也具有学习功能，可以通过学习来提高编码的精度。本文采用“批处理”的思想来对网络进行训练，即每一个输入样本对网络并不立即产生作用，而是等到全部输入样本到齐，将全部误差求和累加，再集中修改权值。即根据总误差

E=

模糊神经网络优缺点范文第5篇

【关键词】模糊神经网络；模糊控制；模糊辨识；规则抽取；学习算法

1 问题的提出

模糊逻辑和神经网络都适于处理那些被控对象模型难以建立或存在大的不确定性和强非线性的系统. 由于神经网络在分布式处理，学习能力，鲁棒性，泛化能力方面具有明显的优势，而模糊系统的优势在于良好的可读性和可分析性，因此，将神经网络的思想融合到模糊辨识和模糊控制模型中就可以实现两者的优势互补.模糊神经网络控制针对双方的特点相互借鉴和利用，比单独的神经网络控制或单独的模糊控制具有更好的控制性能. 随着智能控制理论的发展，模糊神经网络控，难以实现系统的实时控制制受到控制界的广泛关注，相继提出了许多控制和辨识的方法.

本文总结了近期我国学者提出的几种新的基于模糊神经网络的系统辨识与控制方法，并通过仿真进行了各自特点的比较，希望可以通过这些比较，对这些研究加以改进和应用.

2 模糊神经网络

2.1 仿射非线性系统

为了实现非线性系统的实时控制，基于径向基函数网络与TSK 型模糊推理系统的函数等价的特点，有学者提出了一种动态模糊神经网络的在线自组织线性算法，从而实现了系统的结构和参数的同时在线自适应. 学习速度快是这种模糊神经网络的突出特点.在此基础上，针对未知仿射非线性SISO 系统提出了一种在线自适应模糊神经网络辨识与控制方法. 该方法首先采用G2FNN 学习算法实时建模系统的逆动态，实现模糊神经网络的结构和参数的同时在线学习. 然后，设计一个鲁棒补偿器与辨识好的模糊神经网络组成复合控制器，并基于Lyapunov 稳定性理论设计自适应控制律进一步在线调整网络的权值，实现系统的跟踪控制.

控制目标是设计一个由G2FNN 控制器和鲁棒控制器构成的模糊神经网络自适应鲁棒控制器， 使得系统的输出y 跟踪给定的参考输入信号ym ，对于一个给定的干扰衰减水平常数ρ>0 ，获得良好的H ∞跟踪性能指标.

广义模糊神经网络G2FNN 由四层网络结构组成，分别实现模糊逻辑的模糊化、模糊推理和解模糊化过程. 图1 所示为单个输出结点G2FNN 的结构.

图1 G2FNN 的结构

G2FNN 中有两类学习算法，即结构学习和参数学习. 结构学习是通过对每个新的训练数据计算出G2FNN 的输出与期望输出之间的偏差来决定是否产生新的模糊规则或删除多余的规则； 参数学习有两个方面，一是当系统产生第N r+1条新的模糊规则时确定新规则前提参数ci （ N r+1） ，σi（N r+1），另一个是当不需要进行结构学习时对第三层与第四层网络之间的权值向量W 的调节.

第一层直接将输入语言变量xi（i =1，2，…Ni） 传递到下一层.

第二层计算输入分量隶属于各语言变量值模糊集合的隶属度，隶属度函数为高斯函数：

式中： cij ，σij （i =1 ，2 ， …， N r） 分别是第i 个输入语言变量xi的第j 条隶属度函数的中心和宽度；N r 为系统产生的规则数.

第三层是规则层， 这一层的每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前提，每个结点的输出可以表示为：

第四层是结点定义语言变量的输出， 它的作用是用来匹配模糊规则的结论，实现TSK型模糊推理系统的解模糊化过程. 其输出为：

这里， Wj 为第三层与第四层之间的权值.

使用倒立摆系统方程进行仿真研究， 倒立摆的动态方程为：

系统仿真结果如图（图2）：

图2 自适应模糊神经网络控制系统跟踪轨迹

由图可知，所设计的控制器实现了模糊神经网络的结构和参数的在线自适应，输出跟踪参考输入信号，系统的误差收敛速度快，鲁棒性好.

由仿真可见，该方法不仅实现了模糊控制规则的自动产生和删除，还保证了闭环系统的全局稳定，并使外部干扰和模糊神经网络逼近误差对系统跟踪误差的影响衰减到一个指定的水平.本方法不需要知道系统的控制增益，设计了一个鲁棒补偿器来抑制模糊神经网络逼近误差和外部干扰的影响. 系统鲁棒性好，抗干扰能力强，所设计的控制器可用于系统的实时控制.

2.2 网络参数自学习模糊控制

在模糊系统的许多应用中， 如模糊推理、模糊逻辑控制器、模糊分类器等， 提取模糊规则是一个重要步骤。在新兴的研究领域――数据挖掘中， 提取模糊规则也起着重要作用。然而模糊控制规则的获得通过由专家经验给出， 这就存在诸如控制规则不够客观、专家经验难以获得等问题。因此研究模糊规则的自动生成有着重要的理论和应用价值。在许多问题中， 希望提取出来的模糊规则能够用语言变量表示， 以便揭示模糊系统内部的规律， 同时这也是模糊系统的一个特色。为了提高抽取复杂系统模糊if- then 规则的质量， 将具有极好学习能力的神经网络与模糊推理系统相结合， 产生了神经- 模糊建模方法， 这种方法综合了两种形式的特点， 提供了一种从数值数据集抽取模糊规则的有效框架。有关领域的研究者们提出了多种模糊逻辑与神经网络结合的方法， 给出了各种用于提取模糊if- then 规则的神经网络结构框架。

由于径向基函数网络（RBFN）以其结构简单、良好的逼近能力、独特点可分解性以及和模糊推理系统的函数等价性， 因此可应用于模糊系统。然而， 当一个模糊系统使用学习算法被训练之后可能会影响其可解释性， 也就是使得模糊系统的可理解性下降， 而可解释性是模糊系统的一个突出特点。为了让模糊系统在具有自学习和自组织性的同时也具有可解释性这一突出特点， 以下提出了一种能够有效表达模糊系统可解释性RBF 网络结构， 并进行了仿真实验， 取得较好的仿真结果。

根据测量数据采用各种神经网络自动提取模糊规则的方法， 在输入输出空间划分部分运用的是聚类的思想， 而大多数其输入输出空间划分数（ 聚类数） 是预先给定， 这不免带有一定的盲目性， 直接影响规则的提取质量。为此， 本文关于初始聚类中心及聚类中心个数的确定方法采用文献7 提出的一种聚类神经网络初始聚类中心的确定方法。利用这种基于密度和基于网格的聚类方法， 能自动地进行样本空间的划分， 针对样本空间划分过程中不同阶段的特点， 采用了不同的处理手段， 使得该方法在样本空间划分数、聚类学习时间等方面都具有比较明显的优越性（图3）。

图3 仿真实验结果

下面针对每个仿真曲面分别给出一组训练样本点为500 个， 评价样本点为100 个的仿真结果图， 如图4所示：

图4

从图中， 可见各样本数据的预测值与实际值吻合的比较好， 只有个别的点误差较大， 这与训练样本点的选取有关。另外， 在系统模型建立好后， 为了检验模型的效果， 笔者另外又抽取几组数据样本作为评价样本， 结果发现预测值与实际值相比， 误差也在允许范围内， 效果比较令人满意。

本方法的创新点是提出了一种能够有效表达模糊系统可解释性RBF 网络结构， 并给出了一种有效的提取模糊规则的算法， 这就使模糊系统在具有自学习和自组织性的同时也具有可解释性这一突出特点。利用这种网络结构和算法进行控制器设计， 至少有以下的优点：

（1）模糊系统具有很好的可解释性。

（2）该算法克服了RBF 中心个数选择的随机性，较好地解决了样本聚类。

（3）提出的增量数据处理方法保证了网络结构能适应不断扩大的数据集。

综上所述， 这种RBF 模糊神经网络控制算法，对于研究非线性， 时变的多变量系统， 提供了一种新的思路， 具有一定的理论意义和工程应用价值。

2.3 其他一些方法

其他的一些最近被提出的，如基于神经模糊网络的方法，基于模糊推理网络的方法（见图5）， 基于非线性自回归滑动平均模型等，都取得了很好的控制和辨识效果，具有有良好的发展和应用前景.

图5 6层神经模糊推理网络

3 总结

本文系统地叙述了目前研究比较热门的近期我国学者提出的几种新的基于模糊神经网络的系统辨识与控制方法的研究成果，并简要分析了各种方法的优缺点. 限于篇幅，除本文介绍的几种方法外， 还有一些研究成果没有列出. 本文的目的是为在这方面进行研究的学者提供一个系统的参考和建议.

【参考文献】

[1]李佳宁，易建强，等.一种新的基于神经模糊推理网络的复杂系统模糊辨识方法[J].自动化学报，2006，Vol.32，No.5.

[2]王锴，王占林，付永领，祁晓野. 基于PNN与FNN模型神经网络控制器设计与分析[J].北京航空航天大学学报，Vol.32， No.9，2006.

[3]李晓秀，刘国荣，沈细群.仿射非线性系统的在线自适应模糊神经网络辨识与控制[J].湖南大学学报（自然科学版），2006，8，33（4）.

[4]李延新，李光宇，孙辉，李文.基于RBF 网络的参数自学习模糊控制的研究[J].微计算机信息，2006，8，22（8）.