文档介绍：传统控制与模糊控制
模糊神经网络及其应用
FNN对非线性多变量系统的解耦方法
FC及FNN解耦算法的MATLAB仿真
小结<br****题
模糊控制是智能控制的一个重要研究方向,而模糊控制与神经网络结合既发挥模糊控制规则控制的优势又发挥神经网络学****与跟踪非线性的特长,组成的模糊神经网络(Fuzzy work, FNN)既具有基于规则控制的特性又具有学****非线性的能力。本章在介绍传统控制与模糊控制区别的基础上,探讨模糊神经网络及其应用,并给出相应的程序及程序剖析。
传统控制与模糊控制
传统的比例、积分、微分控制,即PID控制,已被广泛用于工业生产过程,但是其比例、积分和微分调节参数是采用实验加试凑的方法由人工整定的。这种整定工作不仅需要熟练的技巧,而且还往往相当费时。更为重要的是,当被控对象特征发生变化,需要调节器参数作相应调整时,PID调节器没有这种自适应能力,只能依靠人工重新整定参数。
由于生产过程的连续性以及参数整定所需的时间,这种整定实际很难进行,甚至几乎是不可能的。众所周知,调节器参数的整定和控制质量是直接有关的,而控制质量往往意味着显著的经济效益。因此,调节参数的自整定已成为控制工程的重要研究课题。近年来出现了专家自适应PID控制器和模糊PID控制器。传统的PID是一种反馈控制,存在着对偏差的比例、积分和微分三种控制作用。比例控制的特点是,偏差一旦产生,控制器立即就有控制作用,使被控制量朝着减小偏差的方向变化,控制作用的强弱取决于比例系数Kp。
但Kp过大时,会使闭环系统不稳定。积分控制的特点是,它能对偏差进行记忆并积分,有利于消除静差,但作用太强会使控制的动态性能变差,以至于使系统不稳定。微分控制的特点是它对偏差的变化趋势较敏感。增大微分控制作用可以加快系统响应,使超调量减少,但会使系统抑制干扰的能力降低。于线性定常系统,根据不同被控对象适当调整PID的控制参数,可以获得比较满意的控制效果。
对于大多数工业被控对象来说,由于它本身固有的惯性、纯滞后特性,参数时变的不确定性和外部环境扰动的不确定性,使控制问题复杂化,因而采用传统PID控制难以取得满意的控制效果。模糊PID控制即在系统控制过程中,根据系统控制误差的大小动态地改变PID控制器的参数。模糊控制是一种规则控制,模糊规则分为4类语句[1],即:
(1) 简单模糊条件句 if x=a then u=c其中, x、u为模糊语言变量, a、c分别为语言变量的值(模糊隶属函数的隶属度)。 (2) 多重简单模糊条件句 if x=a then u=c else这里a1, a2, …, an为系统输入X上的模糊集,c1, c2, …, cn为系统输出Y上的模糊集。
(3) 多维模糊条件句 if x=a and y=b the u=c 在模糊控制系统中,应用最多的是一类二维模糊语句,上式x表示系统的偏差,y表示系统偏差的变化率,u表示控制量。 (4) 多重多维模糊条件句 if x1=a1 then u1=c1 else if x2=a2 then u2=c2 else  复杂的或非线性的系统,若采用模糊控制,均采用多重多维模糊条件句。。
…
模糊神经网络及其应用
模糊神经网络的概念 模糊神经网络(Fuzzy work, FNN)系统从结构上看主要有两类: 一是在神经网络结构中引入模糊逻辑,使其具有直接处理模糊信息的能力,如把一般神经网络中的加权求和转为模糊逻辑运算中的“∨”(析取: 即并、取大)、“∧”(合取: 即交、取小),从而形成模糊神经元网络; 二是直接利用神经网络的学****功能及映射能力,去等效模糊系统中的各个模糊功能块,如模糊化、模糊推理、模糊判决。
另外,还可以把神经网络和模糊控制用在同一个系统中,以发挥各自的特长。如把BP算法和模糊理论结合起来构成模糊BP神经网络Fuzzy Back Propagation(简称FBP神经网络),并将这种FBP用于对非线性随机函数的学****仿真结果明,FBP对非线性随机函数的学****比用BP算法跟踪精度高。