自适应模糊神经控制系统及其MATLAB实现[1]

第3期(总第160期) 20lO年6月 机械 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 与自动化 MECHANICALENGINEERING&AUTOMATION No．3 Jun． 文章编号：1672—6413(z010)03—016Z—03 自适应模糊神经控制系统及其MATLAB实现 刘修廷，潘宏侠 (中北大学机械工程与自动化学院，山西 太原 030051) 摘要：介绍了自适应模糊神经网络控制系统的结构，并在此基础上重点介绍了自适应模糊神经系统及其 MATLAB实现。 关键词；白适应；模糊神经系统；MATLAB 中图分类号；TP273+．4文献标识码：A O弓f言 目前模糊神经网络控制在控制领域里已经成为一 个研究的热点，其原因在于神经网络和模糊系统两者 之间的互补关系。尽管模糊推理系统的 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 (隶属度函 数和模糊规则的建立)不主要依靠对象的模型，但是它 却相当依靠专家或操作人员的经验和知识。若缺乏这 样的经验和知识，则很难期望它能获得满意的控制效 果。而神经网络的一大特点就是其自学习功能，将这 种自学习的方法应用于对模型特征的 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 与建模上， 产生自适应的神经网络技术。这种自适应的神经网络 技术对于模糊系统的模型建立(模糊规则库的建立)是 非常有效的工具。自适应模糊神经系统是基于数据的 建模方法，该系统中的模糊隶属度函数及模糊规则是 通过大量的已知数据的学习得到的，而不是基于经验 和直觉任意给定的，这对于那些特性还不被人们所完 全了解或者特性非常复杂的系统尤为重要。 l 自适应模糊神经网络控制系统的结构 自适应模糊神经网络系统是指具有学习算法的模 糊神经网络系统，这里的模糊神经网络系统是由服从 模糊逻辑规则的一系列“如果一则”规则所构造的；而 学习算法则依靠数据信息来对模糊神经系统的参数进 行调整。 模糊神经网络控制系统的结构如图1所示。其中 NFNC为模糊神经网络控制器；R为输入信号}E、E 分别为误差及误差变化量化后的模糊量；K、匠、K。 为量化因子；“为控制信号；y为输出信号。 2模糊推理系统生成方式 在MATIAB模糊逻辑工具箱中，提供了有关对 自适应模糊神经推理系统进行初始化和建模的函数 genfisl()和anfis()。 函数genfisl(>可为训练自适应模糊神经推理系 统(AdaptiveNeuro—FuzzyInferenceSystem，简称 ANFIS)产生Takagi—Sugeno型模糊推理系统 (FuzzyInferenceSystem，简称FIS)结构的初值(隶属 度函数参数的初值)，它采用网格分割的方式，根据给 定数据集生成一个模糊推理系统，一般与函数anfis() 配合使用。由genfisl()生成的模糊推理系统的输入和 隶属度函数的类型、数目可以在使用时指定，也可以 采用默认值。该函数的调用格式为： fisMat=genfisl(data) fisMat=genfi8l(data，numMFs．inMFType，outMFType) 圈1 自适应模糊神经网络控制系统结构图 其中：data为给定的输入／输出数据集合，除了一列为 输出数据外，其余列均表示输入数据；numMFs为一 向量，其各个分量用于指定每个输入语言变量的隶属 度函数的数量，如果每个输入的隶属度函数的数量相 同，则只需输入标量值；inMFType为一字符串阵列， 其每一列指定一个输入变量的隶属度类型，如果类型 相同，则该参数将变成一个一维的字符串； outMFType为指定输出隶属度类型的字符串，由于只 能采用Takagi—Sugeno型系统，因此系统只能有一 个输出，其类型仅取linear或constant；fisMat为生成 的模糊推理系统矩阵。当仅使用一个输入参数而不指 定隶属度函数的个数和类型时，将使用默认值，即输 入隶属度函数个数为2，输入隶属度函数类型为钟形 收穑日期：2009一12一09I修回日期：20lo·02—23 作者简介：刘修廷(1982一)．男，河南淮阳人，在读硕士研究生．主要从事模式识别与智能系统。 万方数据 2010年第3期 刘修廷，等：自适应模糊神经控制系统及其MATLAB实现 ·163· (gbellmf)曲线，输出隶属度函数为线行(1inear)曲线。 我们可以利用函数genfisl()产生一个两输入单输出 的模糊推理系统。其中要求输入隶属度函数分别为7c 形(pimf)和三角形(trimf)[BFQ]，分割数分别为5和 7，其MATLAB程序如下： data=[rand(10，1)lo*fand(10，1)一5fand(10．1)]； numMFs=[57]； imfType=str2rmt(’pimf’'’trimf’)I omfType=str2mat(’linear’)； fisMat—genfi8l(data，numMFs，imfType，omfType)；％生成模糊 推理系统 subplot(2，l，1)fplotmf(fi3Mat，’jnput’，1)； s曲piot(2。l，2)；pl。tmf(fisMat，’input’，Z)； 根据以上MATI。AB程序，可以得到由函数 genfisl()生成的ANFlS系统训练前的初始隶属度函 数曲线，如图2所示。 1． 毯O． 疃O． 慨O． O． 1． 懿 输入l (a)输入1的隶属度函数 输入2 (b)输入2的隶属度函效 图2 由函数gen“s1()生成的隶属度函数曲线 由图2可以看出，根据函数genfisl()生成的模糊 推理系统的输入／输出隶属度函数的曲线，在确保覆盖 整个输入／输出空间的基础上对其进行了均匀分割。 3自适应模糊神经系统的建模 在MATI。AB模糊逻辑工具箱中，提供了对基于 Takagi—Sugeno型模型的自适应模糊神经推理系统 ANFIs的建模方法，该模糊推理系统利用BP反向传 播算法和最小二乘算法来完成对输入／输出数据对的 建模。该系统为模糊建模的过程提供了一种能够从数 据集中提取相应信息(模糊规则)的学习方法，这种学 习方法与神经网络的学习方法非常相似，通过学习能 够有效地计算出隶属度函数的最佳参数，使得设计出 来的Takagi—Sugeno型模糊推理系统能够最好地模 拟出希望的或是实际的输入／输出关系。相应的函数为 anfis()，该函数的输出为一个三维或五维向量，当未 指定检验数据时，输出向量为三维。anfis()支持采用 输出加权平均的一阶或零阶Takagi—Sugeno型模糊 推理。该函数的调用格式为： [Fis．error，stepsize]=anfis(trnData)， [Fis，error。stepsize]=anfis(trnData，initFis)， [Fis，error，stepsize]=anfis(trnData。initFis，trnopt。disopt)， [Fis．error，stepsize，chkFis，chkEr]==anfi8(trnData，initFis， trnOpt，disOpt．chkData)， [Fis。‘rfor，stepsize，chkFis，chkEr]=}anfi基(tfnData，initFis。 trnopt，di80pt．chkData·optMethod)。 (1)trnData为训练学习的输入／输出数据矩阵， 该矩阵的每一行对应一组输入／输出数据，其中最后一 列为输出数据(该函数仅支持单输出的Takagi— Sugeno型模糊系统)。 (2)initFis为指定的初始模糊推理参数(包括隶属 度函数的类型和参数)的矩阵，该矩阵可以使用命令 fuzzy通过模糊推理系统编辑器生成，也可使用函数 genfisl()由训练数据直接生成，如果没有指明，则函数 anfis()会自动调用genfisl()来按照输入／输出数据生 成一个默认的初始FIS推理系统参数。使用函数 genfisl()的作用是先根据一定的专家经验给出一个初 始模糊系统的合适结构，在使用函数anfis()的训练过 程中，已经给定的初始模糊系统的结构(隶属度函数的 个数、模糊规则数目)不会改变，只是对相应的结构参 数进行调整和优化。 (3)trnopt为指定训练的有关选项，参数trnopt 为一个五维向量，其各个分量的定义如下：trnopt(1) 为训练的次数，默认值为10；trnopt(2)为期望误差， 默认值是o；trnopt(3)为初始步长，默认值是o．01； trnopt(4)为步长递减速率，默认值是0．9；trnopt(5) 为步长递增速率，默认值为1．1。如果trnOpt的任一 个分量为NaN(非数值，1EEE的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 缩写)或被省略， 则训练采用默认参数。学习训练的过程在参数得到指 定值或训练误差得到期望误差时停止。训练过程中的 步长调整采用以下的策略：当误差连续4次减小时，则 增加步长；当误差变化连续2次出现震荡，即一次增 加和一次减少交替发生时，则减小步长。trnopt的第 4个和第5个参数分别按照上述策略控制训练步长的 调整。 (4)disOpt用于控制训练过程中MATI．AB命令 窗口的显示 内容 财务内部控制制度的内容财务内部控制制度的内容人员招聘与配置的内容项目成本控制的内容消防安全演练内容 ，参数disopt为一个四维向量，各分 量的定义如下：disopt(1)显示ANFIS的信息，如输 入／输出隶属度函数的次数，默认值为1；disopt(2)显 示测量误差，默认值为1；disopt(3)显示训练步长，默 认值为1；disopt(4)显示最终结果，默认值为1。当 disOpt的一个分量为O时不显示相应内容，如果为1 或NaN或省略则显示相应内容。 (5)chkData参数为一个与训练数据矩阵有相同 列数的矩阵，用于提供检验数据，当提供检验数据时， anfis()返回对检验数据具有最小均方根误差的模糊 推理系统chkFis。 (6)optMethod为隶属度函数参数训练中的可选 最优化方法，其中1表示混合方法(BP算法和最小二 乘法的组合)，o表示BP方法，默认值为1。 (7)Fis为返回参数，是学习完成后得到的对应训 练数据具有最小均方根误差的模糊推理系统矩阵。 (8)error为训练数据对应的最小均方根误差向 量。 (9)stepsize为训练步长向量，当指定检验数据 后，输出向量为五维参数向量。 万方数据 ·164· 机械工程与自动化 2010年第3期 (10)chkFis为对检验数据具有最小均方根误差 的模糊推理系统。 (11)chkEr为检验数据对应的最小均方根误差。 利用anfis()函数进行自适应模糊系统建模，除了 给定系统期望的输入／输出数据之外，还必须提供一个 初始模糊推理系统(包括隶属度函数的类型和参数)， 否则函数anfis()会自动调用genfisl()来按照输入／输 出数据生成一个默认的系统。 我们对非线性函数厂(z)=sin(2z)e一言，建立一个 自适应模糊神经推理系统，对其进行逼近。编写 MATLAB程序如下： x=olo．1：10；y=sin(2*x)．／exp(x／5)，tmData=[x’y’]，％训练 学习的输入／输出数据 程有很好的控制过程。MATLAB工具箱提供了许多 进行神经网络和模糊逻辑设计和分析的工具函数，即 使不了解算法的本质，也可以直接应用功能丰富的函 数来实现自己的目的。 1． O． O． 0． 习O． 解 _o． 一0． 一O． 一O． t／s ‘?兰‘。87矗：‘‘mDa篡’竺‘曩二￡?●?in)’ il]李士勇．模糊控制神经控制和智能控制论[M]．哈尔滨：鉴黑：：：’竺‰竺懋羔 ”。石泵萎五再翟。蔷嚣嚣⋯⋯⋯一⋯⋯lezend(’TrainingData’，’ANFISOutput’) rH，J’两一且／、⋯“仙⋯～ 妊，圣些要攀蠹磐图3所示鬲函数实际输出和模糊心3萋票盏萎滁黧溥·醐捌戬欤蚍脚· 推理季篓输毕苎譬二． ⋯⋯⋯～。。。。。．。一。。。 [3]萎磊i暮善麓XiiAB辅助模糊系统设计[M]．西从图3中可以看出，经过训练的模糊推理系统基 。。妥：；安≤享藉哀大学出版茬。：i：品：⋯～⋯⋯。一 本能够模拟原函数。 [4]曾光奇．模糊控制理论与工程应用[M]．武汉：华中科技 (CoUegeofMechanicaIEngineeringandAutornatizaton，NorthUniVersityotChina’’I’aiyuan03005l’China) Abstract：Thispaperhasintroducedthestructureoftheself_adaptivefuzzy·neuraIcontrolsystem，andhasespeciallyrecommended thereali托tionofanself—adaptivefuzzy—neuralcontrolsysteminMATLAB． Keywords：self-adaptive，“zzy—neuralcontrolsystem，MATLAB (上接第161页) 社，2007． 参考文献： [3]何斌．VisualC++数字图像处理[M]．北京：人民邮电出版 [1]庄严。王伟，恽为民．基于网络的机器人控制技术的研究 社，2002· 现状与发展[J]．机器人，2002，24(3)：276—282．[4]王忠民．灾难搜救机器人研究现状与发展趋势[刀·现代电 [2]张毅．移动机器人技术及其应用[M]．北京：电子工业出版 子技术，2007(17)：152—155· RemoteControlSystemofCoalMineDetectionRobot DENGYo赡一j阻，NIUZhi—g蛆g，LIUXIao-he昭，WANGLiang (CollegeofMechanicalEngineering，TaiyuanUniversityofTechnology，Tai”an030024·China) Abstr扯t：Adesignschemeofrenlotecontrolsystemforcoalminedetectionrobotisintroducedinthispaper，inwhichvideoanddata transmissionisvianetworkradio．Atthesametime，thehardwareplatformisbuiltandrobot—sideprogramsandremoteclient programsaredeveloped．ThecombinaticInoftherobot’sindependencemovementandthetele—operationcontrolisachieVed，which issuitableforcoalminedetectionrobottocompletethetask． Keywo—Is：coalmineI detectionrobotI remotecontrolI videosupervision 万方数据