基于模糊神經(jīng)混合系統(tǒng)的自適應(yīng)控制方法及其應(yīng)用

模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合形式隨著研究角度和應(yīng)用領(lǐng)域不同而有所不同，在這類系統(tǒng)中，系統(tǒng)本質(zhì)上還是模糊邏輯系統(tǒng)結(jié)構(gòu)，但是可以把模糊邏輯系統(tǒng)看作具有網(wǎng)絡(luò)化的結(jié)構(gòu)，直接利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力與映射能力來獲得模糊邏輯系統(tǒng)的參數(shù)或具體結(jié)構(gòu)，從而使模糊邏輯系統(tǒng)具有自學(xué)習(xí)和自適應(yīng)能力，該過程并不改變模糊系統(tǒng)所具有的模糊化、解模糊化和模糊推理的功能，而是利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)隸屬函數(shù)、模糊規(guī)則的數(shù)字化處理，實(shí)現(xiàn)“模糊化-模糊推理-解模糊化”整個(gè)過程的“網(wǎng)絡(luò)化”，也可以用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)或聚類的方法從輸入輸出數(shù)據(jù)中獲取規(guī)則，然后在性能指標(biāo)指導(dǎo)下，對規(guī)則進(jìn)行調(diào)整，從而使模糊系統(tǒng)具有規(guī)則的自組織能力[1]。

在另外一個(gè)范疇內(nèi)，可以將模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)根據(jù)不同的功能、用途集成在一個(gè)系統(tǒng)里，模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)在這類系統(tǒng)中各自發(fā)揮自己的功能，利用各自的優(yōu)勢為實(shí)現(xiàn)共同的目標(biāo)而實(shí)現(xiàn)功能結(jié)合與互補(bǔ)，這類模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法稱之為模糊神經(jīng)混合系統(tǒng)FNHS(Fuzzy-Neural Hybrid System)[2]。

1 基于模糊神經(jīng)混合系統(tǒng)的自適應(yīng)控制結(jié)構(gòu)

從控制角度而言，神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制包括直接自適應(yīng)控制和間接自適應(yīng)控制。間接自適應(yīng)控制通常由控制器和模型兩部分組成。在線辨識模型，并通過模型在線調(diào)整神經(jīng)網(wǎng)絡(luò)控制器間接自適應(yīng)控制，具有良好的適應(yīng)性[3]。但是，在線辨識被控對象的模型存在運(yùn)算量大、控制精度低等問題，對不可重復(fù)過程與時(shí)變動(dòng)力學(xué)系統(tǒng)訓(xùn)練困難，在實(shí)際工程控制中實(shí)用性不大。直接自適應(yīng)控制是根據(jù)過程的輸出信息來控制優(yōu)化參數(shù)，不需要預(yù)先知道系統(tǒng)動(dòng)力學(xué)特征或在線辨識的模型，這也正是傳統(tǒng)的自適應(yīng)控制所不能解決的問題。這種控制器是直接根據(jù)控制精度設(shè)計(jì)，不需要經(jīng)過事先訓(xùn)練，也不依賴于對象的辨識模型，具有良好的動(dòng)態(tài)響應(yīng)性能和穩(wěn)態(tài)精度，網(wǎng)絡(luò)權(quán)值的調(diào)整是隨時(shí)間關(guān)系的自適應(yīng)收斂過程，常用的基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制方式為直接逆控制、模型網(wǎng)絡(luò)參考控制。但是，這2種控制方式都存在著較大的計(jì)算量和辨識的問題，而且對于直接逆控制，如果系統(tǒng)的逆不存在了，該方法就會(huì)失效。

基于模糊神經(jīng)混合系統(tǒng)的自適應(yīng)控制(FANNC)結(jié)合了神經(jīng)網(wǎng)絡(luò)直接自適應(yīng)控制的特點(diǎn)，結(jié)構(gòu)如圖1所示。由1個(gè)反饋控制器(FC)、1個(gè)神經(jīng)網(wǎng)絡(luò)控制器(NNC)和模糊推理機(jī)(FIE)組成[4]。

2 基于模糊神經(jīng)混合系統(tǒng)的自適應(yīng)控制器的設(shè)計(jì)

分目標(biāo)學(xué)習(xí)誤差由模糊推理機(jī)的一組模糊規(guī)則給出，如表1所示。表中符號PB、PM、PS、0、NS、NM、NB分別表示正大、正中、正小、零、負(fù)小、負(fù)中、負(fù)大等概念[5]。表中模糊關(guān)系不再是傳統(tǒng)意義上的模糊控制策略，而是每一控制周期中用于NNC訓(xùn)練的分目標(biāo)學(xué)習(xí)誤差。NNC在學(xué)習(xí)過程中，逐步跟蹤系統(tǒng)的逆動(dòng)力學(xué)，并產(chǎn)生一個(gè)自適應(yīng)控制信號，使系統(tǒng)輸出跟蹤給定的參考信號消除的不再單純是系統(tǒng)的輸出誤差，而是誤差和誤差變化的綜合影響，從而避免了反饋誤差學(xué)習(xí)法可能造成的NNC的輸出產(chǎn)生振蕩或進(jìn)入飽和狀態(tài)等問題。

為實(shí)現(xiàn)上述模糊推理規(guī)則，必須對模糊推理機(jī)FIE的輸入變量進(jìn)行模糊化處理，即將輸入變量從基本論域轉(zhuǎn)化到相應(yīng)的模糊論域。為此，引入反饋控制器FC輸出變量μf及其變化變量μf的量化因子Kμf，Kμf。假定變量μf的基本論域?yàn)?-nfm，nfm)，模糊論域分別為(-nμf，-nμf+1，…0，…，nμf-1，nμf)，變量nf的基本論域?yàn)?-nfm，nfm)，模糊論域分別為(-nμf，-nμf+1，…0，…，nμf-1，nμf)，則量化因子Kμf，Kμf可由下式確定：

　　模糊變量Uf(k)、f(k)的論域、模糊子集及其隸屬函數(shù)的定義如圖2所示。為改善模糊推理機(jī)的輸出特性，F(xiàn)IE輸出變量δ論域、模糊子集及其隸屬函數(shù)的定義如圖3所示[6]。當(dāng)系統(tǒng)偏差較大時(shí)，模糊集隸屬函數(shù)分辨率較低，F(xiàn)IE輸出變化比較緩慢可以保證NNC的學(xué)習(xí)比較平穩(wěn)。

在控制過程中，系統(tǒng)根據(jù)每一采樣時(shí)刻FC的輸出信號及其變化，由圖2確定各模糊集的隸屬度，然后利用模糊推理規(guī)則如表1所示，圖3確定輸出變量所有可能的模糊截集。并以重心發(fā)模糊判決，得到分目標(biāo)學(xué)習(xí)誤差，式中離散計(jì)算步長的取值大小可能影響模糊判決的精度。