【文章內容簡介】 神經(jīng)網(wǎng)絡實現(xiàn)直接控制的基本思想。人工神經(jīng)元是生物神經(jīng)元的近似模擬，它是一種多輸入單輸出非線性的信息處理單元。[224]。 人工神經(jīng)元模型 Artificial Neuron Model，是神經(jīng)元的輸入，表示從其他神經(jīng)元傳來的輸入信號的個數(shù)，是神經(jīng)元的閾值；分別是神經(jīng)元對的連接權系數(shù)；是神經(jīng)元的輸出，是激發(fā)函數(shù)，它決定神經(jīng)元受到輸入的共同刺激達到閾值時以何種方式輸出。該神經(jīng)元的數(shù)學模型表達式為：狀態(tài)： ()輸出： ()激發(fā)函數(shù)決定神經(jīng)元節(jié)點的輸出，它有多種形式，常用的有如下幾種形式。(1)階躍型函數(shù)： ()(2)線性型函數(shù)： ()(3)Sigmiod函數(shù)： ()神經(jīng)網(wǎng)絡是由大量的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡。根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡可分成兩大類“沒有反饋的前向網(wǎng)絡和互相結合性網(wǎng)絡”。前向網(wǎng)絡由輸入層、中間層（或稱隱層）和輸出層組成，中間層可有若干層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出?；ハ嘟Y合性網(wǎng)絡中任意兩個神經(jīng)元都有可能連接，因此輸入信號要在神經(jīng)元之間反復往返傳遞，從某一初態(tài)開始，經(jīng)過若干次的變化，漸漸趨于某一穩(wěn)定狀態(tài)或進入周期振蕩等其它狀態(tài)。人工神經(jīng)網(wǎng)絡主要有BP網(wǎng)絡、RBF網(wǎng)絡、Hopfield網(wǎng)絡、CMAC網(wǎng)絡和Kohonen網(wǎng)絡等。在眾多神經(jīng)網(wǎng)絡模型中，應用最廣泛的是BP網(wǎng)絡和RBF網(wǎng)絡，它們都有很強的生物背景和逼近任意非線性函數(shù)的能力，但各有所長。BP網(wǎng)絡的輸出與網(wǎng)絡的連接權之間呈非線性關系，這使得其學習算法必須采用非線性優(yōu)化方法，因而不可避免地存在局部極小點問題，針對這一點，己有許多學者提出了改進算法。而對于RBF網(wǎng)絡，則具有唯一最佳逼近的優(yōu)點，其網(wǎng)絡的連接權與輸出呈線性關系的特點使得它能采用可保證全局收斂的線性優(yōu)化算法，但其中心點集不易選取。目前雖然已有數(shù)十種的神經(jīng)網(wǎng)絡模型，但根據(jù)已有的神經(jīng)網(wǎng)絡，可分為三大類，即前向網(wǎng)絡、反饋網(wǎng)絡和自組織網(wǎng)絡[25~27]。(1)前向網(wǎng)絡前向網(wǎng)絡又稱前饋型神經(jīng)網(wǎng)絡。神經(jīng)元分層排列，有輸入層、中間層（或稱隱層）和輸出層組成，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。前向網(wǎng)絡是一種強有力的學習系統(tǒng)，其結構簡單易于編程，它通過簡單非線性處理單元的復合映射，可獲得復雜的非線性處理能力，但是它缺乏豐富的動力學行為。 前向網(wǎng)絡結構 Forward Network Structure(2)反饋網(wǎng)絡。若總結點（神經(jīng)元）數(shù)為，則每個節(jié)點有個輸入和一個輸出，也就是說，所有節(jié)點都是一樣的，它們之間都可以相互連接。反饋網(wǎng)絡是一種反饋動力學系統(tǒng)，它需要工作一段時間才能達到穩(wěn)定。 反饋網(wǎng)絡結構 Feedback Network Structure(3)自組織網(wǎng)絡自組織網(wǎng)絡中，輸出節(jié)點與相鄰的其他節(jié)點廣泛相連，并互相激勵。輸入節(jié)點和輸出節(jié)點之間通過強度相連接，通過某種控制規(guī)則，不斷的調整，使得在穩(wěn)定時，每一鄰域的所有節(jié)點對某種輸入具有類似的輸出，并且這種聚類的概率分布與輸入模式的概率分布相接近。學習能力是人工神經(jīng)網(wǎng)絡智能特性的主要標志。所謂神經(jīng)網(wǎng)絡的學習，主要是指通過一定的學習算法實現(xiàn)對突觸結合強度（權值）的調整，使其達到具有記憶、識別、分類、信息處理和問題優(yōu)化求解等功能。目前神經(jīng)網(wǎng)絡的學習方法有多種，按有導師可分為：有教師學習、無教師學習和再勵學習。在有教師的學習方式中，網(wǎng)絡的輸出和期望的輸出（即教師信號）進行比較，然后根據(jù)兩者之間的差異調整網(wǎng)絡的權值，最終使差異變小。在無教師學習中，輸入模式進入網(wǎng)絡后，網(wǎng)絡按照一預先設定的規(guī)則（如競爭規(guī)則）自動調整權值，使網(wǎng)絡最終具有模式分類等功能。再勵學習是介于上述兩者之間的一種學習方式。(1)Hebb學習規(guī)則Hebb學習規(guī)則是一種無教師的學習方法，它只根據(jù)神經(jīng)元連接間水平改變權值，因此這種方法又稱為相互學習或并聯(lián)學習。按照Hebb學習規(guī)則，調整的原則為：若第個與第個神經(jīng)元同時處于興奮狀態(tài)，則它們之間的連接應當加強，即： ()其中為連接從神經(jīng)元到的當前權值；、為神經(jīng)元的激活水平。這一規(guī)則與“條件反射”學說一致，并已得到神經(jīng)細胞學說的證實。(2)Delta(δ)學習規(guī)則假設誤差準則函數(shù)，其中代表期望輸出（教師信號）；為網(wǎng)絡的實際輸出；是網(wǎng)絡的所有權值組成的向量，；為輸入模式，訓練樣本數(shù)沿著E的負梯度方向不斷修正值，直到E達到最小，的修正規(guī)則為： ()上式稱為學習規(guī)則，又稱誤差修正規(guī)則。(3)概率式學習概率式學習的典型代表是Boltzmann機學習規(guī)則。它是基于模擬退火的統(tǒng)計優(yōu)化方法，因此又稱為模擬退火算法。Boltzmann機模型是一個包括輸入、輸出和隱含層的多層網(wǎng)絡，但隱含層間存在互聯(lián)結構且網(wǎng)絡層次不明顯。對于這種網(wǎng)絡的訓練過程，就是根據(jù)規(guī)則 ()對神經(jīng)元、間的連接權值進行調整的過程。其中為學習速率；表示網(wǎng)絡受到學習樣本的約束且系統(tǒng)達到平衡狀態(tài)時第個和第個神經(jīng)元同時為1的概率；表示系統(tǒng)為自由運轉狀態(tài)達到平衡狀態(tài)時第個和第個神經(jīng)元同時為1的概率。調整權值的原則是：當時，權值增加，否則減少。(4)競爭式學習競爭式學習屬于無教師學習方式。它利用不同層間的神經(jīng)元發(fā)生興奮性聯(lián)接，以及同一層內距離很近的神經(jīng)元間發(fā)生同樣的興奮性聯(lián)接，而距離較遠的神經(jīng)元產(chǎn)生抑制性聯(lián)接。在這種聯(lián)接機制中引入競爭機制的學習方式稱為競爭式學習。它的本質在于神經(jīng)網(wǎng)絡中高層次的神經(jīng)元對低層次神經(jīng)元的輸入模式進行競爭識別。神經(jīng)網(wǎng)絡和模糊集理論都是介于傳統(tǒng)人工智能的符號推理和傳統(tǒng)控制理論的數(shù)值計算之間的方法。兩者有某些共同的基本特點，可以認為兩者是互補的。模糊控制利用專家的先驗知識進行近似處理，但在工程實際應用中對時變參數(shù)非線性系統(tǒng)，缺乏在線學習或自調整的能力。如何自動生成或調整隸屬度函數(shù)或調整模糊規(guī)則，是一個很復雜的問題。神經(jīng)網(wǎng)絡是典型的學習模式，當學習完后，神經(jīng)網(wǎng)絡所獲得輸入/輸出關系無法用容易被人接受的方式表示出來。神經(jīng)網(wǎng)絡雖然具有并行計算、分布式信息存貯、容錯能力強及具備自適應學習功能等一系列優(yōu)點，但不適于表達基于規(guī)則的知識。因此，神經(jīng)網(wǎng)絡進行訓練時，由于不能很好地利用已有的經(jīng)驗知識，常常只能將初始權值取為零或隨機數(shù)，從而增加了網(wǎng)絡的訓練時間或者陷入非要求的局部極值。如何將模糊理論的知識表達容易和神經(jīng)網(wǎng)絡自學習能力強這兩種優(yōu)勢結合起來，取長補短，提高整個系統(tǒng)的學習能力和表達能力，是整個控制工程界需要解決的問題[28]。模糊神經(jīng)網(wǎng)絡是模糊系統(tǒng)與神經(jīng)網(wǎng)絡的有機結合，它吸取了兩者的長處，可組成比單獨的神經(jīng)網(wǎng)絡或單獨的模糊系統(tǒng)性能更好的系統(tǒng)。模糊神經(jīng)網(wǎng)絡與單獨的模糊系統(tǒng)或神經(jīng)網(wǎng)絡一樣，也具有非線性函數(shù)的映射能力?？蛇M行模糊信息處理的神經(jīng)網(wǎng)絡稱為模糊神經(jīng)網(wǎng)絡。它通常是一類由大量模糊的或非模糊的神經(jīng)元相互聯(lián)接構成的網(wǎng)絡系統(tǒng)，也可以把神經(jīng)網(wǎng)絡與模糊控制進行簡單的融合。目前神經(jīng)元網(wǎng)絡與模糊技術的融合方式，大致有下列三種[29]：(1)神經(jīng)元、模糊模型該模型以模糊控制為主體，應用神經(jīng)元網(wǎng)絡，實現(xiàn)模糊控制的決策過程。以模糊控制方法為“樣本”，對神經(jīng)網(wǎng)絡進行離線訓練學習，“樣本”就是學習的“教師”。所有樣本學習完以后，這個神經(jīng)元網(wǎng)絡就是一個聰明靈活的模糊規(guī)則表。 神經(jīng)元、模糊模型 Fuzzy Control And Neuron Network Model(2)模糊、神經(jīng)模型該模型以神經(jīng)網(wǎng)絡為主體，將輸入空間分割成若干不同形式的模糊推論組合，對該系統(tǒng)先進行模糊邏輯判斷，以模糊控制器輸出作為神經(jīng)元網(wǎng)絡的輸入，具有自學習的智能控制特性。(3)神經(jīng)與模糊模型該模型根據(jù)輸入量的不同性質分別由神經(jīng)網(wǎng)絡與模糊控制并行直接處理輸入信息，直接作用于控制對象，各自發(fā)揮控制特點。模糊神經(jīng)網(wǎng)絡有多種類型，與一般神經(jīng)網(wǎng)絡相類似，通常將最基本的神經(jīng)網(wǎng)絡劃分為前向型模糊神經(jīng)網(wǎng)絡和反饋型模糊神經(jīng)網(wǎng)絡兩類[30]。前向型模糊神經(jīng)網(wǎng)絡是一類可實現(xiàn)模糊映射關系的模糊網(wǎng)絡。這類網(wǎng)絡通常由模糊化層、模糊關系映射層和去模糊化層構成。模糊化層是對模糊信息進行預處理的網(wǎng)層，主要由模糊化神經(jīng)元組成。其主要功能是對觀測值和輸入值進行規(guī)范化處理，使之適應后面的網(wǎng)絡化處理。模糊關系映射層是前向型模糊神經(jīng)網(wǎng)絡的核心，可模擬執(zhí)行模糊關系的映射，以實現(xiàn)模糊模式識別、模糊推理和模糊聯(lián)想等。去模糊化層可對映射層的輸出結果進行非模糊化處理。反饋型模糊神經(jīng)網(wǎng)絡主要是一類可實現(xiàn)模糊聯(lián)想存儲與映射的網(wǎng)絡，有時也稱為模糊聯(lián)想存儲器。與一般反饋型神經(jīng)網(wǎng)絡所不同的是，反饋型模糊神經(jīng)網(wǎng)絡中神經(jīng)元不是普通的閾值神經(jīng)元，而是模糊神經(jīng)元。(1)模糊化神經(jīng)元模糊化神經(jīng)元是一類可將觀察值或輸入值定量化或標準化的神經(jīng)元。它接受離散或連續(xù)的、確定的或模糊的單元輸入，而輸出由系統(tǒng)模糊變量基本狀態(tài)隸屬函數(shù)所確定的標準化的值。研究中通常選用單輸入單輸出形式，其輸入輸出關系為： ()其中函數(shù)為模糊化函數(shù)，通常取分段函數(shù)。(2)解模糊神經(jīng)元第二種類似的模糊神經(jīng)元，也稱為去模糊化神經(jīng)元，是一類可將以“分布值”表示的輸出結果以“確定性值”的形式輸出的信息處理單元。為了將“分布值”轉化為“確定性值”，去模糊化函數(shù)通常是一類可將“分布值”整合為其所對應的“確定性值”的一類函數(shù)，其整合功能包括“映射”與“逼近”。(3)模糊邏輯神經(jīng)元在模糊神經(jīng)網(wǎng)絡中，最主要的也是最經(jīng)常使用的一類模糊神經(jīng)元是模糊邏輯神經(jīng)元。這是一類多輸入單輸出類型的神經(jīng)元，其輸入輸出關系為： () ()其中：為神經(jīng)元輸入，其值取區(qū)間[0，1]上的值；為神經(jīng)元連接權值，其值取區(qū)間[0，1]上的值；為神經(jīng)元輸出，其值取區(qū)間[0，1]上的值；為神經(jīng)元閾值；為輸出函數(shù)，常取為單調升函數(shù)；為模糊邏輯函數(shù)或模糊整合函數(shù)，具體形式根據(jù)實際情況和需要確定。本章主要闡述了模糊控制系統(tǒng)的基本原理、模糊控制實現(xiàn)的過程和方法；神經(jīng)網(wǎng)絡的基本原理及其學習方法，并簡要介紹了如何將兩者有機的結合，為下一章利用模糊神經(jīng)網(wǎng)絡控制變頻空調壓縮機工作頻率奠定了理論基礎。東北大學碩士學位論文 第4章　智能變頻空調控制系統(tǒng)的模糊神經(jīng)網(wǎng)絡算法設計第4章　智能變頻空調控制系統(tǒng)的模糊神經(jīng) 網(wǎng)絡算法設計在了解了模糊控制和神經(jīng)網(wǎng)絡理論的相關知識后，本章將結合模糊控制器的工作原理，構造模糊控制模型，確定模糊控制規(guī)則。并在此基礎上嘗試將神經(jīng)網(wǎng)絡和模糊控制技術相結合，設計智能變頻空調模糊神經(jīng)網(wǎng)絡控制系統(tǒng)，并對其進行仿真。變頻空調器的溫控系統(tǒng)是一個多輸入多輸出、非線性的時滯系統(tǒng)。由于空調器的工作環(huán)境千變萬化，不確定因素很多，采用模糊控制具有很大的優(yōu)越性。比起傳統(tǒng)的控制方式來說，系統(tǒng)的抗干擾能力更強，響應速度更快，并對系統(tǒng)參數(shù)的變化有較強的魯棒性。首先通過A/D采樣讀入空調環(huán)境的溫度值，計算溫差和溫差變化變化率，并加以離散化，分成幾檔，每一檔對應一個模糊子集，這樣就完成了精確量的模糊化，得到模糊量值。再根據(jù)預先確定的模糊規(guī)則，作出模糊決策。通過解模糊處理后得到控制對象的精確調節(jié)值，空調系統(tǒng)根據(jù)模糊控制器的該輸出值進行調節(jié)，滿足用戶要求。 變頻空調模糊控制器工作原理 Variable Frequency Airconditioning Fuzzy Control Procedure模糊控制算法中要求明確輸入、輸出變量和模糊控制規(guī)則，以便清晰化處理。本設計采用二維模糊控制器，設模糊語言變量為溫差和溫差變化率作為輸入量，變頻壓縮機工作頻率變化作為輸出量。輸入變量溫度偏差及溫度偏差變化率滿足： () ()其中：為室內溫度；為預設溫度；為采樣時間。模糊控制器將現(xiàn)實的精確量、進行模糊化，由不同狀態(tài)下的控制規(guī)則計算出輸出頻率變化量，將其精確化后加到變頻壓縮機上，即為模糊控制器的主要工作過程。模糊控制器的輸入量是精確量，模糊推理是針對模糊量進行的，因此應先對輸入量模糊化。本文基于常規(guī)模糊系統(tǒng)的模糊模型即標準模型構建模糊系統(tǒng)。 常規(guī)模糊系統(tǒng)的模型 Regular Fuzzy Control System Model設輸入向量為，每個分量經(jīng)過模糊化后均轉化為模糊語言變量，其語言變量值為： ()其中是變量的第個語言變量值，它是定義在論域上的模糊集合。例如為負大、負中、正小等，相應的隸屬度函數(shù)為，它是正態(tài)分布函數(shù)（高斯函數(shù)）。本文設計的系統(tǒng)中，溫差（單位：℃）實際變化范圍取，溫差論域，采用{負大、負中、負小、零、正小、正中、正大}共7個模糊子集來描述。溫差變化率（單位：℃/分鐘）實際變化范圍取，溫差變化率論域，也采用{負大、負中、負小、零、正小、正中、正大}共7個模糊子集來描述。輸入變量的隸屬度函數(shù)均用正態(tài)分布函數(shù)來表示。正態(tài)分布函數(shù)的表達式為： ()。 隸屬度函數(shù)網(wǎng)絡模型 Network Model of Subordinate Function 模糊神經(jīng)網(wǎng)絡（FNN）接點的作用函數(shù)即為()式的正態(tài)函數(shù)。(A)層到(B)層的連接權值，即清晰量轉化為模糊量的量化因子；為網(wǎng)絡權值中心值；網(wǎng)絡權值表示函數(shù)的分布參數(shù)，又稱尺度因子；表示正態(tài)型激活函數(shù)（作用函數(shù)）。于是FNN的輸入輸出映射關系為： ()用正態(tài)型函數(shù)作為節(jié)點激發(fā)函數(shù)，比用兩個S型函數(shù)構成的隸屬