【文章內(nèi)容簡介】 量，并作用在被控對象上，從而實現(xiàn)模糊控制過程?？刂葡到y(tǒng)的目的是確定適當?shù)妮斎肟刂屏?，使系統(tǒng)的實際輸出接近期望的輸出。神經(jīng)網(wǎng)絡(luò)通過系統(tǒng)的實際輸出與期望輸出之間的誤差來調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)重，即讓神經(jīng)網(wǎng)絡(luò)學習，直至誤差趨近于零的過程，就是神經(jīng)網(wǎng)絡(luò)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(quán)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(luò)是由大量的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)。根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)可分成兩大類“沒有反饋的前向網(wǎng)絡(luò)和互相結(jié)合性網(wǎng)絡(luò)”。前向網(wǎng)絡(luò)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。互相結(jié)合性網(wǎng)絡(luò)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(luò)主要有BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、CMAC網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)等。在眾多神經(jīng)網(wǎng)絡(luò)模型中，應(yīng)用最廣泛的是BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)，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(luò)的輸出與網(wǎng)絡(luò)的連接權(quán)之間呈非線性關(guān)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(luò)，則具有唯一最佳逼近的優(yōu)點，其網(wǎng)絡(luò)的連接權(quán)與輸出呈線性關(guān)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(luò)模型，但根據(jù)已有的神經(jīng)網(wǎng)絡(luò)，可分為三大類，即前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)[25~27]。(1)前向網(wǎng)絡(luò)前向網(wǎng)絡(luò)又稱前饋型神經(jīng)網(wǎng)絡(luò)。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(luò)是一種強有力的學習系統(tǒng)，其結(jié)構(gòu)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(luò)結(jié)構(gòu) Forward Network Structure(2)反饋網(wǎng)絡(luò)。若總結(jié)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(luò)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(luò)結(jié)構(gòu) Feedback Network Structure(3)自組織網(wǎng)絡(luò)自組織網(wǎng)絡(luò)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(diào)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(luò)智能特性的主要標志。所謂神經(jīng)網(wǎng)絡(luò)的學習，主要是指通過一定的學習算法實現(xiàn)對突觸結(jié)合強度（權(quán)值）的調(diào)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(luò)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(luò)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(diào)整網(wǎng)絡(luò)的權(quán)值，最終使差異變小。在無教師學習中，輸入模式進入網(wǎng)絡(luò)后，網(wǎng)絡(luò)按照一預先設(shè)定的規(guī)則（如競爭規(guī)則）自動調(diào)整權(quán)值，使網(wǎng)絡(luò)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(quán)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(diào)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(yīng)當加強，即： ()其中為連接從神經(jīng)元到的當前權(quán)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(shè)誤差準則函數(shù)，其中代表期望輸出（教師信號）；為網(wǎng)絡(luò)的實際輸出；是網(wǎng)絡(luò)的所有權(quán)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(luò)，但隱含層間存在互聯(lián)結(jié)構(gòu)且網(wǎng)絡(luò)層次不明顯。對于這種網(wǎng)絡(luò)的訓練過程，就是根據(jù)規(guī)則 ()對神經(jīng)元、間的連接權(quán)值進行調(diào)整的過程。其中為學習速率；表示網(wǎng)絡(luò)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(zhuǎn)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(diào)整權(quán)值的原則是：當時，權(quán)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(nèi)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(zhì)在于神經(jīng)網(wǎng)絡(luò)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(luò)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(yīng)用中對時變參數(shù)非線性系統(tǒng)，缺乏在線學習或自調(diào)整的能力。如何自動生成或調(diào)整隸屬度函數(shù)或調(diào)整模糊規(guī)則，是一個很復雜的問題。神經(jīng)網(wǎng)絡(luò)是典型的學習模式，當學習完后，神經(jīng)網(wǎng)絡(luò)所獲得輸入/輸出關(guān)系無法用容易被人接受的方式表示出來。神經(jīng)網(wǎng)絡(luò)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(yīng)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(luò)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(quán)值取為零或隨機數(shù)，從而增加了網(wǎng)絡(luò)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(luò)自學習能力強這兩種優(yōu)勢結(jié)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(luò)是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的有機結(jié)合，它吸取了兩者的長處，可組成比單獨的神經(jīng)網(wǎng)絡(luò)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(luò)與單獨的模糊系統(tǒng)或神經(jīng)網(wǎng)絡(luò)一樣，也具有非線性函數(shù)的映射能力。可進行模糊信息處理的神經(jīng)網(wǎng)絡(luò)稱為模糊神經(jīng)網(wǎng)絡(luò)。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(gòu)成的網(wǎng)絡(luò)系統(tǒng)，也可以把神經(jīng)網(wǎng)絡(luò)與模糊控制進行簡單的融合。目前神經(jīng)元網(wǎng)絡(luò)與模糊技術(shù)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(yīng)用神經(jīng)元網(wǎng)絡(luò)，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(luò)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(luò)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(luò)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(luò)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(zhì)分別由神經(jīng)網(wǎng)絡(luò)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(luò)有多種類型，與一般神經(jīng)網(wǎng)絡(luò)相類似，通常將最基本的神經(jīng)網(wǎng)絡(luò)劃分為前向型模糊神經(jīng)網(wǎng)絡(luò)和反饋型模糊神經(jīng)網(wǎng)絡(luò)兩類[30]。前向型模糊神經(jīng)網(wǎng)絡(luò)是一類可實現(xiàn)模糊映射關(guān)系的模糊網(wǎng)絡(luò)。這類網(wǎng)絡(luò)通常由模糊化層、模糊關(guān)系映射層和去模糊化層構(gòu)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(yīng)后面的網(wǎng)絡(luò)化處理。模糊關(guān)系映射層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心，可模擬執(zhí)行模糊關(guān)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(jié)果進行非模糊化處理。反饋型模糊神經(jīng)網(wǎng)絡(luò)主要是一類可實現(xiàn)模糊聯(lián)想存儲與映射的網(wǎng)絡(luò)，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(luò)所不同的是，反饋型模糊神經(jīng)網(wǎng)絡(luò)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(guān)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(jié)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(zhuǎn)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(yīng)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(luò)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(guān)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(quán)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(diào)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(luò)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(jié)合，為下一章利用模糊神經(jīng)網(wǎng)絡(luò)控制變頻空調(diào)壓縮機工作頻率奠定了理論基礎(chǔ)。東北大學碩士學位論文 第4章　智能變頻空調(diào)控制系統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)算法設(shè)計第4章　智能變頻空調(diào)控制系統(tǒng)的模糊神經(jīng) 網(wǎng)絡(luò)算法設(shè)計在了解了模糊控制和神經(jīng)網(wǎng)絡(luò)理論的相關(guān)知識后，本章將結(jié)合模糊控制器的工作原理，構(gòu)造模糊控制模型，確定模糊控制規(guī)則。并在此基礎(chǔ)上嘗試將神經(jīng)網(wǎng)絡(luò)和模糊控制技術(shù)相結(jié)合，設(shè)計智能變頻空調(diào)模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，并對其進行仿真。變頻空調(diào)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(diào)器的工作環(huán)境千變?nèi)f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(yīng)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(diào)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(yīng)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(diào)節(jié)值，空調(diào)系統(tǒng)根據(jù)模糊控制器的該輸出值進行調(diào)節(jié)，滿足用戶要求。 變頻空調(diào)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(shè)計采用二維模糊控制器，設(shè)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(nèi)溫度；為預設(shè)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(yīng)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(gòu)建模糊系統(tǒng)。 常規(guī)模糊系統(tǒng)的模型 Regular Fuzzy Control System Model設(shè)輸入向量為，每個分量經(jīng)過模糊化后均轉(zhuǎn)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(yīng)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(shè)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(luò)模型 Network Model of Subordinate Function 模糊神經(jīng)網(wǎng)絡(luò)（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(quán)值，即清晰量轉(zhuǎn)化為模糊量的量化