基于自组织模糊神经网络的网络控制系统远程控制器设计

摘要

本文提出将自组织模糊神经网络(SCFNN)应用于网络控制系统中远程控制器的设计.SCFNN的学习过程包括结构学习和参数学习两个阶段.结构学习的目的是对输入空间进行合理的模糊划分,而参数学习是通过有监督梯度下降算法来调整模糊规则中结论部分中的权值以及隶属度函数的参数.在最初的SCFNN中只有输入节点和输出节点,而没有任何隶属度函数和规则的节点.在学习过程中逐渐地生成了中间层节点,从而动态地获得一组的模糊控制规则.本文对基于Profbus-DP网络的网络控制系统进行测试,并与修正Ziegler-Nichols法的优化结果进行比较,结果表明在对网络导致的延迟没有任何先验知识的情况下,用于网络控制系统中远程控制器设计的SCFNN能够获得满意的控制效果.