正规化模糊神经网络及其在提钒炼钢智能控制模型中的应用研究

摘要

控制学术权威Austrom指出：模糊逻辑控制、神经网络和专家系统是三种典型的智能控制方法。由于专家系统在实际应用中有较多的问题和困难(如：知识的获取主要靠人工移植，因此成本高、效率低；采用常规的分明集，致使它的推理能力弱，容易产生匹配冲突、组合爆炸等问题)，现在智能控制的重点则集中在模糊逻辑、神经网络以及二者的结合应用上。特别是二者的结合，由于融合了各自的优点，并能在一定程度上克服二者一些固有的缺陷，因而已受到人们的广泛关注，成为智能控制研究的热点。 本文针对单纯模糊系统在传统建模方法上的缺陷：难以提取和调整模糊规则与隶属函数，并且其工作量往往随变量数目的增长呈指数级增长，在前人提出的正规化模糊神经网络(NFNN)结构基础上，改进了已有的规则合并的算法。利用这种算法，可以将由神经网络自动获取的模糊规则进行合并与调整，并通过一个函数的仿真实验验证了算法的有效性。 转炉炼钢过程是一个复杂的多元多相高温反应过程，其模型的建立则是一个典型的多元非线性的映射过程，尤其在大多中小型转炉不宜增设副枪的条件下，如何在传统的静态模型之外寻找性能更优越的控制模型，就显得比较突出和迫切。本文即是把NFNN应用于某钢厂转炉提钒炼钢静态控制模型的建立问题之中，建立了转炉炼钢的冷却剂加料子模型。论文最后的测试结果说明了这种建模方式的有效性与实用性，也再次验证了规则合并的有效性。

目录

文摘

英文文摘

1绪论

1.1论文的研究目的和意义

1.2智能控制模型发展概述

1.2.1模糊逻辑在控制系统建模中的应用与发展

1.2.2神经网络的发展与应用概述

1.2.3模糊逻辑与人工神经网络的结合

1.3模糊神经技术的研究及应用现状

1.3.1研究及应用现状

1.3.2模糊神经网络的最新研究趋势

1.4本论文的主要研究工作

2模糊神经网络的建模机理

2.1模糊逻辑系统的建模机理

2.1.1模糊控制系统概述

2.1.2初始模型的建立

2.1.3模糊逻辑模型的学习

2.1.4模糊逻辑推理和非模糊化

2.1.5常见的模糊逻辑系统

2.2神经元网络与模糊逻辑在建模上的等价性与互补性

2.2.1神经网络的模型结构

2.2.2神经网络与模糊逻辑系统的比较

2.2.3神经元网络与模糊逻辑在建模上的等价性

2.2.4模糊逻辑系统与神经元网络在建模上的互补性

2.3几种模糊神经网络的模型结构

2.3.1基于神经元网络的模糊控制系统

2.3.2模糊神经元网络

2.3.3用模糊逻辑增强的神经元网络

2.4 小结

3正规化模糊神经网络(NFNN)

3.1 NFNN模型结构

3.2 NFNN的学习算法

3.3模糊规则的合并问题

3.4仿真实验

3.5小结

4 NFNN在转炉提钒炼钢静态控制模型中的应用

4.1转炉提钒炼钢工艺流程概述

4.2影响转炉提钒炼钢的主要因素

4.3转炉提钒的模型设计

4.3.1模型结构选择

4.3.2模型的参数选择

4.4模型的训练

4.4.1数据预处理

4.4.2原始数据的标准化

4.4.3算法框图

4.5测试结果分析

4.6 小结

5结论

致谢

参考文献