模糊神经网络结构优化及系统性能评估研究

摘要

模糊神经网络作为智能控制领域中一支倍受关注的分支，它是模糊推理技术和人工神经网络技术的有机的结合，这种结合既弥补了模糊推理技术在学习方面存在的缺陷，又使人工神经网络的“黑箱”结构透明化，因此特别适用于各种复杂系统。控制系统性能评估技术作为当今世界过程控制领域最受关注的研究方向之一，通过对评估标准的计算和分析，实现对控制系统运行状态的评估和监控，确保控制器能够长时间的运行在良好的状态下或者要求的状态下。
　　 模糊神经网络结构和模糊推理算法很大程度上影响了模糊神经网络的性能，因此本文从模糊推理算法的改进和模糊神经网络结构优化两大方面入手，探讨了优化模糊神经网络性能的方法。在控制系统性能评估过程中，总是希望找到一个合适的评估标准，能够准确的对控制系统进行评估，本文通过对误差分布的研究，提出一种以误差概率分布作为控制系统性能评估的标准，实现对控制系统性能的评估和运行状态的监控。
　　 计算型模糊推理算法采用数值计算的方法对传统的推理计算过程进行了改进，改进后的推理算法能够充分考虑所有输入的影响，又能根据输入的变化，对模糊规则进行适当的调整，从而大大提高系统的推理精度，减小稳态误差;矢量“隶属度”法通过对隶属度矢量化处理和模糊等级的标量化处理，把当前输入量的相对方向和大小等级分别反映在矢量“隶属度”和标量模糊等级上，从而通过减少模糊等级数目，实现优化模糊神经网络结构的目的;增长法和剪枝法在单独使用中，各有优缺点，但是将两种算法结合起来，形成增长剪枝联合算法，实现优缺点互补，对规则层节点进行增加或减少操作，在优化结束判断中，两种算法互为条件，最终实现优化模糊神经网络结构的目的。
　　 针对目前工业控制系统中普遍存在系统性能下降的问题，本文提出了一种基于误差概率分布的控制系统性能评估、优化及监控的方法，这种方法根据误差的分布服从正态分布这一原理建立评估标准，通过对系统运行数据的计算和分析，确定系统的运行状态，实现对控制系统性能的评估和监控，根据系统的运行状态和评估参数，对控制参数进行适当的调整，最终完成控制系统性能的评估和控制器参数的优化，确保控制系统能够长时间的运行在良好的状态下或者要求的状态下。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 课题研究的目的和意义

1．1．1 模糊神经网络结构优化

1．1．2 控制系统性能评估

1．2 国内外研究现状

1．2．1 模糊神经网络优化研究现状

1．2．2 性能评估器研究现状

1．3 论文主要内容及结构安排

1．3．1 论文主要内容

1．3．2 论文结构安排

第2章 计算型模糊推理算法

2．1 计算型模糊推理算法介绍

2．1．1 基本思路

2．1．2 CFR算法工作原理

2．1．3 CFR算法的特点

2．2 基于CFR算法的模糊控制器设计

2．2．1 模糊化过程

2．2．2 模糊推理过程

2．2．3 推理计算过程

2．2．4 解模糊过程

2．2．5 CFR型模糊控制器设计步骤

2．3 计算机仿真

2．3．1 控制器动态性能比较

2．3．2 控制器抗干扰性能比较

2．3．3 仿真结果分析

2．4 本章小结

第3章 基于矢量“隶属度”的模糊控制器结构优化

3．1 矢量“隶属度”介绍

3．1．1 基本思路

3．1．2 矢量“隶属度”原理

3．1．3 矢量“隶属度”优化能力分析

3．2 基于矢量“隶属度”的模糊控制器优化设计

3．2．1 模糊化过程

3．2．2 模糊推理过程

3．2．3 推理计算过程

3．2．4 解模糊过程

3．2．5 矢量“隶属度”法的模糊控制器优化设计步骤

3．3 计算机仿真

3．4 本章小结

第4章 模糊神经网络优化

4．1 基于矢量“隶属度”的计算型模糊神经网络介绍

4．2 优化方法介绍

4．2．1 结构优化方法比较

4．2．2 增长剪枝联合算法

4．2．3 增长剪枝联合算法工作流程

4．2．4 模糊神经网络优化

4．3 仿真实验

4．3．1 鸢尾属植物分类

4．3．2 曲线逼近

4．4 本章小结

第5章 基于误差概率分布的控制系统性能评估

5．1 基于误差概率分布的控制系统性能评估原理

5．1．1 控制系统性能评估原理

5．1．2 评估标准

5．2 基于误差概率分布的系统性能评估及优化过程

5．2．1 误差概率分布法系统性能的评估过程

5．2．2 控制系统优化

5．2．3 基于误差概率分布的系统性能评估及优化步骤

5．3 仿真实验

5．4 本章小结

结论与展望

参考文献

致谢

附录A 攻读学位期间发表的学术论文

附录B 程序

B．1 CFR算法程序

B．2 矢量“隶属度”优化程序

B．3 增长剪枝算法程序

B．4 EPD法系统性能评估程序