基于模糊神經(jīng)網(wǎng)絡(luò)的智能控制策略的研究.pdf

1、當(dāng)今，智能控制的研究領(lǐng)域的主要熱點(diǎn)之一為模糊神經(jīng)網(wǎng)絡(luò)。而模糊神經(jīng)網(wǎng)絡(luò)將模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)集于一身，包括自學(xué)習(xí)、自適應(yīng)、聯(lián)想及模糊信息處理。它具有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，是網(wǎng)絡(luò)自適應(yīng)能力增強(qiáng)，同時(shí)利用現(xiàn)有的專家知識(shí)，使其擁有很強(qiáng)的推理能力。通過結(jié)合他們的優(yōu)勢(shì)，顯著增強(qiáng)了系統(tǒng)的學(xué)習(xí)和表達(dá)能力。
　　 自適應(yīng)是模糊神經(jīng)網(wǎng)絡(luò)具有的優(yōu)勢(shì)，然而輸入數(shù)據(jù)的特征在一定程度上制約了模糊神經(jīng)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的結(jié)構(gòu)和性能。對(duì)于結(jié)構(gòu)簡(jiǎn)單的控制系統(tǒng)，遇

2、到輸入數(shù)據(jù)量很大、維數(shù)較高，則往往會(huì)造成訓(xùn)練的時(shí)間很長(zhǎng)，而且不能取得很好的收斂性，甚至不能收斂。而在輸入數(shù)據(jù)量較小、維數(shù)不高的情況下，采用結(jié)構(gòu)復(fù)雜的控制系統(tǒng)，則會(huì)導(dǎo)致運(yùn)算速度相對(duì)過長(zhǎng)，且收斂速度較慢。這兩種情況的出現(xiàn)都會(huì)影響系統(tǒng)的整體性能。
　　 針對(duì)上述問題，本文在深入研究了模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及參數(shù)學(xué)習(xí)算法的基礎(chǔ)上，根據(jù)輸入數(shù)據(jù)量特點(diǎn)及系統(tǒng)對(duì)性能的要求，采用相應(yīng)的對(duì)策。在輸入數(shù)據(jù)量較少及系統(tǒng)對(duì)收斂性和精度要求不是很高的情況下，

3、利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單的優(yōu)勢(shì)，提出了一種模糊BP神經(jīng)網(wǎng)絡(luò)模型，充分考慮了BP算法過分依賴于網(wǎng)絡(luò)的初始值的問題，對(duì)輸入數(shù)據(jù)進(jìn)行了模糊量化處理，繼而應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)模型。同時(shí)對(duì)輸入維數(shù)較大，收斂速度要求快及精度要求較高的情況，利用聚類算法優(yōu)化輸入空間的優(yōu)點(diǎn)，給出一種基于減法聚類和模糊C均值聚類的模糊神經(jīng)網(wǎng)絡(luò)，通過兩次聚類對(duì)復(fù)雜數(shù)據(jù)進(jìn)行處理，再將處理后的數(shù)據(jù)應(yīng)用于神經(jīng)網(wǎng)絡(luò)模型。
　　 針對(duì)上述建立的結(jié)構(gòu)模型，選擇不同的控制對(duì)象樣本數(shù)據(jù)