12模糊神经网络及其应用12.ppt

第十一讲 混合智能控制 模糊神经网络及其应用 ANN和 FLS的比较 模糊神经网络结构及其学习算法 模糊小波神经网络 在控制中的应用 ANN（Artificial Neural Network）和 FLS（Fuzzy Logical Network）的比较： 相同之处 1） 都是非数值型的非线性函数的逼近器、估计器、和动态系统； 2） 不需要数学模型进行描述，但都可用 数学工具进行处理； 3）都适合于VLSI、光电器件等硬件实现。 不同之处：㈠ 工作机制方面： ANN——大量、高度连接，按样本进行学习 FLS—— 按语言变量、通过隐含、推理和去 模糊获得结果。 ㈣ 应用上： ANN——偏重于模式识别，分类 FLN —— 偏重于控制 神经模糊网络——把ANN的学习机制和FLN的人类思维和推理结合起来。 ㈡ 信息处理基本单元方面： ANN——数值点样本，xi yi FLN——模糊集合（Ai，Bi） ㈢ 运行模式方面： ANN——学习过程透明，不对结构知识编码 FLN——不透明，对结构知识进行编码，推理过程外界 可知 结合方式有3种： 1）神经模糊系统——用神经元网络来实现模糊隶属函数、 模糊推理，基本上（本质上）还是FLN。 2）模糊神经系统——神经网络模糊化，本质上还是ANN。 3）模糊-神经混合系统——二者有机结合。 ●基于神经网络的模糊逻辑运算 ①用神经网络实现隶属函数 ②神经网络驱动模糊推理 ③神经网络的模糊建模 模糊神经网络结构及其学习算法 模糊规则描述如下: 模糊小波神经网络 通过乘积规则推理﹑重心去模糊化, 网络输出可以表示为 : 模糊神经网络 模糊小波神经网络 模糊规则描述如下: i=1,2,…,c 模糊小波神经网络输出 通过乘积规则推理﹑重心去模糊化, 网络输出可以表示为 : 模糊小波神经网络结构图 自适应模糊小波网络控制器设计 控制器 反馈控制 监督控制 自适应控制率 定理1: 对未知非线性系统, 采用给出的控制方案和自适应 律，则: 倒立摆系统 谢谢大家的耐心合作