模糊与神经网络的比较——以倒车系统为例.ppt

神经网络系统的仿真试验结果 总 结 1、 FAM规则的获取可以利用常识和修正误差的直觉。模糊系统具有超常的鲁棒性。 2、可以采用DCL方法得到未知的、高维的模糊系统规则。 3、采取神经网络技术来进行模糊信息处理，使得模糊规则的自动提取及模糊隶属函数的自动生成成为可能，进而克服神经网络结构难以确定以及模糊逻辑元自学习功能的缺点，使模糊系统成为一种自适应模糊系统。 模糊与神经网络的比较——以倒车系统为例 倒车问题 模糊系统的一般处理方法 模糊化 模糊推理 去模糊 模 糊 集 输 入 参 数 模 糊 集 输 出 参 数 模糊规则库 模糊系统的模糊集 输入x的隶属度函数 输入Φ的隶属度函数 输出θ的隶属度函数 FAM规则 LE LC CE RC RI RB 1 PS 2 PM PM PB PB RU NS PS PM PB PB RV NM NS PS PM PB VE NM NM 18ZE PM PM LV NB NM NS PS PM LU NB NB NM NS PS LB NB NB NM NM NS 相关最小FAM推理 具体的步骤： 1、根据规则库里的每一条规则都可以产生一个模糊集o’j ； 2、对于每一个模糊集o’j ,它隶属度的最大值不能超过输入值在输入模糊集上的隶属度，超过的就取输入值在输入模糊集上的隶属度。得到模糊集oj； 3、求这些模糊集的和，得到输出模糊集o。 FAM推理示意图 重心法去模糊 模糊控制器试验结果 X=20 Y=20 Φ=30 X=30 Y=10 Φ=220 X=30 Y=40 Φ=-10 神经网络系统 . . . Truck Emulator θk Φ k+1 X k+1 Y k+1 Φ k X k Y k 运动方程式 x’=x+rcos(φ’) y’=y+rsin(φ’) φ’ = φ +θ 容错能力分析之一 停车误差= 轨迹误差= 主要方法： 删除或改变模糊控制器的FAM规则； 删除神经网络训练数据。 容错能力分析之二 模糊与神经网络方法比较之一 1、模糊控制器总能够平滑控制倒车过程，神经网络控制有时形成非正常轨迹； 2、 BP神经网络训练过程时间长，需几千个训练样本，模糊控制的“训练”由常识性的FAM规则库完成，可直接计算控制输出，不需要数学模型仿真； 3、模糊控制计算量小，主要进行实数加法和比较运算。神经网络控制计算量大，主要为实数加法和乘法运算。 模糊与神经网络方法比较之二 4、模糊系统的鲁棒性要比神经网络系统要好。 总之，模糊逻辑控制的特长在于能够充分利用学科领域的知识，能以一定的规则数来表达知识，具有逻辑推理能力。其缺点是完全依赖专家制定的大量控制规则，不具备学习功能。神经网络具有自学习能力和大规模并行处理能力，在认知处理、模式识别方面有很强的优势，主要缺点是结构难以确定，训练样本要求多且准确，训练周期长，而且不能提供一个明确的用于网络知识表达的框架。 关于倒车系统的进一步研究 1、自适应模糊倒车系统 2、克服倒车死区的方法 3、输入参数更多的倒车系统——拖车系统 自适应模糊倒车系统 主要应用了微分竞争学习法（DCL）。 从7个不同的起始位置，以不同的Φ值，利用已知FAM规则，产生相应轨迹，得到2230个训练样本（x, Φ, θ)。 训练样本的分布图及直方图 DCL聚类后的规则库和控制面 克服倒车死区的方法 1、Kosko倒车系统存在的死区问题 2、加入模糊预测器的方法 文献参见： 模糊控制器在倒车系统中的应用 李汉兵 谢维新，西安电子科技大学学报，1999.6. 倒车系统存在的死区问题 1、卡车在靠近边界的永远无法倒车到停车点的区域，叫做死区； 2、在倒车场四角许多可以倒车到停车点，但是无法直接倒车过来的区域，称为准死区； 3、可以顺利通过倒车到达停车点的区域称为活区。 模糊预测器 解决问题的思