CN102122132A - 一种基于模糊神经网络的用于环境模拟***的智能控制*** - Google Patents

Abstract

用于环境模拟***的智能控制***，包括：神经网络模块，用于实现输入量的模糊化、模糊推理、模糊控制规则、解模糊操作；学习算法模块，用于进行所述神经网络模块的学习。模糊控制不依赖于对象的模型；神经网络具有分布并行处理，非线性映射，鲁棒容错和泛化能力强等特点，在智能信息处理方面有广泛的应用，学习后的神经网络能够无限逼近环境模拟***参数输出信号的非线性函数且有很强的泛化能力。因此本发明将这两者的优点结合，实现了用神经网络表示模糊控制中的模糊化，模糊推理和解模糊，用神经网络的自适应学习能力进行有效协调的控制，克服了现有技术控制协调性差的缺点，提高了控制的可靠性与协调性，拓展了其应用范围，也可用于其它传感器输出信号的协调性控制。

Description

一种基于模糊神经网络的用于环境模拟***的智能控制***

技术领域

本发明涉及一种用于环境模拟***的基于模糊神经网络的智能控制***，用于环境模拟***参数的有效和稳定的控制。

背景技术

砂尘环境是引起许多工程和/或武器装备失效的一个重要环境因素，其主要损坏类型有：冲蚀、磨损、腐蚀及渗透等。砂尘环境试验是分析，评价各种类型装备和仪器在沙漠或干旱地区风沙环境下的工作性能，可靠性，稳定性的重要手段。无论是在国军标，还是在其他各类标准中都对砂尘环境试验的砂尘浓度条件做出了严格的规定。

由于现代科研和实际生产的需要，越来越多的地方都需要诸如砂尘环境试验的环境模拟试验，这也就凸显出了环境模拟试验的重要性。以砂尘环境试验为例，由于砂尘环境试验的特殊性，用于砂尘环境试验的风洞较普通空气动力学风洞复杂：除具有与普通风洞类似的循环风道和主风机外，还具有向循环风道内喷砂/尘用的气力输送管道，配套的压缩空气调节阀和旋转给料器；调节风洞内部压力用的调压风机；装于循环风道内的用于保护主风机并回收试验用砂/尘料的气固分离装置等普通风洞内没有的特殊装备，***较为复杂，因此，相应的砂尘浓度控制难度也较大。

循环风道内的风速变化，调压过程中的辅助气流流量变化，气力输送***的供气压力变化均会引起风洞内的砂尘浓度和气力输送***固气混合比变化，所以当通过调整给料器转速来控制浓度时，会引起气力输送管内固气混合比振荡，不利于稳定的输送砂尘和扩散；当通过调整调节阀的开度来控制时，管道内的固气混合比又很难测定。所以，砂尘环境试验浓度的控制重点和难点是如何在控制实验浓度变化的同时，使协调给料器的转速和调节阀开度使气力输送管内的固气混合比变化更为合理化和有效。

解决砂尘环境试验风洞下的浓度控制的方法有两个思路：一是在硬件装备上采用闭环方案，这种方案可以很大程度的提高浓度控制的协调性，但却增加了硬件的复杂性，提高了成本，消耗能源多，且在小型化和可靠性等方面受到了极大的限制；二是传统PID控制方法。该方法需要精确地描述***动态数学模型，这对于带有未知变化量的***是一个很主要的限制因素。即使能够得到控制***的模型，但饱和，扰动，参数变化这些未知的条件也是不可能用精确的模型建立的。

发明内容

根据本发明的一个方面，提供了用于环境模拟***的一种智能控制***，其特征在于包括：

神经网络模块，用于实现输入量的模糊化、模糊推理、模糊控制规则、解模糊操作；

学习算法模块，用于进行所述神经网络模块的学习。

根据本发明的一个进一步的方面，上述学习算法模块包括：

变化差异判定模块，用于判断所述输入量的变化差异是否超过预定值；

离线学习模块，用于在所述智能控制***初始化时和/或所述输入量的变化差异被判定超过预定值时执行所述神经网络模块的离线学习；

在线学习模块，用于在所述输入量的变化差异被判定未超过预定值时执行所述神经网络模块的在线学习。

根据本发明的另一个方面，提供了用于环境模拟***的一种智能控制方法，其特征在于包括：

模糊控制步骤，利用神经网络模块对输入量进行模糊化、模糊推理、模糊控制规则、解模糊操作；

学习步骤，进行所述神经网络模块的学习。

根据本发明的一个进一步的方面，所述学习步骤包括：

变化差异判定步骤，判断所述输入量的变化差异是否超过预定值；

离线学习步骤，用于在所述智能控制***初始化时和/或所述变化差异判定步骤判定所述输入量的变化差异超过预定值时执行所述神经网络模块的离线学习；

在线学习步骤，用于在所述变化差异判定步骤判定所述输入量的变化差异未超过预定值时执行所述神经网络模块的在线学习。

附图说明

图1显示了应用了本发明的一个实施例的砂尘环境试验风洞***。

图2显示了砂尘环境试验风洞浓度控制总体控制流程图。

图3A和3B是现有技术的基于模糊控制的砂尘环境试验风洞参数控制原理图。

图4A和4B是根据本发明的一个实施例的砂尘环境试验风洞参数控制的模糊-神经网络控制原理图。

图5是图4A和4B中的模糊-神经网络控制器的结构图。

图6显示了根据本发明的一个实施例的基于混合学习算法的砂尘环境试验风洞浓度模糊-神经网络控制结构图。

图7是根据本发明的一个实施例的砂尘环境试验风洞浓度模糊-神经网络控制***学习算法的流程图

图8是根据本发明的一个实施例的砂尘环境试验风洞浓度模糊-神经网络控制***混沌离线学习算法的流程图。

附图标记说明：

101：循环风道  102：旋转给料器  103：砂尘料回收器

105：模糊-神经网络控制器  106：压缩空气调节阀

107：感应器  501：前层网络  502：后层网络

S703：离线全局优化  S704：判断浓度差值是否过大

S705：BP(基于误差反向传播的)梯度在线学习

e：浓度偏差的精确量  e_c：偏差变化率的精确量

R(t)：模糊控制***给定浓度值  Y(t)：被控浓度量

u(t)：控制器输出  x₁(t)，x₂(t)：控制器输出变量

e(t)：浓度偏差的精确量  U：输出的模糊量  u：输入的调节精确量

E：浓度偏差的模糊量  E_c：偏差变化率的模糊量

e：浓度偏差的精确量  e_c：偏差变化率的精确量

R(t)：模糊控制***给定浓度值  Y(t)：被控浓度量

f(z)＝1/(1+e^-z) $X_f=f\left({\mathrm{Net}}_j^{\left(1\right)}\right)$ ${\mathrm{Net}}_j^{\left(1\right)}=\underset{i}{\mathrm{\Σ}}{W}_{\mathrm{ij}}^{\left(1\right)}\·X_i+{\mathrm{\θ}}_j$

$X_f=f\left({\mathrm{Net}}_k^{\left(2\right)}\right)$ ${\mathrm{Net}}_k^{\left(2\right)}=\underset{j}{\mathrm{\Σ}}{W}_{\mathrm{jk}}\·X_j+{\mathrm{\θ}}_k$

$u=f\left({\mathrm{Net}}_l^{\left(3\right)}\right)$ ${\mathrm{Net}}_l^{\left(3\right)}=\underset{k}{\mathrm{\Σ}}{W}_{\mathrm{kl}}\·X_k+{\mathrm{\θ}}_l$

W：每层之间的连接权值  θ：每一层每个节点的阀值

具体实施方式

本发明的技术解决问题：克服现有技术在协调控制合理性，可靠性和有效性方面的不足，提出了一种在沙尘环境试验风洞中基于模糊-神经网络的智能浓度控制***。该***实现了对浓度控制的稳定性和可靠性，在整个砂尘环境试验风洞的浓度控制中有效的提高了相互的协调性，浓度控制的随时性；同时拓展了其应用范围，且简单，易于实现。

图1示意显示了根据本发明的的一个实施例的、用于砂尘环境试验风洞的基于混合学习算法的模糊-神经网络的智能浓度控制***，其中首先通过装在循环风道101内的浓度传感器和风速传感器107)进行浓度和风速的感应测量，得到测量值之后传递给模糊-神经网络控制器105，在控制器105内进行一系列变换操作和学习训练，最终得到相应的控制量传递给作为被控机构的旋转给料器102和压缩空气调节阀106，之后被控机构102、106进行与控制量相对应的操作，调节旋转给料器102的旋转转速和压缩空气调节阀106的开度，此时作为被控参数的浓度和风速得到了改变，循环风道101内的传感器107将测量值浓度和风速再次传送给控制器105，以检验是否完成所要求的控制，如为所要求的参数值，则保持稳定，反之则继续前面步骤，直到达到要求为止，如图1和2所示。标号103表示一个砂尘料回收器。

对于上述智能浓度控制的要求，从本质上来讲，砂尘环境试验风洞浓度的智能控制是一种受非线性和时变因素影响的动态模型，这样复杂的模型可采用非线性反馈线性化技术来设计控制规律。根据本发明的一个实施例将模糊控制***与神经网络相结合，构成基于模糊-神经网络的浓度智能控制***，用神经网络来表示传统模糊控制***的一系列过程(模糊化，模糊推理，模糊控制规则，解模糊)。传统的模糊控制***如图3A和3B，它是一种仿人思维的智能化非线性控制技术，它不依赖于对象模型，但由于传统的模糊控制***所依赖的控制规则缺乏在线自学习能力，不适应被控对象变化的需求，严重影响了控制的效果。

因此，在如图4A和4B所示的根据本发明的实施例中，利用一种基于模糊误差渐小算法的模糊神经网络，避免了对辨识网络的设计，从而减少控制器设计的复杂性。

图5显示了如图4A和4B所示的根据本发明的实施例中采用的模糊神经网络，该模糊神经网络是由一个前层网络501和一个后层网络502构成。前层网络501的模糊逻辑的输出作为后层网络502的输入，后层网络502是用一种简单的线性方程来拟合前层网络的规则和后层网络的输出变量。

然后，利用混合学习算法调整该模糊神经网络控制器的参数。根据本发明的一个实施例，先采用混沌算法离线优化，再采用基于误差反向传播算法的梯度下降法(BP梯度下降法)实时学习调整，进行学习过程的全局优化，使浓度控制在参数变化与外部干扰情况下具有良好的稳定度。如图7所示，根据本发明的一个实施例，在进行离线学习时，又分两种状况，一种是在初始状态下要进行模型的离线学习，第二种是在被控参数调控量超过范围值时，要进行模型的离线学习。通过上述措施，能够较好地实现被控参数的协调控制与稳定控制。

图6显示了根据本发明的一个实施例的基于混合学习算法的模糊-神经网络的智能浓度控制***，其中混合学习模块61包括：变化差异判定模块611，用于判断输入量的变化差异是否超过预定值；离线学习模块612，用于在智能控制***初始化时和/或所述输入量的变化差异被判定超过预定值时执行神经网络模块的离线学习；在线学习模块613，用于在输入量的变化差异被判定未超过预定值时执行神经网络模块的在线学习。

在此基础上，本发明人提出了一种基于模糊-神经网络的智能控制***。

以下描述根据本发明的一个实施例的模糊-神经网络控制***的结构。根据本发明的一个实施例采用了双输入、单输出模糊-神经网络***。如图5所示，该模糊神经网络由前层网络501与后层网络502两部分组成。前层网络501用来匹配模糊规则的前层，它相当于每条规则的适应度。后层网络502用来实现模糊规则的后层。

1)前层网络501

前层网络501有四层，每一层表示模糊推理过程的一步，每层的意义 如下：

第一层为前层网络输入层。该层中每个神经元表示一个输入信号，神经元个数等于模糊规则前提中出现的变量个数，它把输入矢量X＝(x₁，x₂，...x_n)^T直接传递给下一层。第i个神经元与输入变量X的第i个单元x_i相连。

第二层是模糊化层。每个节点代表一个语言变量：即{负大，负中，负小，零，正小，正中，正大}＝{NB，NM，NS，ZO，PS，PM，PB}。这一层中的每一个神经元用于模拟输入变量的一个隶属函数，它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数。根据本发明的一个实施例，采用高斯函数作为隶属函数，即：

$y=e^{-\frac{{(x-c)}^2}{{\mathrm{\σ}}^2}}---\left(1\right)$

$I_{\mathrm{isi}}^{\left(2\right)}=-\frac{{(x_i^1-c_{\mathrm{isi}})}^2}{{\mathrm{\σ}}_{\mathrm{isi}}^2},$ $o_{\mathrm{isi}}^{\left(2\right)}={\mathrm{\μ}}_i=e^{-\frac{{(x_1^{\left(1\right)}-c_{\mathrm{isi}})}^2}{{\mathrm{\σ}}_{\mathrm{isi}}^2}}---\left(2\right)$

其中c_isi，o_isi分别表示隶属度函数的中心和宽度。

第三层是模糊规则层。其每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前层，计算每条规则的适用度。这层中神经元的个数取决于模糊化层的神经元结构。模糊规则层的神经元本身依据最小值方法来得到结果，实现模糊推理。该层神经元用于完成模糊“与”运算，在这里应用“乘”算子来完成“与”运算，每个节点j的输出为该节点所有输入信号的乘积。即：

$a_j={\mathrm{\μ}}_1^{s_{1j}}{\mathrm{\μ}}_2^{s_{2j}}$ s_1j∈{1，2，...，m₁}，s_2j∈{1，2，...，m₂}    (3)

$I_k^3={\mathrm{\μ}}_1^3{\mathrm{\μ}}_2^3=a_k,$ $o_k^3=I_k^3---\left(4\right)$

第四层为前层网络的输出层。每个节点进行归一化处理，也可用来看作后层网络输出层的权值。

$I_j^{\left(4\right)}=\stackrel{\‾}{a_j}=\frac{a_j}{\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}{a}_i}$ $o_j^{\left(4\right)}=I_j^{\left(4\right)}=a_j---\left(5\right)$

2)后层网络502

后层网络由三层组成。输入层与中间层的连接权系数ri利用算法进行调整。

第一层为后层网络的输入层。该层中的输入是前层网络的模糊规则层的输出。该层神经元的输出h_i为前层网络的模糊规则层的第i条规则的隶属度a_i的函数。定义函数为：

h_i(a_i)＝0     a_i≤0.5

h_i(a_i)＝a_i    a_i＞0.5            (6)

第二层为中间层。其权变量r_i表示第i条模糊规则的重要性，根据后层网络i条模糊规则的结构，定义一个输入层变量h_i的线性函数f_i。即：

f_i＝r_ih_i              (7)

其中：i＝1，2，...，N_A；N_A是模糊规则的数目；

第三层为后层网络的输出与总的输出层

$y=\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}\stackrel{\‾}{a_j}{f}_i=\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}\stackrel{\‾}{a_j}\left(r_i{h}_i\right)$ $I_j^{\left(5\right)}=o_j^{\left(5\right)}=y;---\left(8\right)$

模糊神经控制器参数的混合学习训练

需要学习的参数主要是在前层网络的模糊化层和后层网络的中间层中，即：隶属度函数的中心值c_isi和宽度o_isi以及权值r_i的系数即后层网络的连接权。在根据本发明的一个实施例中，采用对参数的混合学习算法，即基于混沌优化算法的离线学习和基于BP梯度下降学习法的在线学习。

如图7所示，在混合学习中，首先在初始状态下通过混沌算法进行模型的离线全局寻优(步骤S703)，得到次优或者最优解，在此基础上应用BP梯度下降法进行参数的在线实时细化调整(步骤S705)。

如图7所示，根据本发明的一个实施例，可选地，在非初始状态下的实时控制时，在每次进行在线寻优(步骤S705)之前，要先判断浓度差值是否过大(S704)，如果超过规定限额，则要先进行离线的模型学习训练(步骤S703)，直到差值在允许范围以内之后，再进行在线的学习训练。这样可以减少振荡，以及缩短控制时间。

图8显示了根据本发明的一个实施例，该实施例中采用了混沌寻优算法，其实质上是利用混沌变量在某区间内具有遍历性和随机性的特点，引入退火策略，实现粗搜索与细搜索相结合的功能。首先根据控制***的性能指标，通过混沌粗搜索找出模糊神经网络参数系的次优解，然后采用基于模拟退火策略的时变参量z(t)自动缩小混沌变量遍历范围，实现混沌细搜索的目的，这样便可快速地找到参数全局最优解。为了反映控制***的动，静态特性的性能指标E₁为最小。

$E_1=\underset{n=1}{\overset{H}{\mathrm{\Σ}}}{\mathrm{\ρ}}_n\left[a\underset{k=0}{\overset{L}{\mathrm{\Σ}}}\right|e_n\left(k\right)|k/\max \left(e_n\left(k\right)\right)+{\mathrm{\β\σ}}_n]---\left(9\right)$

为找到参数的最优解，将模拟退火策略引入混沌动力学中，采用Logistic映射：

X_n+1＝μX_n(1-X_n)  0＜X_n＜1  n＝0，1，...，N    (10)

式中：μ为控制参量。

现在的优化问题是：

minE₁(X_i)             (11)

因此给予退火策略的混沌优化算法步骤如下：

(1)(步骤S801)算法的初始化，选取一定量的微小差异的初始值，形成不同轨迹的混沌变量。

(2)(步骤S802)将步骤(S801)选定的混沌变量分别引入到式(10)中，使混沌变量得到优化，并将混沌变量的变化范围放大到相应的取值范围。

X′_in+1＝c_i+d_iX_i，n+1            (13)

(3)(步骤S803)应用混沌变量进行迭代搜索。将次优解分别代入式(11)和(12)，产生新的变量值，

并计算相应的性能指标。

(13)

z(t+1)＝(1-a)z(t)          (14)

式中：a为衰减因子，0＜a＜1，z(t)为时变参数

(4)(步骤S804)计算相应的性能指标E₁。

(5)(步骤S 805)t＝t+1，n＝n+1

(6)(步骤S806)根据式(12)计算z(t)，并进行判定：若z(t)≤Q，则停止，否则转回步骤(S804)。

(7)(步骤S807)找到***性能指标最小值，其所对应的参数值即为最优解。

通过上述的离线学习之后，难免与实际参数有一定的差距，因此，利用BP梯度算法在线实时修正所得到网络的参数，搜索过程以原参数为基础，在原参数的较小领域内进行。

定义性能指标：

$J=\frac{1}{2}\mathrm{\Σ}{(y_o-y)}^2---\left(15\right)$

式中：y_o：给定值  y：***的实际输出值在t时刻后的权值调节式为：

$w_i(t+1)=w_i\left(t\right)-\mathrm{\η}\frac{{\∂J}_c}{{\∂w}_i\left(t\right)}-\mathrm{a\Δw}\left(t\right)---\left(16\right)$

其中：

$\frac{{\∂J}_c}{{\∂w}_i\left(t\right)}=(y_d-y\left(t\right))\frac{\∂y\left(t\right)}{\∂u\left(t\right)}{\mathrm{\μ}}_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_i---\left(17\right)$

在被控对象为知的情况下，可采用最小二乘法近似得：

$\frac{\∂y\left(t\right)}{\∂u\left(t\right)}\≈\frac{y\left[u(t+1)\right]-y\left[u\left(t\right)\right]}{u(t+1)-u\left(t\right)+\mathrm{\ϵ}}---\left(18\right)$

其中：η为学习率；a为动量因子；ε为非常小的正数

根据本发明的实施例的基于模糊-神经网络的砂尘环境试验风洞参数智能控制***具有如下优点：

-模糊控制的鲁棒性强，结构简单的特点；

-不需要建立被控***的精确数学模型，可用语言变量来描述***；

-其神经网络具有非线性映射，自学习能力，分布存储能力及处理信息等特点，因此将神经网络与模糊控制结合在一起，使得控制***不仅具备处理不精确性，不确定性的能力，同时还具有了学习能力，不断修正神经网络连接权值，最终达到砂尘环境试验风洞的浓度智能控制的协调性和可靠性；

-减少了砂尘浓度调节过程中的旋转给料器转速的波动幅度，稳定气力输送管道内固气混和比以及减小试验段砂尘浓度波动幅度。

基于模糊-神经网络的浓度智能控制***的神经网络结构是由一个前层网络，一个后层网络构成。前层网络的模糊逻辑的输出作为后层网络的输入，后层网络是用一种简单的线性方程来拟合前层网络的规则和后层网络的输出变量。前层网络由一个输入层，两个隐含层和一个输出层组成。该结构的第一层为输入，第二层到第四层都有明确的模糊逻辑意义，对应于模糊逻辑控制的模糊化，规则推理和输出三个步骤。网络输入的变量为浓度误差和误差变化率。第二层节点采用高斯型的激活函数表示模糊变量的隶属度函数，调整该层的权值和阀值，也就是说调整高斯型函数的中心向量和宽度向量，从而得到不同形状和位置的隶属度函数该层的输出就是模糊变量的隶属度，浓度误差由诸如7个模糊子集组成。第三层将模糊化得到的隶属度两两相乘，输出代表模糊规则的强度。第四层是对每个节点进行归一化计算。后层网络由三层组成，第一层是后层网络的输入层。第二层为中间层。第三层是后层网络的输出层及总的输出层。

需要说明的是，学习训练后的神经网络能够很好的调整参数，高精度的逼近浓度智能控制的输入输出信号的非线性函数，且具有很强的泛化能力。学习的过程分两步走，首先进行离线动态浓度模型学习，离线学习又分两种情况，一种是在初始状态下进行离线模型学习，另一种是在非初始状态下实际控制过程中，当被控量浓度变化量很大，超过规定范围值时，要先进行离线的模型学习，这样可以进行在线学习之前，使误差量缩小，缩短在线学习的时间。

离线模型学习的调整参数实质上是利用混沌变量在某区间内具有遍历性和随机性的特点，引入模拟退火侧率，实现搜索功能，快速找到全局最优解。在线学习阶段，在线学习调整参数又要用到BP梯度下降法，作用于神经网络结构的前层网络参数集，由于后层网络的输入时前层网络的输出值，所以很少的神经元对输出起作用，故只需对有限个权限值进行调整即可。这样使参数集的调整更加有效和准确，收敛性会更快。

定义离线学习时，专家***的动态模型为：

$[V_{\mathrm{ts}}+(1-{\mathrm{\η}}_t)V_{\mathrm{tf}}]\frac{{\mathrm{dC}}_t}{\mathrm{dt}}=\frac{k_p{\mathrm{\μ}}_p{m}_p}{1+m_p}\sqrt{p_p-p_t}-[g_0(1-{\mathrm{\η}}_t)+A_t{v}_t{\mathrm{\η}}_t]C_t---\left(19\right)$

$M_p\frac{{\mathrm{dm}}_p}{\mathrm{dt}}{k}_f{n}_f-\frac{k_p{\mathrm{\μ}}_p{m}_p}{1+m_p}\sqrt{p_p-p_t}---\left(20\right)$

式中：

V_ts，V_tf：循环风道加料口与分离段出口之间高浓度区容积及其余各段风道的总积

η_t：风道内的气固分离装置的分离效率

m_p，μ_p，p_p气力输送***加料管内砂尘料与压缩空气的质量混合比，气源调节阀开度和气源压力

p_t，k_p循环风道试验段压力，加料管的流量系数

A_t，v_t，C_t：循环风道试验段横截面积，风速，砂尘浓度

n_f，k_f旋转给料器转速，比例系数

M_p：气力输送管道内的空气质量

本发明与现有技术相比的优点在于：

(1)采用模糊控制理论与神经元网络相结合的控制方式，它用神经网络来表达模糊化层，规则层，解模糊化层，有效的增强了泛化能力，对学习样本快速归纳模糊规则，形成分布式的知识体系，超调量小，响应快，稳态误差小，且实现简单。

(2)本发明属于软件控制方式，操作简单，成本低廉。

(3)本发明由前层网络和后层网络两部分组成，具很好的跟踪特性，而且***的抗干扰能力强，运行速度快，对于实时***具有很强的可行性和实用性。

(4)本发明的离线模型学习分为两种情况，一种是在初始状态进行离线模型学习，另一种是在在线控制时，当被控对象浓度值超过某一规定范围值时，要先进行离线的模型学习，当差值进一步缩小之后，再进行在线学习，这种方式对于参数的学习能过很好的避免振荡性和提高稳定性。

应用实例

本发明的核心思想是利用神经网络控制具有很好的非线性映射，自学习能力等优点，将模糊控制和神经网络有效的结合起来，用神经网络来表达模糊化层，规则层和解模糊层，通过神经网络的自学习能力进行训练，不断修正神经网络的链接权值，求精模糊规则。同时采取一定的措施加快响应速度和提高抗干扰能力。使砂尘环境试验风洞的浓度控制的协调性得到了有效的补充，有效地改善了砂尘环境试验风洞内砂尘浓度控制效果的同时抑制气力输送管道内的气固混合比变化。具体步骤如下：

(1)模糊-神经网络控制***结构

本例取砂尘环境试验风洞的砂尘浓度和循环风道内的风速为输入量，

旋转给

器的转速空和压缩空气调节阀的开度为输出量构建模糊神经网络结构。选择四层神经网络为前层网络，其中输入层2个节点，模糊化层14个节点，模糊推理层49个节点，输出层49个节点；选择三层神经网络为后层网络，其中后层网络的输入层有49个节点，中间层49个节点，输出层一个节点。

(2)训练模糊神经控制器参数的混合学习训练

只有训练后的神经网络才能实现其功能，本发明将利用动态模型，采用混合学习算法训练由步骤(1)得到的神经网络，得到其控制器参数。神经网络的训练过程式通过不断调整各层之间的权系数，使神经网络的输出与最终期望值的误差最小，直到满足实际应用要求为止。

在应用混沌算法进行离线学习时，首先根据动态模型，设置初值，选取49个微小差异，这49个微小差异代表的就是高斯函数的中心值，宽度和连接权系数等值，通过混沌寻优算法，得到相应的混沌变量，由式(9)-(14)混沌算法步骤离线学习控制器的参数；再由式(1)-(8)计算控制器输出。对浓度被控对象进行控制。之后，利用BP梯度下降法进行在线调节网络权值，而在进行在线学习之前要先进行判断浓度差值是否过大，如果浓度差值过大，则继续进行离线学习，以减小差值，如果浓度差值很小，在规定范围以内，则继续进行在线的参数学习，最后得出控制量，进行协调控制。

Claims (9)

1.用于环境模拟***的一种智能控制***，其特征在于包括：

神经网络模块，用于实现输入量的模糊化、模糊推理、模糊控制规则、解模糊操作；

学习算法模块(61)，用于进行所述神经网络模块的学习。

2.根据权利要求1所述的智能控制***，其特征在于所述学习算法模块包括：

变化差异判定模块(611)，用于判断所述输入量的变化差异是否超过预定值；

离线学习模块(612)，用于在所述智能控制***初始化时和/或所述输入量的变化差异被判定超过预定值时执行所述神经网络模块的离线学习；

在线学习模块(613)，用于在所述输入量的变化差异被判定未超过预定值时执行所述神经网络模块的在线学习。

3.根据权利要求2所述的智能控制***，其特征在于所述神经网络模块包括一个前层网络(501)与一个后层网络(502)，其中：

所述前层网络(501)用于匹配模糊规则的前层，

所述后层网络(502)用于实现模糊规则的后层，

所述所述前层网络(501)包括：

前层网络输入层，该层中的每个神经元表示一个输入信号(变量？)，所述神经元的个数等于模糊规则前提中出现的变量个数，它把输入矢量X＝(x₁，x₂，...x_n)^T直接传递给下一层，其第i个神经元与输入变量X的第i个单元x_i相连；(注：此处的术语“输入信号”、“变量”、“输入矢量”、“输入变量”是否同一事务？如果是，需要统一术语)

模糊化层，其每个节点代表一个语言变量，所述模糊化层中的每一个神经元用于模拟输入变量的一个隶属函数，并用于计算各输入分量属于各语言变量值模糊集合的隶属度函数，根据本发明的一个实施例，采用高斯函数作为隶属函数，即：

$y=e^{-\frac{{(x-c)}^2}{{\mathrm{\σ}}^2}}---\left(1\right)$

$I_{\mathrm{isi}}^{\left(2\right)}=-\frac{{(x_i^1-c_{\mathrm{isi}})}^2}{{\mathrm{\σ}}_{\mathrm{isi}}^2},$ $o_{\mathrm{isi}}^{\left(2\right)}={\mathrm{\μ}}_i=e^{-\frac{{(x_1^{\left(1\right)}-c_{\mathrm{isi}})}^2}{{\mathrm{\σ}}_{\mathrm{isi}}^2}}---\left(2\right)$

其中c_isi，o_isi分别表示隶属度函数的中心和宽度；

模糊规则层，其每个节点代表一条模糊规则，用于匹配模糊规则的前层，计算每条规则的适用度，所述模糊规则层的神经元本身依据最小值方法来得到结果，实现模糊推理，该层神经元用于完成模糊“与”运算，在这里应用“乘”算子来完成“与”运算，每个节点j的输出为该节点所有输入信号的乘积，即：

$a_j={\mathrm{\μ}}_1^{s_{1j}}{\mathrm{\μ}}_2^{s_{2j}}$ s_1j∈{1，2，...，m₁}，s_2j∈{1，2，...，m₂}   (3)

$I_k^3={\mathrm{\μ}}_1^3{\mathrm{\μ}}_2^3=a_k,$ $o_k^3=I_k^3---\left(4\right)$

以及，前层网络输出层，其每个节点用于进行归一化处理，也可用作后层网络输出层的权值：

$I_j^{\left(4\right)}=\stackrel{\‾}{a_j}=\frac{a_j}{\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}{a}_i}$ $o_j^{\left(4\right)}=I_j^{\left(4\right)}=a_j---\left(5\right)$

所述后层网络(502)包括：

后层网络输入层，该层的输入是前层网络的模糊规则层的输出，所述后层网络输入层的神经元的输出h_i为前层网络的模糊规则层的第i条规则的隶属度a_i的函数，其定义函数为：

                 h_i(a_i)＝0     a_i≤0.5

                 h_i(a_i)＝a_i    a_i＞0.5                 (6)

后层网络中间层，其权变量r_i表示第i条模糊规则的重要性，根据后层网络i条模糊规则的结构，定义一个输入层变量h_i的线性函数f_i，即：

                f_i＝r_ih_i                           (7)

其中：i＝1，2，...，N_A；N_A是模糊规则的数目，且后层网络输入层与中间层的连接权系数r_i利用算法进行调整；

后层网络输出层，用于提供所述神经网络模块的总输出：

$y=\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}\stackrel{\‾}{a_j}{f}_i=\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}\stackrel{\‾}{a_j}\left(r_i{h}_i\right)$ $I_j^{\left(5\right)}=o_j^{\left(5\right)}=y---\left(8\right).$

4.根据权利要求1-3中任何一项所述的智能控制***，其特征在于：

所述神经网络模块是双输入-单输出模糊神经网络模块。

5.用于环境模拟***的一种智能控制方法，其特征在于包括：

模糊控制步骤，利用神经网络模块对输入量进行模糊化、模糊推理、模糊控制规则、解模糊操作；

学习步骤，进行所述神经网络模块的学习。

6.根据权利要求5所述的智能控制方法，其特征在于所述学习步骤包括：

变化差异判定步骤(S704)，判断所述输入量的变化差异是否超过预定值；

离线学习步骤(S703)，用于在所述智能控制***初始化时和/或所述变化差异判定步骤(S704)判定所述输入量的变化差异超过预定值时执行所述神经网络模块的离线学习；

在线学习步骤(S705)，用于在所述变化差异判定步骤(S704)判定所述输入量的变化差异未超过预定值时执行所述神经网络模块的在线学习。

7.根据权利要求6所述的智能控制方法，其特征在于所述模糊控制步骤包括：

匹配模糊规则的前层的步骤，

实现模糊规则的后层的步骤，

其中

所述匹配模糊规则的前层的步骤包括：

用所述神经网络模块的一个前层网络输入层中的每个神经元表示一个输入信号(变量？)，所述神经元的个数等于模糊规则前提中出现的变量个数，

把输入矢量X＝(x₁，x₂，...x_n)^T直接传递给下一层，其第i个神经元与输入变量X的第i个单元x_i相连；(注：此处的术语“输入信号”、“变量”、“输入矢量”、“输入变量”是否同一事务？如果是，需要统一术语)

用所述神经网络模块的一个模糊化层的每个节点代表一个语言变量，所述模糊化层中的每一个神经元用于模拟输入变量的一个隶属函数，

计算各输入分量属于各语言变量值模糊集合的隶属度函数，根据本发明的一个实施例，采用高斯函数作为隶属函数，即：

$y=e^{-\frac{{(x-c)}^2}{{\mathrm{\σ}}^2}}---\left(1\right)$

$I_{\mathrm{isi}}^{\left(2\right)}=-\frac{{(x_i^1-c_{\mathrm{isi}})}^2}{{\mathrm{\σ}}_{\mathrm{isi}}^2},$ $o_{\mathrm{isi}}^{\left(2\right)}={\mathrm{\μ}}_i=e^{-\frac{{(x_1^{\left(1\right)}-c_{\mathrm{isi}})}^2}{{\mathrm{\σ}}_{\mathrm{isi}}^2}}---\left(2\right)$

其中c_isi，o_isi分别表示隶属度函数的中心和宽度；

用所述神经网络模块的一个模糊规则层的每个节点代表一条模糊规则，

匹配模糊规则的前层，

计算每条规则的适用度，

通过所述模糊规则层的神经元，依据最小值方法来进行模糊运算“与”运算，实现模糊推理，

用所述模糊规则层的每个节点j的输出为该节点所有输入信号的乘积，即：

$a_j={\mathrm{\μ}}_1^{s_{1j}}{\mathrm{\μ}}_2^{s_{2j}}$ s_1j∈{1，2，...，m₁}，s_2j∈{1，2，...，m₂}    (3)

$I_k^3={\mathrm{\μ}}_1^3{\mathrm{\μ}}_2^3=a_k,$ $o_k^3=I_k^3---\left(4\right)$

以及，用所述神经网络模块的一个前层网络输出层的每个节点进行如下归一化处理，

$I_j^{\left(4\right)}=\stackrel{\‾}{a_j}=\frac{a_j}{\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}{a}_i}$ $o_j^{\left(4\right)}=I_j^{\left(4\right)}=a_j---\left(5\right)$

所述实现模糊规则的后层的步骤包括：

用所述神经网络模块的一个后层网络输入层的神经元的输出h_i作为所述模糊规则层的第i条规则的隶属度a_i的函数，其定义函数为：

                h_i(a_i)＝0     a_i≤0.5

                h_i(a_i)＝a_i    a_i＞0.5               (6)

用所述神经网络模块的一个后层网络中间层的权变量r_i表示第i条模糊规则的重要性，

根据第i条模糊规则的结构，定义一个输入层变量h_i的线性函数f_i，即：

             f_i＝r_ih_i                           (7)

其中：i＝1，2，...，N_A；N_A是模糊规则的数目，

利用算法调整所述后层网络输入层与所述后层网络中间层的连接权系数r_i；

在所述神经网络模块的后层网络输出层提供所述神经网络模块的总输出：

$y=\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}\stackrel{\‾}{a_j}{f}_i=\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}\stackrel{\‾}{a_j}\left(r_i{h}_i\right)$ $I_j^{\left(5\right)}=o_j^{\left(5\right)}=y---\left(8\right).$

8.根据权利要求6-7中任何一项所述的智能控制方法，其特征在于进一步包括：

根据所述在线学习的结果，修正控制参数，

其中所述神经网络模块是双输入-单输出模糊神经网络模块。

9.根据权利要求7所述的智能控制方法，其特征在于：

所述离线学习步骤包括：

选取一定量的微小差异的初始值，形成不同轨迹的混沌变量(步骤S801)；

将选定的所述混沌变量分别引入到式(10)中，使混沌变量得到优化，并将混沌变量的变化范围放大到相应的取值范围(步骤S802)：

X_n+1＝μX_n(1-X_n)   0＜X_n＜1   n＝0，1，...，N      (10)

式中：μ为控制参量

应用所述混沌变量进行迭代搜索，将次优解分别代入式(11)和(12)，产生新的变量值(步骤S803)，

           minE₁(X_i)                        (11)

其中

$E_1=\underset{n=1}{\overset{H}{\mathrm{\Σ}}}{\mathrm{\ρ}}_n\left[a\underset{k=0}{\overset{L}{\mathrm{\Σ}}}\right|e_n\left(k\right)|k/\max \left(e_n\left(k\right)\right)+\mathrm{\β}{\mathrm{\σ}}_n]---\left(9\right)$

     X_i，n+1＝c_i+d_iX_i，n+1                         (12)

计算相应的性能指标

$X_{i,n+1}^{*}=X_i^{*}+z\left(t\right)X_{i,n+1}---\left(13\right)$

   z(t+1)＝(1-a)z(t)                                (14)

式中：a为衰减因子，0＜a＜1，z(t)为时变参数

计算相应的性能指标E₁(步骤S804)，

计算t＝t+1，n＝n+1(步骤S805)，

根据式(12)计算z(t)，并进行判定：若z(t)≤Q，则停止，否则转回所述计算相应的性能指标E₁的步骤(步骤S806)，以及

找到***性能指标最小值，其所对应的参数值即为最优解(步骤S807)，

所述在线学习步骤包括：

定义性能指标：

$J=\frac{1}{2}\mathrm{\Σ}{(y_o-y)}^2---\left(15\right)$

式中：y₀：给定值     y：***的实际输出值

以及，把在t时刻后的权值调节式为：

$w_i(t+1)=w_i\left(t\right)-\mathrm{\η}\frac{\∂J_c}{\∂w_i\left(t\right)}-\mathrm{a\Δw}\left(t\right)---\left(16\right)$

其中：

$\frac{\∂J_c}{\∂w_i\left(t\right)}=(y_d-y\left(t\right))\frac{\∂y\left(t\right)}{\∂u\left(t\right)}{\mathrm{\μ}}_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_i---\left(17\right)$

其中

采用最小二乘法近似得：

$\frac{\∂y\left(t\right)}{\∂u\left(t\right)}\≈\frac{y\left[u(t+1)\right]-y\left[u\left(t\right)\right]}{u(t+1)-u\left(t\right)+\mathrm{\ϵ}}---\left(18\right)$

其中：η为学习率；a为动量因子；ε为非常小的正数。

Images