MATLAB神经网络应用设计(13)

1、13 模糊神经网络本章要点本章要点 传统控制与模糊控制的比较 模糊神经网络的基本知识 模糊神经网络对非线性多变量系统的解耦模型及算法 模糊神经网络解耦算法的MATLAB实现13.1 传统控制与模糊控制 智能控制系统的概念最早是由傅京孙教授在1971年提出的，从上世纪80年代末开始迅速发展。智能控制理论是以无模型或非精确模型为特征的更接近人类思维方式的控制理论，它是以知识信息为基础进行学习和推理，用启发式方法来引导求解过程，是含有复杂性、不确定性和模糊性而且一般不存在己知算法的非传统数学公式化过程。在各种智能控制方法中，模糊控制、神经网络控制与专家控制被视为二种典型的智能控制方法。13.2 模糊

2、神经网络的基本知识可以在三种范畴内把模糊逻辑系统与神经网络结合起来。（）神经网络模型的模糊化与模糊推理 在这类系统中，模糊神经网络本质上是神经网络，保留了神经网络的基本性质和结构，只是采用了模糊化的神经元；（）基于神经网络的模糊逻辑系统 在这类系统中，系统本质上是模糊逻辑系统。可以把模糊控制的设计变换成神经网络的训练和学习；（）基于模糊逻辑系统与神经网络结合形成的一种模糊神经混合系统 这类系统中，模糊逻辑系统与神经网络根据不同的功能、用途集成在一个系统里。13.2 模糊神经网络的基本知识 模糊神经网络模型（）基于Mamdani推理的模糊神经网络13.2 模糊神经网络的基本知识 基于Takagi

3、-Sugeno推理的模糊神经网络13.2 模糊神经网络的基本知识 模糊神经网络分类 1. 按照融入模糊成份的不同 1）输入信号为普通变量，连接权为模糊变量；2）输入信号为模糊变量，连接权为普通变量；3）输入信号与连接权均为模糊变量。 2. 按照计算中模糊算子的不同 1）常规(regular)；2）混合(hybrid)型 。 3.按照网络结构的不同 1）前向模糊神经网络 ；2）反馈型模糊神经网络 13.2 模糊神经网络的基本知识 模糊神经网络学习方法 遗传算法作为一种全局搜索优化方法，由于其具有的巨大优势，被广泛应用于此类问题中。13.3 FNN对非线性多变量系统的解耦方法 FNN解耦的基本模型

4、 串联解耦结构图13.3 FNN对非线性多变量系统的解耦方法FNN解耦控制模型 解耦器是由个FNN构成的(为对象的输入数) ，其中，RM1，RM2为系统参考模型。 13.3 FNN对非线性多变量系统的解耦方法 FNN解耦的算法 FNN解耦器 的结构图 1, 2N13.3 FNN对非线性多变量系统的解耦方法分散式FNN解耦器的步骤13.3 FNN对非线性多变量系统的解耦方法13.4 FNN解耦算法的MATLAB仿真 【例13-1】给定一两输入两输出统 ， 参考模型为 。设计FNN对系统进行解耦。 0.350.11(1 6 )(12 )7.800.91(1 10 )(1 7 )ssyuss0.35

5、0(1 6 )0.910(1 7 )syus13.4 FNN解耦算法的MATLAB仿真系统的解耦模型 13.4 FNN解耦算法的MATLAB仿真系统解耦前的响应曲线，matlab实现代码如下： figure(1)num=0.35;den=6,1;step(num,den);hold on;num=7.80;den=10,1;step(num,den);figure(2)num=-0.11;den=2,1;step(num,den);hold on;num=-0.91;den=7,1;step(num,den);11u 20u ,时的响应曲线13.4 FNN解耦算法的MATLAB仿真10u 21

6、u 13.4 FNN解耦算法的MATLAB仿真FNN解耦器 的GA优化过程Matlab代码： （）GA优化FNN的主程序(同时优化规则及隶属函数参数)1,2Nclc;clear all;FieldDR=-3 -2 -1 1 2 1 1 1 1 1 -3 -2 -1 1 2 1 1 1 1 1 -3 -2 -1 1 2 1 1 1 1 1; . -2 -1 1 2 3 2 2 2 2 2 -2 -1 1 2 3 2 2 2 2 2 -2 -1 1 2 3 2 2 2 2 2;chro1=crtrp(20,FieldDR);BaseV=6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6

7、 6 6 6 6 6 6 6 6 6;chro2=crtbp(20,25,BaseV);chrom=chro2 chro1;SelCh=zeros(20,55); Sel1=zeros(18,25);Sel2=zeros(18,30);13.4 FNN解耦算法的MATLAB仿真gen=0;MAXGEN=100;Fobjv=Fobjvcontrol;Jm=1;tracec=zeros(MAXGEN,1);GGAP=0.9;ticobj=feval(Fobjv,chrom,20,55); %91-84while (gen0.01) FitnV=ranking(obj); maxfit index=

8、max(FitnV); SelCh=select(sus,chrom,FitnV,GGAP); Sel1=SelCh(1:18,1:25); Sel2=SelCh(1:18,26:55); Sel1=recombin(xovsp,Sel1,0.7); Sel2=recombin(reclin,Sel2,0.7); BaseV2=6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6; Sel1=mutate(mut,Sel1,BaseV2,0.01);13.4 FNN解耦算法的MATLAB仿真FieldDR3=-3 -2 -1 1 2 1 1 1 1

9、 1 -3 -2 -1 1 2 1 1 1 1 1 -3 -2 -1 1 2 1 1 1 1 1; . -2 -1 1 2 3 2 2 2 2 2 -2 -1 1 2 3 2 2 2 2 2 -2 -1 1 2 3 2 2 2 2 2; Sel2=mutate(mutbga,Sel2,FieldDR3,0.01); SelCh=Sel1 Sel2; objSel=feval(Fobjv,SelCh,18,55); chrom obj=reins(chrom,SelCh,1,1,obj,objSel); gen=gen+1; Jm index=min(obj); tracec(gen,1)=Jm

10、;endt=toc （）下面为被调用的目标函数，输出为经FNN解耦后的输出 与期望输出 的误差值（pp维）。2y2Y13.4 FNN解耦算法的MATLAB仿真function Jms=Fobjvcontrol(Chroo,pp,qq) pp,qq=size(Chroo); in1=ones(600,1); in2=zeros(600,1); datarm=zeros(600,1); chroo1=zeros(1,25); chroo2=zeros(1,5); chroo22=zeros(1,5); chroo3=zeros(1,5); chroo33=zeros(1,5); chroo4=ze

11、ros(1,5); chroo44=zeros(1,5); Jms=zeros(pp,1); e=zeros(600,1); ec=zeros(600,1); y=zeros(600,1);du=zeros(600,1); du1=zeros(600,1); uru=zeros(600,1);13.4 FNN解耦算法的MATLAB仿真u1=zeros(5,1); u2=zeros(5,1); u3=zeros(1,5); u11=zeros(5,5); u22=zeros(5,5); u=zeros(5,5); umin=zeros(25,1); ke=3/1; kec=3/1; ku=12;

12、 ys1(1:2,1)=0; ys2(1:2,1)=0; for i=1:pp chroo1=Chroo(i,1:25); %25条规则条规则 chroo2=Chroo(i,26:30); %e的中心（的中心（5个子集）个子集） chroo22=Chroo(i,31:35); %e的宽度（的宽度（5个子集）个子集） chroo3=Chroo(i,36:40); %ec的中心（的中心（5个子集）个子集） chroo33=Chroo(i,41:45); %ec的宽度（的宽度（5个子集）个子集）13.4 FNN解耦算法的MATLAB仿真chroo4=Chroo(i,46:50); %输出输出y的中心

13、（的中心（5个子集）个子集） chroo44=Chroo(i,51:55);%85-91 %输出输出y的宽度（的宽度（5个子集）个子集） for k=2:598 e(k,1)=datarm(k,1)-y(k,1); %求网络输出与期望输出的误差值求网络输出与期望输出的误差值 ec(k,1)=e(k,1)-e(k-1,1); %求网络输出与期望输出的误差值变化求网络输出与期望输出的误差值变化 n1=e(k,1)*ke; %乘比例因子乘比例因子 n2=ec(k,1)*kec; %乘比例因子乘比例因子 u1=(exp(-0.5*(n1-chroo2).2)./(chroo22.2); %求求e的隶属

14、函数值的隶属函数值 u2=(exp(-0.5*(n2-chroo3).2)./(chroo33.2); %求求ec的隶属函数值的隶属函数值 u11=u1(:,ones(1,5); u3=u2; u22=u3(ones(1,5),:); u=min(u11,u22); %求每条规则的适应度求每条规则的适应度 umin=(reshape(u,1,25); umax=zeros(5,1); for rr=1:5 %将具有相同结论的规则合并将具有相同结论的规则合并 r=find(chroo1=rr); %以以rr=1为例，找出规则为例，找出规则chroo1中所有为中所有为1的的 行（输出为行（输出为y

15、的第一个模糊的第一个模糊 子集），赋予子集），赋予r13.4 FNN解耦算法的MATLAB仿真 bb cc=size(r); umax1=zeros(bb,1); for dd=1:bb umax1(dd,1)=umin(r(dd,1),1); %将输出为将输出为y的第一个模糊子集的所有规则的第一个模糊子集的所有规则 的适应度分别赋予的适应度分别赋予umax1的各行的各行end umax(rr,1)=min(1,sum(umax1); %将这些适应度取和，并与将这些适应度取和，并与1取小，即为取小，即为y 的第一个模糊子集的激活强度的第一个模糊子集的激活强度 end f=umax.*chroo

16、4.*chroo44;% .*chroo44 %以下以下8行为去模糊化过程行为去模糊化过程 ff=sum(f); g=sum(umax.*chroo44); % .*chroo44 if(g=0) du(k,1)=ff/g; else du(k,1)=0; end du1(k,1)=ku*du(k,1); in2s(k,1)=in2(k,1)+du1(k,1); ys1(k+1,1)=0.0776*in1(k,1)+0.99*ys1(k,1);13.4 FNN解耦算法的MATLAB仿真 ys2(k+1,1)=-0.0129*in2s(k,1)+0.9858*ys2(k,1); y(k+1,1)

17、=ys1(k+1,1)+ys2(k+1,1); end Jms(i,1)=0.5*sum(datarm(1:600,1)-y).2);endFNN解耦器 的GA优化过程Matlab代码 与上类似，在此省略。2,1N13.4 FNN解耦算法的MATLAB仿真代表FNN解耦器 ， 结构的最优个体 ： =5.0000 5.0000 3.0000 3.0000 4.0000 4.0000 4.0000 0 4.0000 0 3.0000 5.0000 2.0000 3.0000 4.0000 0 4.0000 4.0000 3.0000 4.0000 4.0000 1.0000 1.0000 1.00

18、00 0 -2.3637 -1.4554 0.5622 1.4672 2.2860 1.3447 1.2066 1.6519 1.5045 1.1931 -2.4027 -1.4233 0.0943 1.7393 2.5693 1.3142 1.3714 1.6534 1.3082 1.8195 -2.3280 -1.1352 0.5855 1.7439 2.4384 1.7128 1.2455 1.0000 1.8887 1.5202; =5.0000 1.0000 3.0000 5.0000 3.0000 1.0000 2.000 2.0000 3.0000 3.0000 4.0000 1.0000 1.0000 4.0000 3.0000 0 0 1.0000 4.0000 3.0000 4.0000 1.0000 3.0000 5.0000 4.0000