摘要： 模糊控制和神经网络在系统辨识与控制、模式识别、信号处理等各个领域中都获得广泛的应用，尤其在工业控制领域方面获得更加有效的应用。结合模糊控制和神经网络各自的优点，将模糊技术与神经网络技术进行有机结合，从而构造出一种可自动处理模糊信息的神经网络或自适应模糊系统。 　　关键词： 模糊控制；神经网络；模糊化 　　中图分类号：TP18文献标识码：A文章编号：1671－7597（2011）0320091－01 　　 　　1 模糊控制的基本思想及特性 　　模糊控制就是以人的控制经验作为控制的知识模型，以模糊集合、模糊语言变量以及模糊逻辑推理作为控制算法的数学工具，用计算机来实现的一种智能控制。用模糊数学的方法来描述过程变量和控制作用的这些模糊概念以及它们之间的关系，根据这些模糊关系及某时刻过程变量的检测值〔需化成模糊量）用模糊逻辑推理的方法得出当前时刻的控制量。 　　1.1 模糊控制器。模糊控制器是模糊控制系统的核心。一个模糊控制系统的性能优劣，主要取决于模糊控制器的结构、所给出的模糊规则和采用的合成推理算法以及模糊决策方法等因素。模糊控制器由输入量模糊化接口、数据库、规则库、模糊推理机和输出解模糊化五部分组成。 　　1.2 模糊化。在模糊控制系统运行中，控制器的输入值、输出值是有确定数值的清晰量，而在进行模糊控制时，模糊推理过程是通过模糊语言变量进行的，在清晰量和模糊量之间有一定的对应关系。这种把物理量的清晰值转换成模糊语言变量值的过程叫做清晰量的模糊化。在实际控制问题中，根据能满足一般要求，又可简化计算的原则，普遍选用的隶属函数有三角形、半三角形、梯形、半梯形、钟形（正态型）、矩形、Z形、s形和单点形（a函数）等多种。以下介绍常见的四种隶属函数： 　　1.3 模糊推理。模糊推理机是模糊控制系统的核心，它具有模拟人的基于模糊概念的推理能力。模糊推理机运用知识库内的模糊规则，按照模糊逻辑中的蕴涵关系以及各种模糊推理方法进行模糊推理。所以，模糊系统中的知识库和推理机是紧密结合的。 　　2 神经网络的基本思想及特性 　　2.1 神经网络的基本思想。神经网络是一门活跃的边缘性交叉学科，是近年来普遍关注的智能控制领域的一个重要组成部分。人工神经网络是相对于生物学中所说的生物神经网络系统而言的，它提出的目的在于用一定的简单的数学模型来对生物神经网络结构进行描述，并在一定的算法指导下，使其能够在某种程度上模拟生物神经网络所具有的智能行为，解决用传统算法所不能胜任的智能信息处理的问题。它是巨量信息并行处理和大规模并行计算的基础，神经网络既是高度非线性动力学系统，又是自组织自适应系统，可以来描述认知、决策和控制的智能行为。只有将多个神经元按一定的规则连接构成的神经网络才具有强大的功能。目前己有数十种神经网络模型。最典型的数学模型有前馈神经网络、反馈神经网络以及随机神经网络等。 　　2.2 神经网络的特性。神经网络本质上是一个大规模并行分布处理非线性动力学系统。正是由于这种非线性动力学复杂性，才能在更高层次上体现人脑的智能行为，并为智能控制提供新途径。对于控制领域而言，神经网络的主要吸引力在于： 　　1）非线性映射能力。非线性关系是自然界的普遍特性，人工神经元处于激活或抑制两种不同状态，这种行为在数学上表现为一种非线性关系，而具有阂值的神经元使网络具有更好的性能，从而使神经网络可以以任意精度逼近任意非线性函数。 　　2）分布式信息存储于处理结构。这种结构使神经网络具有很强的鲁棒性和容错性，局部的损坏与异常不会影响总体结果。另外多输入和多输出的结构模型可以方便的应用于多变量控制系统。 　　3）非定常性。人工神经网络具有自适应、自组织、自学习能力。神经网络处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断地变化。 　　4）非凸性。一个系统的演变方向，在一定条件下将取决于某个特定的状态函数，例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。 　　5）大规模并行处理能力。神经网络的这种能力可以快速的实现大量复杂的控制算法。 　　3 模糊理论与神经网络的结合 　　3.1 两种技术结合的必要性。模糊技术以模糊逻辑为基础，它抓住了人类思维的模糊性特点，以模仿人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理的难题，具有较强的结构性知识表达能力（即描述系统定性知识的能力）。 　　模糊技术和神经网络技术的有机结合，可有效发挥各自的优势并弥补不足。神经网络在学习和自动模式识别方面有极强的优势，采取神经网络技术进行模糊信息处理，则使得模糊规则的自动提取及模糊隶属函数的自动生成有可能得以解决，使模糊系统成为一种自适应模糊系统。将模糊技术与神经网络进行有机结合，应该说是模糊技术与神经网络技术深入研究和发展的一种必然趋势。 　　3.2 模糊技术与神经网络相结合的几种形式。模糊技术与人工神经网络相结合而产生的理论技术既是智能模拟领域里重要的研究课题，也是实现机器智能的必不可少的手段。根据模糊系统和神经网络连接的形式和使用功能，两者融合的形态可以归纳为五大类。 　　1）松散型结合。在这一方式下，对于可用“如果一那么”形式的规则来表示的部分用模糊系统描述，而对于很难用“如果一那么”，规则表示的部分则采用神经网络，两者之间没有直接联系。 　　2）并联型结合。模糊系统和神经网络在系统中按并联方式连接，即享有共同的输入。 　　3）串联型结合。模糊系统和神经网络在系统中按串联方式连接，即一方的输出成为另一方的输入。这种情形可以看成是两段推理或者串联中的前者作为后者输入信号的预处理部分。 　　4）网络学习型。系统由模糊系统表示，但模糊系统的隶属函等通过神经网络的学习来生成和调整。 　　 　　5）结构等价型结合。模糊系统由一等价的神经网络表示。神经网络不再是一个黑箱，它的所有节点和参数都具有一定的意义，即对应模糊系统的隶属函数或推理过程。 　　4 小结 　　本文主要从模糊控制技术和神经网络控制技术的基本思想出发，着重介绍了其各自的特性及优缺点，以及神经网络控制器的典型结构和几种常用的神经网络及其应用。最后指出将两者进行有机结合，是模糊技术与神经网络技术深入研究和发展的一种必然趋势。 　　 　　参考文献： 　　[1]诸静，模糊控制原理与应用，北京：机械工业出版社，1995. 　　[2]王永骥、涂健，神经元网络控制，机械工业出版社，1998：14-17. 　　[3]王科俊、王克成，神经网络建模、预报与控制，哈尔滨工程大学出版社，1996：1-3. 　　 注：“本文中所涉及到的图表、公式、注解等请以PDF格式阅读” 转载注明来源:https://www.xzbu.com/8/view-8874211.htm