看一看：基于有序神经网络的神经模糊预测控制

西北工业大学 自动控制系 李爱军 章卫国航空1团体 吕旸1引言 在工业中，大纯滞后问题1直未能得到很好的解决。预测控制方法本身就具有预报能力，能够有效的克服纯滞后环节对系统稳定性的影响，减小闭环系统的滞后时间，因此可显著加快系统的响应速度，减小其调理时间［１］。引入神经网络和模糊控制技术农村危房强拆宅基地归谁，发挥前者任意逼近非线性函数，和后者对系统参数变化有较强的适应能力的特点，将它们有机的结合起来，取长补短，构成优势互补，可以更好的解决纯滞后系统的控制问题。 本文在预测控制中引入神经网络技术，利用多层前向网络可任意逼近连续有界非线性函数的特性，用事前训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用1种改进的模糊控制器代替本来的PID控制器，增强系统的鲁棒性，从而实现神经模糊预测控制，来获得理想的控制效果。2有序(Ordered)神经网络 有序神经网络是前向网络的1种推行，它不但层与层之间有连接，而且相同1层内之间也有连接关系。因此，有序网络不再用层的概念，而是用神经元间的前向连接来替换。在有序网络中，任何1个神经元Ｎi都可以和其它的神经元Nj相连，只要i＜j。和分层的前向神经网络相比，有序网络的学习速度快，需要的神经元数目少。可以用图1来说明分层网络和有序网络拓扑结构的不同［２-３］。其中实线连接的表示含有1个隐层，3个神经元的前向网络。实线和虚线加起来的连接就是1个有序网络。 1个具有m个输入、p个输出和n个神经元的多输入多输出有序网络可以表示为： z=Wσ(z)+Bu+b0(1) 这里z是神经元状态向量，u是网络输出，σ(z)是每一个神经元的输出。W是连接权值矩阵，定义为： wi,j表示的是第j和第i个神经元间的前向连接强度(j＜i)。B是控制增益矩阵，bi,j表示第j个输入uj和第i个神经元状态zi间的连接强度。b0是阈值向量。 这里θi∈2021年房屋拆迁新规，Θ是给定的设计常数。肯定网络的理想性能以后，网络的训练就成为有束缚的优化问题。3带优化修正函数的模糊控制器 本文采用的模糊控制器是带优化修正函数的模糊控制器，并且在其基础上稍作了改进：取消了本来的量化取整运算，即不对模糊控制器的输入输出量进行量化取整。这样就从本质上消除因模糊控制器量化取整带来的稳态误差。 带优化修正函数的模糊控制规则自调解方法，可以减少寻优工作量，保存了多个修正因子的优点，能够设计出性能良好的模糊控制器［４］。 该模糊控制器采取解析表达式来描述控制规则。设误差E、误差变化率EC及U的论域为｛Ｅ｝＝｛ＥＣ｝＝｛Ｕ｝＝｛－Ｎ，…，⑴，0，1，…，N｝，则带有自调解修正函数的模糊控制规则可表示为： 这样的控制规则简单方便，利于调解，更容易于计算机实现。它体现了按误差的大小自动调解误差和误差变化率对控制作用的权重，反应了人在控制决策中的思维特点，克服了完全凭经验选取控制规则的困难，避免了出现控制规则定义中的空档或跳变现象。调解α即可改变控制规则。由于只由α０和kα两个参数决定，因此不管量化等级N多大也不增加对α寻优的工作量。由于对1些机理较复杂、非线性较严重的控制对象，仅靠操作人员的实践总结出来的控制规则很粗糙，不能适合于被控进程中的所有运动状态。因此要肯定合适的量化因子、比例因子、积分因子和修正函数中的α0和kα，可采取寻优方法。这里采取ＩＴＡＥ性能公式： 式中ΔT为采样周期，tk为K时刻的控制时间。 为使模糊集成控制系统既能有较好的动态特性，又能有较强的鲁棒性，可以在参数寻优进程， 将量化因子kec适当调大，以获得快速响应。 带优化修正函数的模糊控制器从本质上消除量化误差与调理死区。由于这类类型模糊控制器的输出U能以解析情势表达且寻优参数少，因此也能够称为全论域范围内带有自修正函数的模糊控制规则自调解方法。该方法设计简单，资讯分类行业动态帮助文档展会专题报道5金人物商家文章