综合智能控制.pptx

第八章第八章 综合智能控制综合智能控制 主要内容主要内容神经网络与模糊技术的融合神经网络与模糊技术的融合遗传算法与神经网络的结合遗传算法与神经网络的结合基于遗传算法优化的模糊控制基于遗传算法优化的模糊控制神经网络专家系统神经网络专家系统模糊专家系统模糊专家系统8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合融合的趋势：融合的趋势：多年的研究探索与实践使人们开始认识到，要想仿效或多年的研究探索与实践使人们开始认识到，要想仿效或逐步接近人类大脑的高级智能行为，无论是传统的人工逐步接近人类大脑的高级智能行为，无论是传统的人工智能，单独的模糊逻辑，还是单独的人工神经网络等，智能，单独的模糊逻辑，还是单独的人工神经网络等，都无法完成此任务。于是，人工神经网络和模糊逻辑相都无法完成此任务。于是，人工神经网络和模糊逻辑相互融合起来，进而将进化计算、粗糙集理论等有助于智互融合起来，进而将进化计算、粗糙集理论等有助于智能信息处理的多种新方法、新手段综合在一起，构成能信息处理的多种新方法、新手段综合在一起，构成智智能计算能计算或或计算智能计算智能，或称之为，或称之为软计算软计算，实际上是根据需，实际上是根据需要将几种对智能信息处理有较大意义和作用的方法融合要将几种对智能信息处理有较大意义和作用的方法融合在一起而构成的综合性计算智能系统。在一起而构成的综合性计算智能系统。8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合神经网络与模糊逻辑的比较：神经网络与模糊逻辑的比较：8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合神经网络与模糊逻辑融合的方法：神经网络与模糊逻辑融合的方法：神经网络中应用模糊逻辑规则：神经网络中应用模糊逻辑规则：将神经网络将神经网络的常用数的常用数值输入改为隶属函数表达的模糊输入，或用值输入改为隶属函数表达的模糊输入，或用max-min的的运算来代替神经网络的积和运算，这种综合系统称为运算来代替神经网络的积和运算，这种综合系统称为模模糊神经网络糊神经网络（FNN）模糊逻辑规则用神经网络来实现：模糊逻辑规则用神经网络来实现：利用神经网络从输利用神经网络从输入输出样本对中学习到映射规律的能力，来建立模糊逻入输出样本对中学习到映射规律的能力，来建立模糊逻辑所需的规则，这种综合系统称为神经模糊系统辑所需的规则，这种综合系统称为神经模糊系统（NFS）8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合模糊神经网络的体系结构：模糊神经网络的体系结构：单体模糊神经元：单体模糊神经元：-输入输出均为模糊集输入输出均为模糊集 -用合成算子代替积运算用合成算子代替积运算 8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合模糊神经网络的体系结构：模糊神经网络的体系结构：模糊神经元的学习：模糊神经元的学习：-权值修正：包括作为神经元权值的映射函数和隶属权值修正：包括作为神经元权值的映射函数和隶属度函数的变化度函数的变化 -体修正：包括规则的改变、规则中模糊变量和隶属体修正：包括规则的改变、规则中模糊变量和隶属度函数的改变以及规则表示方式的度函数的改变以及规则表示方式的 改变改变8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合几种模糊神经网络：几种模糊神经网络：模糊联想神经网络（模糊联想神经网络（FAM）8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合几种模糊神经网络：几种模糊神经网络：模糊认知映射网络（模糊认知映射网络（FCM）8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合几种模糊神经网络：几种模糊神经网络：前馈层次型模糊神经网络前馈层次型模糊神经网络 -由模糊化、推理机和由模糊化、推理机和 去模糊化三部分组成，由去模糊化三部分组成，由 3个个BP网络来分别实现这网络来分别实现这 3个功能个功能8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合几种模糊神经网络：几种模糊神经网络：紧支持集高斯型基函数模糊神经网络紧支持集高斯型基函数模糊神经网络8.2 神经网络专家系统神经网络专家系统基于神经网络的模糊系统：基于神经网络的模糊系统：用神经网络来实现模糊映射，包含用神经网络来实现模糊映射，包含3个功能不同的神经个功能不同的神经网络结构：网络结构：模糊化、控制规则和反模糊化模糊化、控制规则和反模糊化 用神经网络构造隶属函数：用神经网络构造隶属函数：利用神经网络直接设计多利用神经网络直接设计多元的隶属函数，把神经网络作为多元的隶属函数生成器元的隶属函数，把神经网络作为多元的隶属函数生成器组合在模糊控制系统中组合在模糊控制系统中 -函数链法函数链法 -隐层型法隐层型法8.3 模糊专家系统模糊专家系统基于神经网络的模糊系统：基于神经网络的模糊系统：用神经网络记忆模糊控制规则：用神经网络记忆模糊控制规则：通过一组神经元不同程度的通过一组神经元不同程度的兴奋表达一个抽象的概念值，由此将抽象的经验规则转化为多层神经兴奋表达一个抽象的概念值，由此将抽象的经验规则转化为多层神经网络的输入输出样本，通过神经网络记忆这些样本，控制器以联想记网络的输入输出样本，通过神经网络记忆这些样本，控制器以联想记忆方式使用这些经验，在一定意义上与人的联想记忆思维方式接近忆方式使用这些经验，在一定意义上与人的联想记忆思维方式接近 -三层神经元存储控制规则三层神经元存储控制规则 -逻辑神经元法逻辑神经元法 8.1 神经网络与模糊技术的融合神经网络与模糊技术的融合基于神经网络的模糊系统：基于神经网络的模糊系统：用神经网络优化模糊控制器的参数：用神经网络优化模糊控制器的参数：-偏差、偏差变化的量化因子及输出的比例因子，可利用神经网络偏差、偏差变化的量化因子及输出的比例因子，可利用神经网络的优化计算功能优化这些参数，改善模糊控制系统的性能的优化计算功能优化这些参数，改善模糊控制系统的性能 -用神经网络特征输出参数可以称为清晰化（去模糊），神经网络用神经网络特征输出参数可以称为清晰化（去模糊），神经网络实现清晰化就是把模糊量变为能控制对象的精确量实现清晰化就是把模糊量变为能控制对象的精确量8.2 遗传算法优化神经网络遗传算法优化神经网络神经网络的缺点：神经网络的缺点：要求目标函数连续可微（因为要沿着能量梯度降的方要求目标函数连续可微（因为要沿着能量梯度降的方向来修改权值）向来修改权值）训练速度较慢训练速度较慢 全局搜索能力弱，易陷于局部极值全局搜索能力弱，易陷于局部极值遗传算法的优点：遗传算法的优点：不要求目标函数连续或可微不要求目标函数连续或可微 具有全局搜索能力具有全局搜索能力 用遗传算法来优化神经网络，可使神经网络具有全局自学习、用遗传算法来优化神经网络，可使神经网络具有全局自学习、自组织、自适应和自进化的能力自组织、自适应和自进化的能力8.2 遗传算法优化神经网络遗传算法优化神经网络优化方案：优化方案：用遗传算法优化神经网络的连接权用遗传算法优化神经网络的连接权 用遗传算法优化神经网络的结构用遗传算法优化神经网络的结构 用遗传算法优化神经网络的学习规则用遗传算法优化神经网络的学习规则 8.2 遗传算法优化神经网络遗传算法优化神经网络遗传算法优化神经网络连接权的学习过程：遗传算法优化神经网络连接权的学习过程：(1)随机产生一组二进制串，每一个位串表示网络连接权的一个集合随机产生一组二进制串，每一个位串表示网络连接权的一个集合 (2)将各个二进制串根据下式译码成网络的各个连接权值，通过运行将各个二进制串根据下式译码成网络的各个连接权值，通过运行网络来评价网络的性能网络来评价网络的性能 (3)按概率按概率ps选择网络个体，对被选择的网络，以概率选择网络个体，对被选择的网络，以概率pc和和pm进行交进行交叉和变异等遗传操作，产生下一代网络叉和变异等遗传操作，产生下一代网络 (4)重复重复(2)(3)两步，直到达到所要求的性能指标，此时将最终群体两步，直到达到所要求的性能指标，此时将最终群体中的最优个体解码即可得优化后的网络连接权系数中的最优个体解码即可得优化后的网络连接权系数8.3 基于遗传算法的模糊控制基于遗传算法的模糊控制利用遗传算法设计模糊控制系统：利用遗传算法设计模糊控制系统：进化隶属函数：进化隶属函数：把隶属函数转化为遗传算法所需要的形式，把隶属函数转化为遗传算法所需要的形式，实现隶属函数参数化，采用遗传算法对隶属函数进行调节实现隶属函数参数化，采用遗传算法对隶属函数进行调节 进化模糊控制规则：进化模糊控制规则：初始设置的模糊控制规则存在很大的冗初始设置的模糊控制规则存在很大的冗余问题，利用遗传算法进化模糊控制规则，即调整控制规则的数目，余问题，利用遗传算法进化模糊控制规则，即调整控制规则的数目，通过预防或修正等措施，删除冗余或无贡献的规则通过预防或修正等措施，删除冗余或无贡献的规则 进化决策表进化决策表：利用遗传算法修改模糊控制决策表，以控制模利用遗传算法修改模糊控制决策表，以控制模糊系统糊系统 进化关系矩阵进化关系矩阵：利用遗传算法修改模糊控制器的模糊关系矩利用遗传算法修改模糊控制器的模糊关系矩阵阵8.3 基于遗传算法的模糊控制基于遗传算法的模糊控制遗传算法在模糊推理中的应用：遗传算法在模糊推理中的应用：应用于推理规则的前件应用于推理规则的前件 应用于推理规则的后件应用于推理规则的后件 应用于推理规则的前后件应用于推理规则的前后件8.3 基于遗传算法的模糊控制基于遗传算法的模糊控制遗传算法应用于推理规则的前后件：遗传算法应用于推理规则的前后件：设模糊推理规则采用如下形式：设模糊推理规则采用如下形式：其中：其中：X=x1,x2为控制器输入变量，为控制器输入变量，c为控制器输出变量为控制器输出变量8.3 基于遗传算法的模糊控制基于遗传算法的模糊控制遗传算法应用于推理规则的前后件：遗传算法应用于推理规则的前后件：在遗传算法中，模糊控制器的特征参数在遗传算法中，模糊控制器的特征参数aij,bij,ci采采用多参数线性映射的最优化编码方法，即把各参数编码用多参数线性映射的最优化编码方法，即把各参数编码按一定规则级联在一起构成一个个体，然后根据被控对按一定规则级联在一起构成一个个体，然后根据被控对象的性能指标的要求构造遗传算法的适应度函数，再利象的性能指标的要求构造遗传算法的适应度函数，再利用遗传操作对隶属函数参数进行优化，通过若干代的遗用遗传操作对隶属函数参数进行优化，通过若干代的遗传后，就可以获得优化后的隶属函数参数，相应的模糊传后，就可以获得优化后的隶属函数参数，相应的模糊推理规则也得到优化。推理规则也得到优化。8.4 模糊逻辑与专家系统的融合模糊逻辑与专家系统的融合模糊专家系统：模糊专家系统：一般结构：一般结构：8.4 模糊逻辑与专家系统的融合模糊逻辑与专家系统的融合模糊专家系统：模糊专家系统：系统各部分功能：系统各部分功能：-输入输出接口：输入输出接口：主要用于输入系统初始信息，输出系统最终主要用于输入系统初始信息，输出系统最终结论，显示系统推理的解释过程和系统运行过程中的人机对话，输结论，显示系统推理的解释过程和系统运行过程中的人机对话，输入建库及修改信息等入建库及修改信息等 -模糊数据库：模糊数据库：用于存储各类不确定性的信息，如系统的初始用于存储各类不确定性的信息，如系统的初始输入信息、基本数据信息、系统基本定义，主要用于确定描述不确输入信息、基本数据信息、系统基本定义，主要用于确定描述不确定信息的模糊语言值、推理过程中产生的中间信息、系统的最终结定信息的模糊语言值、推理过程中产生的中间信息、系统的最终结论信息等论信息等 8.4 模糊逻辑与专家系统的融合模糊逻辑与专家系统的融合模糊专家系统：模糊专家系统：系统各部分功能：系统各部分功能：-模糊推理机：模糊推理机：根据系统输入的不确定证据，利用模糊知识库和根据系统输入的不确定证据，利用模糊知识库和模糊数据库中的不确定性知识，按一定的不确定性推理策略解决系统模糊数据库中的不确定性知识，按一定的不确定性推理策略解决系统问题域中的问题，给出较为合理的建议或结论问题域中的问题，给出较为合理的建议或结论 -解释模块：解释模块：记录系统推理过程中所用的规则及产生的中间结果记录系统推理过程中所用的规则及产生的中间结果 -学习模块：学习模块：接受领域专家用自然语言形式描述的知识，并将其接受领域专家用自然语言形式描述的知识，并将其自动转化成计算机推理过程中可识别的规范化模糊事实及规则，或者自动转化成计算机推理过程中可识别的规范化模糊事实及规则，或者通过领域专家的一组经验实例字段总结归纳出模糊规则通过领域专家的一组经验实例字段总结归纳出模糊规则 8.4 模糊逻辑与专家系统的融合模糊逻辑与专家系统的融合专家模糊控制：专家模糊控制：模糊控制与专家系统技术相结合，进模糊控制与专家系统技术相结合，进一步提高了模糊控制器智能水平。这种控制方法既保持一步提高了模糊控制器智能水平。这种控制方法既保持了基于规则的方法的价值和用模糊集处理带来的灵活性，了基于规则的方法的价值和用模糊集处理带来的灵活性，同时把专家系统技术的表达与利用知识的长处结合起来，同时把专家系统技术的表达与利用知识的长处结合起来，能处理更广泛的控制问题。能处理更广泛的控制问题。-在控制系统运行过程中，受控对象的动态输出性能有在控制系统运行过程中，受控对象的动态输出性能有性能辨识模块连续监控，并把处理过的参数送到专家控性能辨识模块连续监控，并把处理过的参数送到专家控制器。根据知识库内系统动态特性的当前已知知识，专制器。根据知识库内系统动态特性的当前已知知识，专家控制器进行推理和决策，修改模糊控制器的系数和控家控制器进行推理和决策，修改模糊控制器的系数和控制表的参数，直至获得满意的动态控制性能为止。制表的参数，直至获得满意的动态控制性能为止。8.4 神经网络与专家系统的融合神经网络与专家系统的融合神经网络专家系统：神经网络专家系统：利用神经网络的学习功能利用神经网络的学习功能和并行推理能力解决专家系统中的知识自动获和并行推理能力解决专家系统中的知识自动获取、知识表示以及推理等问题取、知识表示以及推理等问题 8.4 神经网络与专家系统的融合神经网络与专家系统的融合专家神经控制：专家神经控制：