模糊神经网络算法

模糊神经网络

模糊经神络网及在温其度控中的应制用主要容：内1模糊控技术及制其温在中控应的 用经网络控制神术技模糊神网络的经应用 传算遗法模糊神对经网的优化

络234

模糊神经网络

模神糊网经络其及在温度控中制的应用 .1 1模糊逻辑数学基的础从论U域中意指定一任元素x,及U个上集的A合 果x如集是合的一A元个，素那么做记∈A x果如x是集合A不的一元素，个那么记x做A x与合集A的系关:要是x么于A属，么x不属要于,A二者居必其一，不允许 有属既A又不于于A的属棱两可模的况发生。情模糊集 合的念概：基其本想是把经典集思中的绝合隶对属系模关 糊，化隶从属数方面来看就函:是素元x对A隶属度不再局于0限 或1而，可以取是0从到1任的一何个值

数模糊

模糊神经网络

神经络网其在温度及制中的控应用1.1 模逻辑糊数的基础学所谓域U上的论一个模糊子集(称简模糊集),A是 指于对任意x∈U ,定指一了数u个(A)x [∈0,1] 叫做u,对A的隶属度程。映射u叫A做 A的属隶函。 隶属数函的数类有型以三种类型下( )1大偏型属隶函数(型)S()2偏小隶属型数函(Z型)3()中型隶间属函数π()型

模糊神经网络

模糊经神络网其在及度温制控中的用 1.1 应糊逻辑模数的学础

计算机算法设计与分析

收稿日期：2012-4-8 修改日期：2012-4-10

作者简介：刘康康 安徽蚌埠人 安徽中医学院本科生 医药信息工程学院 09医软一班 09713026 扩展卡尔曼滤波的模糊神经网络算法

刘康康

（安徽中医学院 医药信息工程学院 09医软一班 09713026 安徽 合肥230031）

摘 要:为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF 算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度和泛化能力。

关键词:模糊神经网络;扩展卡尔曼滤波;自组织学习

中图分类号：TP301.6

Fast self-organizing learning algorithm based on for fuzzy

neural network

LIU kang-kang

(Anhui University of Traditional Chinese Medicine, Medical Information Engineering, Hefei 230031, Chin

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减

该代码为基于模糊神经网络的水质评价代码

清空环境变量 参数初始化 网络训练 网络预测

嘉陵江实际水质预测 清空环境变量 clc clear

参数初始化

xite=0.001; alfa=0.05;

%网络节点

I=6; %输入节点数 M=12; %隐含节点数 O=1; %输出节点数

%系数初始化

p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1; p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1; p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1; p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1; p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1; p5=0.3*ones(M,1);p5_1=p5;p5_2=p5_1; p6=0.3*ones(M,1);p6_1=p6;p6_2=p6_1;

%参数初始化

c=1+rands(M,I);c_1=c;c_2=c_1; b=1+rands(M,I);b_1=b;b_2=b_1;

maxgen=100; %进化次数

%网络测试数据，并对数据归一化

load data1 i

实验名称

一. 实验目的

1. 了解掌握传统PID控制原理及其基本的参数整定方法； 2. 了解掌握模糊控制原理及其优缺点； 3. 了解掌握神经网络原理及其优缺点；

4. 掌握将传统PID控制与模糊控制结合、传统PID控制与神经网络控制结合以及将传统PID控制、模糊控制与神经网络控制三者结合起来有效地解决控制问题。

二. 实验内容

1. 分别改变PID参数中的Kp,Ti,Td,比较PID参数对控制系统的影响； 2. 选取Ziegler-Nichols法则对传统PID经行参数整定； 3. 选取合适的隶属度函数设计模糊控制PID；

4. 选取一种合适方式，设计神经网络与模糊控制结合的PID控制器。

三. 实验原理

1. 常规PID原理

常规PID控制系统框图如图3-1所示。控制系统由PID控制器和被对象组成。

比例 r 积分 微分 被控对象 y

图3-1.传统PID控制系统原理图

PID控制器是一种线性控制器，它根据给定值r(t)与实际输出值y(t)构成

控制偏差

e(t)=r(t)一y(t)

将偏差的比例(P)、积分(I)和微分(D)通过线性组合构成控制量，对被控对象进行控制，其控制规律为

u t =????(?? ?? +

1

????

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

基于模糊神经网络的智能火灾报警系统

姜国强,孟庆春,汪玉凤

(辽宁工程技术大学电气工程系,辽宁　阜新　123000)

摘要:本文介绍了基于模糊神经网络智能火灾报警系统,在系统中应用了模糊控制理论既提高了系统的精度又最大限度的减少了

系统的误报率,解决了火灾报警系统中长期存在的问题。结合具有自学习功能的神经网络算法,提高了系统的智能化程度,是现代智能控制理论在消防自动化系统中的应用。

关键词:神经网络;模糊控制;智能

中图分类号:TP277　文献标识码:B 　文章编号:100327241(2003)0920012203

Intelligent Fire Alarm System Ba sed on Fuzzy

Neural Networks

JIANG G uo -qiang ,MENG Q ing -chun ,WANG Yu -feng

(Electrical Engineering Department o f Liaoning Technical Univer sity ,Fuxin 123000,China )

Abstract :An

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

基于模糊神经网络的智能火灾报警系统

姜国强,孟庆春,汪玉凤

(辽宁工程技术大学电气工程系,辽宁　阜新　123000)

摘要:本文介绍了基于模糊神经网络智能火灾报警系统,在系统中应用了模糊控制理论既提高了系统的精度又最大限度的减少了

系统的误报率,解决了火灾报警系统中长期存在的问题。结合具有自学习功能的神经网络算法,提高了系统的智能化程度,是现代智能控制理论在消防自动化系统中的应用。

关键词:神经网络;模糊控制;智能

中图分类号:TP277　文献标识码:B 　文章编号:100327241(2003)0920012203

Intelligent Fire Alarm System Ba sed on Fuzzy

Neural Networks

JIANG G uo -qiang ,MENG Q ing -chun ,WANG Yu -feng

(Electrical Engineering Department o f Liaoning Technical Univer sity ,Fuxin 123000,China )

Abstract :An

标准的带有反馈层得BP神经网络算法的MATLAB程序,方便大家一起学习。

%严格按照BP网络计算公式来设计的一个matlab程序,对BP网络进行了优化设计
%yyy，即在o(k)计算公式时，当网络进入平坦区时(<0.0001)学习率加大， 出来后学习率又还原
%v(i,j)=v(i,j)+deltv(i,j)+a*dv(i,j); 动量项

clear all
clc
inputNums=3; %输入层节点
outputNums=3; %输出层节点
hideNums=10; %隐层节点数
maxcount=1000; %最大迭代次数
samplenum=3; %一个计数器，无意义
precision=0.001; %预设精度
yyy=1.3; %yyy是帮助网络加速走出平坦区

alpha=0.01; %学习率设定值
a=0.5; %BP优化算法的一个设定值，对上组训练的调整值按比例修改 字串9
error=zeros(1,maxcount+1); %error数组初始化；目的是预分配内存空间
errorp=zeros(1,samplenum); %同上

v=rand(inputNums,hideNums); %3*10;v初始化为一个3*10的随机归一矩阵; v表输入

摘 要

目前，由于PID结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统，常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时,却很难保证控制品质。因此本文研究基于BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。本处用一个多层前向神经网络，采用反向传播算法，依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。对这样一个系统在MATLAB平台上进行仿真研究，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。

关键词：主汽温，PID，BP神经网络，MATLAB仿真

I

ABSTRACT

At present, because PID has a simple structure and can be adjus