基于神經(jīng)網(wǎng)絡(luò)的智能控制方法研究.pdf

1、隨著現(xiàn)代工業(yè)向大型化、集成化方向發(fā)展,生產(chǎn)過程日趨復雜,過程嚴重非線性、時變性、不確定性及變量間的強耦合使許多系統(tǒng)缺乏精確的數(shù)學描述,難以用傳統(tǒng)的理論方法分析和控制,因此有必要研究新的智能控制策略.目前,神經(jīng)網(wǎng)絡(luò)、模糊控制和遺傳算法已經(jīng)在不同領(lǐng)域中取得了相當成功的應(yīng)用,但它們在單獨模擬人類智能活動時,又存在著各自的局限性.因此綜合這幾種方法的優(yōu)點以克服各自的局限性,將對控制理論的發(fā)展和自動控制水平的提高起到積極的推動作用. 本課題在分析

2、了神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)之后,主要進行了兩個方面的研究.其一:在對神經(jīng)網(wǎng)絡(luò)與遺傳算法進行結(jié)合的基礎(chǔ)上,提出了一種神經(jīng)網(wǎng)絡(luò)辨識的混合學習算法,利用混合編碼的自適應(yīng)遞階遺傳算法同時優(yōu)化神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和連接權(quán)值.其二:在對神經(jīng)網(wǎng)絡(luò)與模糊邏輯進行結(jié)合的基礎(chǔ)上,通過使用補償模糊運算自適應(yīng)地調(diào)整隸屬函數(shù)的參數(shù),同時動態(tài)優(yōu)化模糊推理.然后引入遞歸節(jié)點使網(wǎng)絡(luò)具有了動態(tài)映射的能力,從而構(gòu)成了遞歸補償模糊神經(jīng)網(wǎng)絡(luò).針對這個網(wǎng)絡(luò),首先采用改進的相關(guān)等級聚類法構(gòu)

3、造網(wǎng)絡(luò)的初始模糊模型,再利用動態(tài)梯度下降算法優(yōu)化網(wǎng)絡(luò)參數(shù).通過對典型非線性系統(tǒng)的仿真研究,驗證了兩種網(wǎng)絡(luò)學習算法的性能.最后,將本課題的研究結(jié)果應(yīng)用于氧樂果合成反應(yīng)溫度過程的控制,較好的滿足了控制要求. 本課題主要工作和研究內(nèi)容如下: (1) 分析神經(jīng)網(wǎng)絡(luò)、模糊控制和遺傳算法的發(fā)展現(xiàn)狀. (2) 研究神經(jīng)網(wǎng)絡(luò)控制的基本原理,分析神經(jīng)網(wǎng)絡(luò)辨識結(jié)構(gòu),并給出了BP神經(jīng)網(wǎng)絡(luò)及其基本算法. (3) 研究遞階遺傳算法

4、的基本原理,給出了優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值的自適應(yīng)遞階遺傳算法的操作流程,分析傳統(tǒng)BP算法存在的缺陷,提出了一種神經(jīng)網(wǎng)絡(luò)辨識的混合學習算法. (4) 將模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合,在分析模糊神經(jīng)網(wǎng)絡(luò)設(shè)計難點的基礎(chǔ)上,研究了基于模糊補償算子的神經(jīng)網(wǎng)絡(luò),通過引入遞歸節(jié)點,設(shè)計了一種新的遞歸補償模糊神經(jīng)網(wǎng)絡(luò),并采用改進的相關(guān)等級聚類法構(gòu)造網(wǎng)絡(luò)的初始模糊模型,用動態(tài)梯度下降算法進一步優(yōu)化網(wǎng)絡(luò)參數(shù).(5)以動態(tài)非線性系統(tǒng)為例,分別仿真研究本文