CASIA OpenIR  > 毕业生  > 硕士学位论文
基于神经网络的模糊控制和基于遗传算法的模糊控制研究
刘德厚
学位类型工学硕士
导师安燮南
1996-06-01
学位授予单位中国科学院自动化研究所
学位授予地点中国科学院自动化研究所
学位专业控制理论与控制工程
关键词神经网络 模糊控制 遗传算法
摘要本文研究了两种方法在模糊控制中的应用:基于神经网络的模糊控制和基于 遗传算法的模糊控制. 首先,将人工神经网络和模糊控制相结合,给出一种将基于规则的模糊控制 系统用结构化的神经网络实现的方法,并给出了详细的算法。利用此方法,可优 化输入输出模式的隶属度函数,实现规则的自动修正和提取。构造的神经网络包 括两部分:模式判断部分、模糊推理和控制合成部分。这两部分独立构造并且能 够很好地体现模糊控制系统中的隶属度函数和推理过程。它允许我们在网络内建 立一个知识结构使不同的区域实现不同的功能从而实现网络的分布式学习,即每 个功能子网都可独立地训练和学习,从网络的构造我们看到,从确切量的输入到 确切量的输出我们都用神经网络实现了。从某种意义上说,本方法给出了一个从 模糊控制系统到结构化神经网络的映射。本文的结果说明,模糊逻辑和神经网络 是互为补充的。从神经网络的角度看,模糊逻辑允许我们采用以语言变量和主观 隶属度函数表示的启发式知识构造网络,从模糊逻辑的角度看,通过神经网络的 并行计算和学习能力,实现了模糊控制的规则激活、提取和生成。同时,与以前 的神经网络模糊控制[35]相比是一个进步。 将遗传算法用于模糊控制是一个崭新的研究领域。本文接着将遗传算法用于 模糊推理和隶属度函数,提出了一种基于遗传算法的模糊控制(GAFC)方案,利 用它可实现隶属度函数和模糊推理的优化,规则的自动校正和提取。最后讨论了 从更宏观的角度进行规则的校正和提取,体现了宏观把握,微观人手的思想. 与[38]相比,本章有以下特点:①[38]中所提出的算法功能,本算法 都能实现;②[38]中只给出了单输入单输出的情形,本算法给出了多输入多 输出控制器的设计;③不仅能优化关系矩阵和输入隶属度函数,而且还能优化输 出的隶属度函数;④[38]中所采用的清晰化策略输入输出的隶属度函数形状 都对控制性能没有本质的影响,而本算法却相反;⑤能实现规则的自动提取。 两种算法各自具有自己的优点: 与第二章的NNFC相比,GAFC算法除了遗传算法本身具有的优点外,有以 下特点:①NNFC没有对模糊推理进行优化,只是体现了推理过程。而这儿却办 到了。②NNFC从规则人手,如果对规则无知,是不能建立的;而本算法从隶属 度函数入手,不知道规则的情况下,全方位地对其进行学习;③本算法的规则校 正和提取能力都强于NNFC,除了NNFC的能力外,还能对剩下的pq—M条规 则进行
馆藏号XWLW396
其他标识符396
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/7167
专题毕业生_硕士学位论文
推荐引用方式
GB/T 7714
刘德厚. 基于神经网络的模糊控制和基于遗传算法的模糊控制研究[D]. 中国科学院自动化研究所. 中国科学院自动化研究所,1996.
条目包含的文件
条目无相关文件。
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[刘德厚]的文章
百度学术
百度学术中相似的文章
[刘德厚]的文章
必应学术
必应学术中相似的文章
[刘德厚]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。