一种多变量语言动力系统建模与控制方法技术方案

本发明专利技术涉及系统建模与控制领域，具体涉及一种多变量语言动力系统建模与控制方法。本发明专利技术通过采用条件模糊集合作为词语模型的单变量规则模块连接的多变量语言动力系统建模与控制方案，具有强大的不确定信息描述能力和较小的模糊规则规模，可以有效提高计算效率和降低设计成本，从而取得更好的建模与控制效果。

【技术实现步骤摘要】
一种多变量语言动力系统建模与控制方法
本专利技术涉及系统建模与控制领域，具体涉及一种多变量语言动力系统建模与控制方法。
技术介绍
1995年，王飞跃教授提出语言动力系统的基本概念，首次提出在语言的层次上研究复杂系统的建模、分析和控制问题。王飞跃首先研究线性语言动力系统的数值解法，同时给出描述语言状态向量不确定性定理，即通过判断语言状态向量(一型模糊集合)的支集的收敛性来研究语言状态向量的不确定性的变化规律。随后又给出基于模糊推理的II型语言动力系统的不动点原理并在此基础上设计了语言控制律。莫红以logistic混沌模型为研究对象分析它的平衡词、稳定性的充要条件、二倍、四倍、八倍、十六倍周期分支特性和混沌等非线性I型语言动力系统的基本性质。以上研究中词语模型采用一型模糊集合，它的隶属值是精确值，不能表示人们在取值时的不确定性。近年来，采用二型模糊集合，主要是区间二型模糊集合作为词语模型成为语言动力系统的主流，赵亮等对于用数学模型描述的常规动力系统，通过对清晰变量的‘模糊化’得到语言动力系统，然后采用割集原理研究语言状态向量的自治运动性质，研究其稳定性、能控性和能观性。对于数学模型未知的系统，通过感知推理技术研究它的向量控制区域，在此基础上分析语言控制律的设计方法。综上所述，在目前的技术发展阶段，语言动力系统不确定信息表示的基本单位仍多采用一型或区间二型模糊集合，因为它们的隶属值或者是精确数或者是区间数(均匀的模糊分布)，描述复杂不确定信息的能力受到限制，而且目前的语言动力系统基本是单变量的形式，因为对于多变量的情形，系统模型的规则数目会急剧增加，计算和设计成本增大，导致语言控制序列综合的难度加大。然而，在实际应用中，多变量语言动力系统最具有一般性和普遍性，发展其分析和综合的技术具有重要的应用价值和推广前景。
技术实现思路
本专利技术的目的是提供一种多变量语言动力系统建模与控制方法，用以解决现有技术中单变量形式的语言动力系统不能有效解决多变量建模与控制的问题。为实现上述目的，本专利技术的方案包括一种多变量语言动力系统建模与控制方法，包括以下步骤：建立条件模糊集合的两个不确定度量并计算两者的闭合形式解；根据所述两个不确定度量的闭合形式解，采用带约束的限制优化方法建立词语模型；在多维语言状态变量输入词计算模型时，基于单变量规则模块计算语言输出；从离线状态下专家确定的语言控制序列中选择最优方案；通过分析期望和实际语言输出的质心之差，在线综合语言控制序列得到语言状态闭环控制方案。本专利技术的有益效果是：通过采用条件模糊集合作为词语模型的单变量规则模块连接的多变量语言动力系统建模与控制方案，具有强大的不确定信息描述能力和较小的模糊规则规模，可以有效提高计算效率和降低设计成本，从而取得更好的建模与控制效果。进一步的，所述建立条件模糊集合的两个不确定度量并计算两者的闭合形式解这一过程包括：建立α平面的不确定度量；建立条件模糊集合的平均不确定度量；建立条件模糊集合的方差不确定度量。进一步的，所述采用带约束的限制优化方法建立词语模型的过程包括：建立词语的α＝0平面并分析上下边界的参数和形状；根据下边界的形状，分析当α∈[0,1]时，α平面形状的变化情况，从而确定相应的参数不等式约束条件；建立条件模糊集合的不确定度量和调查数据的不确定性度量的相等关系，建立相应的参数等式约束条件；当条件模糊集合不确定度量方差最大时，以所述约束条件建立词语模型。进一步的，所述基于单变量规则模块计算语言输出的过程包括：建立每个输入变量的单输入单输出模糊规则模块；确定每个输入变量模糊规则模块的权重词语；采用语言加权平均方法对每个单变量规则模块计算对应的输出然后再计算最终输出。进一步的，所述从离线状态下专家确定的语言控制序列中选择最优方案的过程包括：建立期望输出语言序列、语言控制序列；建立语言控制模块计算推理模型；建立最优语言控制序列的选择标准。进一步的，所述通过分析期望和实际语言输出的质心之差，在线综合语言控制序列的过程包括：建立条件模糊集合质心计算的规律；设计语言控制序列的综合方法。附图说明图1是本专利技术多变量语言动力系统控制方案示意图；图2是本专利技术中的词语模型示意图；图3是基于单变量规则模块的多输入语言变量计算语言输出示意图；图4是本专利技术语言控制向量动态校正语言状态向量方案示意图；图5是根据期望和实际语言输出质心之差在线综合语言控制序列示意图。具体实施方式下面结合附图对本专利技术做进一步详细的说明。如图1所示，本专利技术的技术方案如下，首先，计算得到词语模型(条件模糊集合)的两个不确定度量(α平面的不确定均值和方差)的闭合形式表达式；然后采用问卷调查方法收集区间数据，建立词语模型(条件模糊集合)的α＝0平面，计算得到它的上下边界的参数和形状；在此基础上，根据α＝0平面上下边界的形状确定当α∈[0,1]时，α＝0平面的形状，然后以相应词语不确定度量方差作为目标函数，同时建立不确定均值和收集数据的不确定度的相等关系作为等式约束，采用有约束优化方法计算词语模型的参数，从而得到词语模型(条件模糊集合)。再次，建立基于单变量规则模块的多输入语言变量语言输出计算推理方法，对于每个模块中每条规则的输出采用语言加权平均计算输出，然后再对所有模块输出加权平均即得输出词语。最后，对于评估结果不达标的个体，在语言控制序列(动态校正方案)已知的情况下，通过比较实际和期望语言输出的序关系选择最优的方案；或者如果校正方案未知的情况下，建立实际和期望语言输出的质心差和语言控制向量的单变量规则模块，经过计算推理在线综合语言控制向量(校正方案)对语言状态向量进行在线校正(闭环输出反馈)。具体地包括如下步骤。第一步：建立条件模糊集合的两个不确定度量,计算它们的闭合形式解。步骤1.1：建立α平面的不确定度度量。这里的不确定度是由每个α平面的上下边界隶属函数取值的不确定(差异)引起的，它表示为每个α平面的不确定覆盖域的面积和它的上边界隶属函数所包围面积的比值。因为条件模糊集合每个α平面的参数可以表示为以α＝0和α＝1平面的参数为系数的α函数，即：这里，和分别表示α平面的下、上边界隶属函数，μA|P(α)表示α平面的不确定度。步骤1.2：建立条件模糊集合的第一类不确定度量(平均不确定度量)。对在步骤1.1中建立的α平面的不确定度量，求它对于α的平均值(积分)，可以得到条件模糊集合的第一类不确定度量(不确定均值)，即：式中uA|P表示第一类不确定度量(不确定均值)，这里需要考虑随着α从0到1的过程中，由于α平面下边界形状出现变化，使得α平面的不确定度量表示式发生变化，从而使闭合形式的解的表达式更加复杂。步骤1.3：建立条件模糊集合的第二类不确定度量(方差不确定度量)。在步骤1.2研究的基础上，计算每个α平面的不确定度量和它们的均值(条件模糊集合的不确定度量)的方差，计算得到第二类不确定度量，即：式中，表示第二类不确定度量(方差不确定度量)。第二步：采用有约束的限制优化方法建立词语模型(条件模糊集合)。在第一步的基础上，建立词语模型的方法如下。步骤2.1：通过调查问卷收集所需要的规则前件和后件词语的区间统计数据，建立词语(条件模糊集合)的α＝0平面，分析它们上下边界的参数和形状。步骤2.2：根据下边界的形本文档来自技高网...

【技术保护点】
一种多变量语言动力系统建模与控制方法，其特征在于，包括以下步骤：建立条件模糊集合的两个不确定度量并计算两者的闭合形式解；根据所述两个不确定度量的闭合形式解，采用带约束的限制优化方法建立词语模型；在多维语言状态变量输入词计算模型时，基于单变量规则模块计算语言输出；从离线状态下专家确定的语言控制序列中选择最优方案；通过分析期望和实际语言输出的质心之差，在线综合语言控制序列得到语言状态闭环控制方案。

【技术特征摘要】
1.一种多变量语言动力系统建模与控制方法，其特征在于，包括以下步骤：建立条件模糊集合的两个不确定度量并计算两者的闭合形式解；根据所述两个不确定度量的闭合形式解，采用带约束的限制优化方法建立词语模型；在多维语言状态变量输入词计算模型时，基于单变量规则模块计算语言输出；从离线状态下专家确定的语言控制序列中选择最优方案；通过分析期望和实际语言输出的质心之差，在线综合语言控制序列得到语言状态闭环控制方案。2.根据权利要求1所述一种多变量语言动力系统建模与控制方法，其特征在于：所述建立条件模糊集合的两个不确定度量并计算两者的闭合形式解这一过程包括：建立α平面的不确定度量；建立条件模糊集合的平均不确定度量；建立条件模糊集合的方差不确定度量。3.根据权利要求1或2所述一种多变量语言动力系统建模与控制方法，其特征在于：所述采用带约束的限制优化方法建立词语模型的过程包括：建立词语的α＝0平面并分析上下边界的参数和形状；根据下边界的形状，分析当α∈[0,1]时，α平面形状的变化情况，从而确定相应的...

【专利技术属性】
技术研发人员：赵亮，闫晶晶，宋强，冯肖亮，周杰，周孟清，张钦尧，宁子健，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南,41