一种基于修剪策略的D-FNN直接逆控制方法及系统技术方案

技术编号:22363379 阅读:32 留言:0更新日期:2019-10-23 04:27
本发明专利技术公开了一种基于修剪策略的D‑FNN直接逆控制方法及系统,采用分级学习的能保证更简洁的结构和更短的学习时间,分级学习策略的一大好处是可以缓解学习过程中的震荡问题,当外部环境出现扰动时,D‑FNN具有很强的自适应性和鲁棒性可以把轨迹误差迅速地减少到接近零。D‑FNN可以根据对逆控制系统的重要性及系统的复杂性自动地产生或者删除模糊规则,在线学习时模型不需要预先设定,可以从训练数据设置次序自适应地学习,从而补偿了非线性系统建模误差处理外部扰动。通过仿真研究,动态模糊神经网络将会在许多实时自动控制系统中得到应用。

【技术实现步骤摘要】
一种基于修剪策略的D-FNN直接逆控制方法及系统
本公开涉及自动控制、人工智能和神经网络
,具体涉及一种基于修剪策略的D-FNN直接逆控制方法及系统。
技术介绍
一个训练好的神经网络可以看成是一种知识的表达,与模糊系统中使用IF-THEN规则表达局部知识不同,神经网络通过它的结构,更确定的说,通过它的连接权和局部处理单元,以一种分布式的或局部的方法来储存知识。神经网络中的前馈计算与模糊系统中的前向推理扮演同样的角色。这两种系统都能根据当前情况通过对存储知识的操作来执行任务,已得到期望输出,通过给定一个合适的行为来响应新情况是这两种系统的核心。可是,两者完成任务的方法是不同的。模糊系统是基于逻辑推论的插值推理,而神经网络是基于泛化能力的代数计算。模糊系统通常是从领域专家处获取知识,这个知识借助模糊逻辑理论融入系统。相反神经网络通常从样本中获取知识,这个知识通过训练被吸收到神经网络中。模糊系统和神经网络的结合就形成了模糊神经网络,这种网络致力于两种方法的优点同时避免它们各自的缺陷。把神经网络应用于模糊系统,可以解决模糊系统中提取模糊规则的问题,把模糊系统应用于神经网络,可以避免任意选择初值。神经网络是模拟人脑结构,具有大规模并行及分布式信息处理能力,但它不能处理和描述模糊信息。模糊系统具有推理过程容易理解,但它很难实现自适应学习的功能。如果将神经网络与模糊系统结合起来,可起到取长补短的效果。
技术实现思路
为解决上述问题,本公开提供一种基于修剪策略的D-FNN直接逆控制方法及系统的技术方案,由于这种方法学习时结构和参数同时调整且学习速度快等优点,因此它一方面可以在模糊逻辑系统中包含低级的神经网络学习和计算功能,另一方面也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统,D-FNN(动态模糊神经网络)具有实时学习和控制能力强,参数估计和结构辨识同时进行等优点。为了实现上述目的,根据本公开的一方面,提供一种基于修剪策略的D-FNN直接逆控制方法,所述方法包括以下步骤:步骤1,读取输入数据集;步骤2,构建动态模糊神经网络模型;步骤3,将动态模糊神经网络模型调整为分级学习动态模糊神经网络模型;步骤4,通过修剪策略对分级学习动态模糊神经网络模型中的模糊规则进行修剪剔除得到修剪神经网络模型;步骤5,通过修剪神经网络模型对输入数据集进行数据遗忘得到控制系统参数数据集;步骤6,构建逆控制模型并输入控制系统参数数据集到逆控制模型进行控制。进一步地,在步骤1中,输入数据集为在自然的未被控制的条件下获取的观测数据。进一步地,在步骤2中,构建动态模糊神经网络模型的方法为:x1,x2,…,xr是输入数据,y是输出数据,则高斯函数表示的隶属函数:cij是xi的第j个高斯隶属函数的中心,σj是xi的第j个高斯隶属函数的宽度,r为输入数据的个数,u为隶属函数的个数;Nj为第j个节点的输出:总输出信号:其中,y是输出信号,模糊规则wk为:wk=ak0+ak1x1+…+akrxrk=1,2,…,u(4)为动态模糊神经网络模型:Ci是第i个RBF单元的中心;ai,ak均为多项式的系数。进一步地,在步骤3中,将动态模糊神经网络模型调整为分级学习动态模糊神经网络模型的方法为:动态模糊神经网络模型的结构不仅由接收域决定还由系统误差决定,尽管这两种方法都可以被划分为分级自组织方法,由输出误差确定是否应该加入新模糊规则;输出误差判断描述如下:(Xi,ti)是第i个输入数据,Xi表示第i个输入向量,ti表示第i个期望的输出,动态模糊神经网络输出为yi。定义||ei||=||ti-yi||(6)如果||ei||>ke时,动态模糊神经网络模型增加一条新的模糊规则,最终得到分级学习动态模糊神经网络模型。ke值是根据动态模糊神经网络期望的精度预先选定的。分级学习能保证更简洁的结构和更短的学习时间。ke是个变量:ke=max[emax×βi,emin](7)这里,最大误差为emax,动态模糊神经网络的精度为emin,收敛常数是β(0<β<1),βi为第i个收敛常数。进一步地,在步骤4中,通过修剪策略对分级学习动态模糊神经网络模型中的模糊规则进行修剪剔除得到修剪神经网络模型的方法为:修剪策略采用的是误差下降率(ERR)方法。用ERR、SVD(奇异值分解)或ED(特征值分解)方法的不同的修剪策略将导致不同的动态模糊神经网络模型的结构,即不同模糊规则数以及对于某个特定的性能,每条规则的参数不同,实验说明ERR方法具有明显的物理意义和稳定的数值计算,这就是为什么该方法被广泛使用的原因。T=(t1,t2,…,tn)∈Ru为系统理想输出,Y为系统实际输出。Ψ∈R(r+1)u×n和T∈Rn之间有如下关系:Y=W×Ψ(8)表示误差能量,{X(i),t(i),i=1,2,…,n}为第n个输入-输出对,把式(8)代入式(9)推导得到线性回归模型D=Hθ+E(10)其中,期望输出为D=TT∈Rn,回归向量为H=ΨT=(h1…hv)∈Rn×v,v=u×(r+1),实参数为θ=WT∈Rn,误差向量为E∈Rn,回归量为hi,回归量为qi。误差下降率为erri值如果很大,那么qi和D的相似程度就很大,qi对于输出结果影响显著,式(11)的几何意义也很显著,向量qi和D的夹角设为则若erri=0,表示两个向量正交,意味着qi对D无影响,如果,若erri=1,意味着qi对D影响显著。Δ=(δ1,δ2,…,δu)∈R(r+1)×u为erri(i=1,2,…(r+1)u)重新排列的矩阵,Δ的第i列δi是误差下降率。定义第i个模糊规则的重要性用ηi表达,值ηi越大,表示第i个模糊规则越重要,假设ηi<kerr(14)预先设置阈值为kerr,则第i个模糊规则可以剔除,最终得到修剪神经网络模型。未修剪时的训练误差总是比修剪后的误差小,但是经过修剪,无论是用ERR还是SVD或ED方法,系统的测试误差(用RMSE来评判)总是小于未修剪的动态模糊神经网络模型。进一步地,在步骤5中,通过修剪神经网络模型对输入数据集进行数据遗忘得到控制系统参数数据集的方法为:假定u个模糊规则是由n个观测数据产生的,可以写成式(15)N节点的模糊规则矩阵输出形式:Xj(x1j,x2j,…,xrj)是输入的观测数据,yi是系统的输出数据,可写成式(16)表达形式:WΨ=Y(16)W由下式给出:W=(α10…αu0α11…αu1α1r…αur)(17)W∈Ru,Ψ∈Ru×n。如何使误差能量最小,决定于一个最优的系数向量W*∈R(r+1)u。下式给出了利用线性最小二乘法(LLS)逼近的方法:W*×Ψ=T(18)具有如下表达形式的W*是属于最优的:W*=T(ΨTΨ)-1ΨT(19)其中,Ψ的转置为ΨT,Ψ的广义逆为Ψ+=(ΨTΨ)-1ΨT。卡尔曼滤波算法用于确定以下权值:其中,W0=0和S0=χI为初始条件。经过i次迭代后的系数矩阵为Wi,第i个观测数据的误差协方差矩阵为Si,χ是一个正数,Ψ的第i列为Ψi,u(r+1)×u(r+1)维单位矩阵为I。给予最新的数据最大的加权,而最旧数据加权最小,乃至被遗忘。其实现方法是加入一个遗忘因子λ,修剪神经网络模型通过数据遗忘法的回归最小二乘法公式获得控制本文档来自技高网...

【技术保护点】
1.一种基于修剪策略的D‑FNN直接逆控制方法,其特征在于,所述方法包括以下步骤:步骤1,读取输入数据集;步骤2,构建动态模糊神经网络模型;步骤3,将动态模糊神经网络模型调整为分级学习动态模糊神经网络模型;步骤4,通过修剪策略对分级学习动态模糊神经网络模型中的模糊规则进行修剪剔除得到修剪神经网络模型;步骤5,通过修剪神经网络模型对输入数据集进行数据遗忘得到控制系统参数数据集;步骤6,构建逆控制模型并输入控制系统参数数据集到逆控制模型进行控制。

【技术特征摘要】
1.一种基于修剪策略的D-FNN直接逆控制方法,其特征在于,所述方法包括以下步骤:步骤1,读取输入数据集;步骤2,构建动态模糊神经网络模型;步骤3,将动态模糊神经网络模型调整为分级学习动态模糊神经网络模型;步骤4,通过修剪策略对分级学习动态模糊神经网络模型中的模糊规则进行修剪剔除得到修剪神经网络模型;步骤5,通过修剪神经网络模型对输入数据集进行数据遗忘得到控制系统参数数据集;步骤6,构建逆控制模型并输入控制系统参数数据集到逆控制模型进行控制。2.根据权利要求1所述的一种基于修剪策略的D-FNN直接逆控制方法,其特征在于,在步骤2中,构建动态模糊神经网络模型的方法为:x1,x2,…,xr是输入数据,y是输出数据,则高斯函数表示的隶属函数:cij是xi的第j个高斯隶属函数的中心,σj是xi的第j个高斯隶属函数的宽度,r为输入数据的个数,u为隶属函数的个数;Nj为第j个节点的输出:其中,总输出信号:其中,y是输出信号,模糊规则wk为:wk=ak0+ak1x1+…+akrxrk=1,2,…,u(4)为动态模糊神经网络模型:Ci是第i个RBF单元的中心;ai,ak均为多项式的系数。3.根据权利要求2所述的一种基于修剪策略的D-FNN直接逆控制方法,其特征在于,在步骤3中,将动态模糊神经网络模型调整为分级学习动态模糊神经网络模型的方法为:将输出误差判断描述如下:(Xi,ti)是第i个输入数据,Xi表示第i个输入向量,ti表示第i个期望的输出,动态模糊神经网络输出为yi;定义||ei||=||ti-yi||(6)如果||ei||>ke时,动态模糊神经网络模型增加一条新的模糊规则,最终得到分级学习动态模糊神经网络模型,ke值是根据动态模糊神经网络期望的精度预先选定的,分级学习能保证更简洁的结构和更短的学习时间,ke是个变量:ke=max[emax×βi,emin](7)这里,最大误差为emax,动态模糊神经网络的精度为emin,收敛常数是β(0<β<1),βi为第i个收敛常数。4.根据权利要求3所述的一种基于修剪策略的D-FNN直接逆控制方法,其特征在于,在步骤4中,通过修剪策略对分级学习动态模糊神经网络模型中的模糊规则进行修剪剔除得到修剪神经网络模型的方法为:T=(t1,t2,…,tn)∈Ru为系统理想输出,Y为系统实际输出,Ψ∈R(r+1)u×n和T∈Rn之间有如下关系:Y=W×Ψ(8)表示误差能量,{X(i),t(i),i=1,2,…,n}为第n个输入-输出对,把式(8)代入式(9)推导得到线性回归模型D=Hθ+E(10)其中,期望输出为D=TT∈Rn,回归向量为H=ΨT=(h1…hv)∈Rn×v,v=u×(r+1),实参数为θ=WT∈Rn,误差向量为E∈Rn,回归量为hi,回归量为qi,误差下降率为erri值如果很大,那么qi和D的相似程度就很大,qi对于输出结果影响显著,式(11)的几何意义也很显著,向量qi和D的夹角设为则若erri=0,表示两个向量正交,意味着qi对D无影响,如果,若erri=1,意味着qi对D影响显著,Δ=(δ1,δ2,…,δu)∈R(r+1)×u为erri(i=1,2,…(r+1)u)重新排列的矩阵,Δ的第i列δi是误差下降率,定义第i个模糊规则的重要性用ηi表达,值ηi越大,表示第i个模糊规则越重要,假设ηi<kerr(14)预先设置阈值为kerr,则第i个模糊规则可以剔除,最终得到修剪神经网络模型。5.根据权利要求4所述的一种基于修剪策略的D-FNN直接逆控制方法,其特征在于,在步骤5中,通过修剪神经网络模型对输入数据集进行数据遗忘得到控制系统参数数据集的方法为:假定u个模糊规则是由n个观测数据产生的,可以写成式(15)N节点的模糊规则矩阵输出形式:Xj(x1j,x2j,…,xrj)是输入的观测数据,yi是系统的输出数据,可写成式(16)表达形式:WΨ=Y(16)W由下式...

【专利技术属性】
技术研发人员:张彩霞王向东王新东曾平
申请(专利权)人:佛山科学技术学院
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1