模糊神经网络控制系统的设计与应用

神经网络与模糊控制融合的控制系统，称为模糊神经网络系统（FNNS）或模糊神经网络控制器（FNNC）。

如上所述，神经网络有一系列优点，但不适合基于规则的知识，训练网络不能很好利用已有知识，从而训练时间过长或容易陷入局部最优。模糊控制的优点在于逻辑推理能力强，容易进行高阶信息处理。模糊技术与神经网络技术结合，能发挥各自的优势、弥补其不足。将模糊控制技术引入神经网络，拓宽网络信息的处理能力，可处理神经信息、模糊信息或其他精确信息。用神经网络的学习和自动识别模式特性来进行模糊信息处理，解决模糊规则的自动提取及隶属函数的自动生成问题。将神经网络控制与模糊控制有效地结合起来所构成的模糊神经网络控制器，不需要被控对象精确的数学模型，而且可根据控制中的结果进行自学习，不断提高自身的适应性，能很好地满足系统的要求。

模糊神经网络系统主要特点是对常规的神经网络（常用的为BP型神经网络，Hopfield神经网络）赋与模糊输入信号和模糊权值，有下列三种类型：

1）模糊神经网络系统具有实数输入信号，且有模糊权值；

2）模糊神经网络系统具有模糊输入信号，且有实数权值；(www.xing528.com)

3）模糊神经网络系统具有模糊输入信号，且有模糊权值。

按照上述模式，可构成许多FNNC，例如采用神经网络记忆模糊规则构成的FNNC，此种模糊神经网络系统的原理是：人们借鉴人类思维过程，把抽象的概念对应着模糊量，并与抽象的经验相联系。由于神经元之间具有不同程度的兴奋强度，可以用来记忆这些联系，同时神经网络是以并行方式工作的，可以从根本上解决模糊控制时间上的限制，这样就可以采用神经网络记忆模糊规则构成的FNNC。

这种FNNC与模糊逻辑控制器有相同的框架，但各部分实现的方法不同。神经网络部分是一个多层神经网络，在使用前采用BP算法通过“概念”的表达将抽象化的经验转化成样本，经训练调整网络的权重，使网络能存储抽象的经验规则，网络具有的这种记忆功能，即使当网络输入为非样本时，其输出与该输入较近的样本输出也非常相似。