模糊神经网络在智能控制中的应用研究1郑子杰，王虎武汉理工大学信息工程学院，武汉 (430070)E-mail ：zhzijie.27@摘 要：本文简要介绍了神经网络（Neural Network ）及模糊神经网络（Fuzzy Neural Network ）的特点以及发展状况，并给出了模糊神经网络在智能控制中的几种应用，同时指出了今后研究中有待解决的一些问题，并对模糊神经网络技术将来的发展及其在工程上的应用作了展望。

关键词：神经网络，模糊神经网络，FFNC ，智能控制中图分类号: TP183 文献标识码:A1. 神经网络简介神经网络是仿效生物处理模式以获得智能信息处理功能的理论。

神经网络着眼于脑的微观网络结构，通过大量神经元的复杂连接，采用由底到顶的方法，通过自学习、自组织和非线性动力学所形成的并行分布方式，来处理难于语言化的模式信息[1]。

自1943年第一个神经网络模型—MP 模型被提出至今，神经网络的发展十分迅速，特别是1982年提出的Hopfield 神经网络模型和1985年Rumelhart 提出的反向传播算法BP ，使Hopfield 的模型和多层前馈型神经网络成为用途广泛的神经网络模型，在语音识别、模式识别、图像处理和工业控制等领域的应用颇有成效。

神经网络的核心由其基本结构、学习规则及其工作方式三大部分组成。

1.1 基本结构神经网络是由大量神经元广泛互连而成的复杂网络系统。

单一神经元可以有许多输入、输出。

神经元之间的相互作用通过连接的权值体现。

神经元的输出是其输入的函数。

常用的函数类型有：线性函数、Sigmoid 型函数和阈值型函数[2]。

虽然单个神经元的结构和功能极其简单和有限，而大量神经元构成的网络系统其行为却是丰富多彩的。

图1表示出单个神经元和Hopfield 模型的结构。

在图1(a)中， i u 为神经元的内部状态，iθ为阈值，i x 为输入信号， ij w 表示从j u 到i u 连接的权值， i s 表示外部输入信号，则神经元的输入为-i i j j i i n e t w x s θ=+∑，输出为 ()i i y f n e t =，其中f 是神经元的转换函数。

在图1(b)中。

Hopfield 模型是由许多神经元构成的互连网络，适当选取神经元兴奋模式的初始状态，则网络的状态将逐渐到达一个极小点即稳定点、从而可以联想出稳定点处的样本。

神经网络的基本特征是：(1)大规模并行处理。

神经网络能同时处理与决策有关的因素，虽然单个神经元的动作速度不快，但网络的总体处理速度极快。

1本课题得到教育部重点项目(03120)(基于FSOC 嵌入式微控制器设计与研究)的资助。

(2)容锗性。

由于神经网络包含的信息是分布存储的，即使网络某些单元相连接有缺陷，它仍可以通过联想得到全部或大部分信息。

（3)自适应性和自组织性。

神经网络系统可以通过学习不断适应环境，增加知识的容量。

(a)神经元结构模型 （b ）hopfield 模型图1 神经元模型和hopfield 模型 1.2 学习规则学习规则决定了神经网络的连接权值舶变化，典型的学习规则有：(1)Hebb 规则。

如Hopfield 网络采用的修正Hebb 规则为(21)(21)j i w i a δ∆=−−其中i a 和j a 分别是节点i 和j 的激活值，常用于自联想网络。

(2) δ学习规则和广义δ学习规则。

可用于学习非线性可分函数。

BP 网络就依据这些学习规则。

(3)模拟退火。

Boltzman 机就采用模拟退火算法作为其学习算法，它能学习非常复杂的非线性可分函数。

(4)无教师学习规则。

它利用自适应学习方法，使节点能选择接受空间上的不同特性。

1.3 工作方式(1)前向式或称前馈式。

在这种方式中，网络被分成输入层、隐含层和输出层，信息从图2 前向式神经网络的结构与工作方式输入层开始，经由隐含层流向输出层，如图2所示。

如感知器和BP 网络就是典型的前向式网络。

(2)演化式。

此时输入层和输出层合二为一，例如Hopfield 网络。

当前，神经网络理论与应用已取得了丰硕的成果，其中多层前馈型神经网络BP 是最具应用特色的网络之一。

虽然如此，神经网络理论还存在着许多缺陷，例如训练速度但，容易陷入局部极小和全局搜索能力弱等。

克服这些缺陷的有效途径之一是将神经网络、模糊逻辑、遗传算法三者相结合，以便达到取长补短、功能更完善的目的。

2. 模糊神经网络模糊神经网络在本质上就是将常规的神经网络(如前向反馈神经网络，Hopfield神经网络)赋予模糊输入信号和模糊权值。

模糊神经网络通常有下列类型：(1)模糊神经网络具有实数输入信号，且具有模糊权值；(2)模糊神经网络具有模糊输入信号，且具有实数权值；(3)模糊神经网络具有模糊输入信号，且具有模糊权值。

模糊神经网络亦是全局逼近器，这已为许多学者所证明[3]，同时也奠定了模糊神经网络获得广泛应用的理论基础。

模糊系统与模糊神经网络既有联系又有区别，其联系通常表现在许多模糊神经网络在本质上是模糊系统的实现；其区别表现在模糊神经网络又表现为神经网络之特性。

模糊神经网络恰好充分地利用了各自的优点，避免了其缺点，因而受到了重视。

实际上，模糊神经网络作为具有一定的处理定性与定量知识的技术与方法，主要原因还是在于模糊逻辑具有较强的结构性知识表达能力，即描述系统定性知识的能力和神经网络强大的自学习与定量数据的直接处理能力。

模糊神经网络的学习算法通常是常规神经网络的学习算法或其推广。

其常见的学习算法有五种，分别为：反向传播学习算法；模糊反向传播学习算法；基于α—截集的反向传播学习算法；随机搜索学习算法；遗传学习算法。

目前，模糊神经网络技术已经获得了广泛的应用。

集中在以下几个领域：模糊回归问题的研究；模糊控制；模糊专家系统；模糊分级分析；模糊短阵方程；模糊建模以及模糊模式识别。

3. 模糊神经网络在智能控制中的应用模糊神经网络系统是当前颇受人们关注的最新颖的控制策略研究方向之一。

由于采用不同的控制思想和策略，引出的模糊神经网络控制器(FNNC)的结构形式将有所不同[4]。

下面通过对几种典型的模糊神经网络控制器结构形式的分析，指出不同结构形式的FNNC的特点。

从FNNC结构形式的变迁，可以预测，随着动态推理过程知识流动理论的研究，把知识流动过程与网络结构形式的完美结合，形成能更加准确地表达人类思维过程，有一定思维能力的智能控制器，将是FNNC结构的发展趋势。

3.1 采用神经网络记忆模糊规则构成的FNNC图3采用神经网络记忆模糊规则构成的FNNC结构图模糊控制器的模糊推理并不能十分令人满意地表达经验知识，模糊量也缺乏一个明确准则用以确定隶属度函数曲线。

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在控制时间上的限制，这样就出现了采用神经网络记忆模糊规则构成的FNNC。

其结构形式见图1(e:误差；d/dt:误差微分；Yd:参考量)。

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的输出也非常相似。

3.2 模糊系统的联结主义表达构成的FNNC将模糊系统处理非统计不确定性的方法，与神经网络的联结主义结构和学习算法结合起来，使其构成的模糊神经网络具有模糊表达、似然推理、联结主义学习以及分布式信息处理等特点。

这种结构的模糊神经网络根据模糊系统的模糊化、模糊推理、模糊判决3大模块把它们以联结主义表达，就构成了相应的FNNC[5]。

其典型结构如图4所示。

一个具体的FNNC结构形式与系统的描述，如模糊控制规则的条数及隶属函数有关，同时还因网络的学习算法及点函数选取的不同而异。

但形成这种结构的思想是模糊控制系统在神经网络上的实现。

FNNC通过一定的学习算法自动产生隶属函数的合适形状及模糊规则。

有些FNNC由于采用自学习模糊算法，使其能实现模糊规则的在线辨识及隶属函数的自动更新，具有自学习能力。

图4模糊系统的联结主义表达构成的FNNC结构形式图5自适应模糊神经网络控制结构图3.3 自适应模糊神经网络控制器前面阐述的两种结构形式的FNNC，虽然在不同的控制策略指导下形成的FNNC结构有所差异，但FNNC的总体框架有许多相似的地方，主要区别在于用不同的手段来实现模糊推理。

利用人工神经网络(ANN)作为建模工具，对非线性系统静态建模、动态辨识，并把ANN和FNN(模糊神经网络)相结合，形成了自适应模糊神经网络控制器[6]。

这种结构的FNNC在自组织学习过程中，为了达到自适应控制的目的，采用不同的方法，如通过测试、控制量校整、在线辨识未知受控对象，对受控对象工作状况的预测等，获取FNNC的自调整信息。

这种FNNC一般由两个以上的网络单元构成，一个用于控制器的设计，另一个用于自调整信息的获取。

这种FNNC的典型结构如图5所示。

4. 小结今后，控制理论面临的突出问题是既要继续发展自身理论，又要在应用方面留下实实在在的成果；用神经网络实现模糊人工智能，以最大限度发挥人的智慧和能力。

但是，由于工业过程的复杂性，尤其在连续生产过程中干扰大，可变因素多，用模糊神经网络处理系统问题仍然有它的不足之处。

主要表现在:1）达不到真正的实时性要求，不能实现真正的实时自学习、自调整、自适应。

在连续生产过程中，往往会存在一些干扰因素，或者生产条件有一些变化，这就要求模糊神经网络能够识别这一变化，并且通过自学习作出相应的处理。

2）抗干扰性能不强。

在离线学习时，模糊神经网络具有较强的抗干扰性能。

但是，在实时过程中，由于相关软件及硬件的限制，抗干扰的能力被削弱。

3）模糊神经网络的工程化应用还缺乏实用的开发平台。

在现有的开发平台中，绝大部分的组态软件都对传统的PID控制提供了很方便的应用。

研究模糊系统与神经网络的关系及用神经网络实现模糊逻辑推理等仍将是今后继续研究的发展趋势。

在此同时，结合子波变换、分形几何等技术和理论，还有望构造一些权值易于理解的NN模型。

参考文献【1】王耀南.一种模糊神经网络智能控制器及其应用.电子学报，1996，(8）【2】管军，胡春．基于人工神经网络改进的Delphi 法［J］．微计算机信息，2005，10-3：171-173 【3】乌云高娃.人工神经网络的发展. 福建电脑，2004（4）【4】邓洪敏，何松柏，虞厥邦.基于模糊神经网络的规则学习.仪器仪表学报，2004（6）【5】赵振宇，徐用懋.模糊理论和神经网络的基础与应用.北京:清华大学出版社，1997【6】余有灵，徐立鸿，吴启迪. Generalized Fuzzy Neural Network. ACTA AUTOMATICA SINICA.2003（6）The Application And Research of Fuzzy Neural Network InIntelligent ControlZheng Zijie，Wang HuWuhan University of Technology，Wuhan （430070）AbstractThis paper briefly introduces the characteristic and the state of development of Neural Network and Fuzzy Neural Network，and provides several kinds of applications in intelligent control of fuzzy neural network; and some problems remaining to be solved in the future research of fuzzy neural network are also put forward. Finally，it looks forward to the development in the future of the fuzzy neural network technology and its application on the project.Keywords：neural network，fuzzy neural network，FNNC，intelligent control作者简介：郑子杰，男( 1983～) ，汉族，硕士研究生在读，主要研究方向：嵌入式技术及其应用；王虎，男( 1981～) ，汉族，硕士研究生在读，主要研究方向：计算机网络与信号处理。