自适应神经模糊系统及其应用研究

专题研讨　

基于小波神经网络辨识器的模糊神经自适应控制　

在ＶＡＶ空调系统中的应用　

李金，龚建华，霍小平　

（上海大智科技发展有限公司，上海２０１１００）　

●●’。。。’’。。。。。。。。。。。。。。。。。。。。。。。。●●＿－‘。。。●●－－－－。●－－－●－。。－●－●－●。。－－－－－。‘●。－●＿－●●●　．　●　：　摘要：针对空调温度控制的大惯性、大滞后、非线性等特点，提出采用基于小波神经网络辨：　

：　识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线　：　

：　性映射能力比一般神经网络要强，所以基于小波神经网络的辨识器可以获得很高的辨识精度。而　：　

：　且，模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则，从而进行客观准　：　

：　确的控制。与普通模糊控制方法相比较，仿真试验说明系统设计的有效性。　：　

：　关键词：变风量空调；　小波神经网络；　模糊神经；　自适应控制　：　●　’　●●－－－●－－－－－－－－●－－－－－－●－＿●－●－－＿。●－－－＿－－●－－－－＿●－－－－＿●－－－－＿。－－－－－。。●－－－＿－－－－●●－－●●　

中图分类号：ＴＵ８３，ＴＰ２７３＋．２　文献标识码：Ａ　文章编号：１　００６—８４４９（２００８）０５—００１　２—０４　

０　引言　

在智能大厦中，空调在整个建筑能耗的比重越来　

越大，我国的建筑能耗达到总能耗的３０％以上，空调　

能耗一般占整个建筑能耗的６０％以上；而一些工业发　

达国家，由于大量使用空调系统，以致所消耗的能量约　

占总能耗的１／３（如美、日等国），有的甚至达到总能耗　

的４５％（如瑞典），因此节能问题特别突出。变风量空　

调系统由于其明显的节能效果而逐渐代替传统定风量　

空调，目前在国外的智能建筑已有广泛应用，在我国起　

步虽然比较晚，但是发展很快。本文对变风量空调系统　

的风量控制进行了初步探索，从节能和舒适的双重目　

基于神经网络的模糊控制系统设计与实现

随着科技的不断发展，应用人工智能技术来解决问题已经成为趋势。其中，神经网络和模糊控制系统是两个比较常用的技术，二者结合起来也是很有前途的。

一、神经网络

神经网络是模拟人类神经系统的一种计算模型。它由许多简单的神经元组成，这些神经元之间通过连接进行信息传递，从而实现了模式识别、分类、回归等功能。通俗地说，就是让计算机模拟人脑的思维方式。

神经网络有很多种结构和算法，其中比较常用的是多层感知机（Multi-layer

Perceptron，MLP）。MLP是一种前向反馈神经网络，由输入层、隐藏层和输出层组成，如图1所示。

图1 MLP网络结构示意图

其中，输入层和输出层很好理解，而隐藏层则是用来处理输入与输出之间的关系，其中每个神经元计算的结果会被传递给下一层。

MLP是一种有监督学习算法，即需要给定训练集和对应的目标输出，通过反向传播算法来训练神经网络，不断调整权重和偏置，从而减小预测输出与真实输出之间的误差。在训练完成以后，神经网络可以用来进行预测，从而实现分类、预测等任务。

二、模糊控制系统

模糊控制系统是一种基于模糊数学理论的控制系统。不同于传统控制系统中的明确的控制规则和精确的数学模型，模糊控制系统通过模糊集合、模糊逻辑来处理模糊信息，从而实现控制目标。 通俗地说，就是将现实世界中的模糊概念映射到数学空间中，通过对模糊概念的描述和处理来实现控制。例如，温度控制系统可以被描述为“当室内温度较低时，加热器应该加热；当室内温度较高时，加热器应该停止加热”这样一个模糊规则库，从而实现对室内温度的控制。

模糊控制系统有很多算法和方法，其中最常用的是基于 Mamdani 模型的模糊控制系统。Mamdani 模型将输入变量和输出变量用模糊集合来描述，通过一系列的 IF-THEN 规则来实现模糊控制，具体结构如图2所示。

图2 Mamdani 模糊控制系统结构示意图

1

模糊控制系统的应用

一、模糊控制系统的应用背景

模糊控制系统是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。1965年美国的扎德创立了模糊集合论, 1973 年, 他给出了模糊逻辑控制的定义和相关的定理。1974 年英国的Mamdani 首先用模糊控制语句组成模糊控制器,并把它用于锅炉和蒸汽机的控制, 在实验室获得成功, 这一开拓性的工作标志着模糊控制论的诞生。

模糊控制系统主要是模拟人的思维、推理和判断的一种控制方法, 它将人的经验、常识等用自然语言的形式表达出来, 建立一种适用于计算机处理的输入输出过程模型, 是智能控制的一个重要研究领域。从信息技术的观点来看, 模糊控制是一种基于规则的专家系统。从控制系统技术的观点来看, 模糊控制是一种普遍的非线性特征域控制器。

相对传统控制, 包括经典控制理论与现代控制理论。模糊控制能避开对象的数学模型(如状态方程或传递函数等) , 它力图对人们关于某个控制问题的成功与失败和经验进行加工, 总结出知识, 从中提炼出控制规则, 用一系列多维模糊条件语句构造系统的模糊语言变量模型, 应用CRI 等各类模糊推理方法,可以得到适合控制要求的控制量, 可以说模糊控制是一种语言变量的控制。

模糊控制具有以下特点:

(1) 模糊控制是一种基于规则的控制。它直接采用语言型控制规则, 出发点是现场操作人员的控制经验或相关专家的知识, 在设计中不需要建立被控对象的精确数学模型, 因而使得控制机理和策略易于接受与理解, 设计简单, 便于应用;

(2) 由工业过程的定性认识出发, 比较容易建立语言控制规则, 因而模糊控制对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象非常适用;

(3) 基于模型的控制算法及系统设计方法, 由于出发点和性能指标的不同,

基于自适应模糊神经网络的算法研究

近年来，机器学习技术的发展将人工智能应用带入了新的高度。在各种复杂问题的处理中，自适应模糊神经网络 (ANFIS) 成为了一个十分有效的算法。在该算法的基础上，人们对其进行了深入的研究和发展。本文将对 ANFIS 算法及其应用进行探讨。

一、ANFIS的基本原理

ANFIS 是一个基于神经网络和模糊逻辑的混合算法。它的运算过程包括前向传播和后向传播。第一次的前向传播主要依赖于神经网络，用来确定网络中的输出和误差。第二次的前向传播主要依赖于模糊逻辑，用来求解误差函数和参数的最小值。后向传播主要是用来更新网络的参数和隶属度函数。ANFIS 的结构如下图所示：

ANFIS 由五个模块构成：模糊化、规则库、推理机、去模糊化、神经网络等。其中模糊化模块用于将原始输入数据转化为模糊化的隶属度值；规则库模块用于存储系统知识；推理机模块用于将模糊化的隶属度值映射到输出隶属度值；去模糊化模块用于将输出隶属度值转化为实际的 output；神经网络用于确定 ANFIS 的各层连接权重。

二、ANFIS的优点和应用

ANFIS 算法在处理各种复杂问题时，具有很多优势。首先，它具备高度的灵活性和自适应性。在应对不同类型的数据时，它能够自适应地调整自身的参数和隶属度函数，以达到最优的预测效果。其次，它能够动态调整神经网络的层数。在特别复杂的问题中，自适应地增加或减小神经网络的层数，能够提升模型的准确性和鲁棒性。此外，ANFIS 也能够与其他算法进行结合使用，如模拟退火等，进一步提升其应用效果。

在实际应用中，ANFIS 算法逐渐被广泛采用。例如，它被用于预测流量、温度、能源消耗和地震等。在金融领域中，ANFIS 被用于预测股票走势，提供决策支持；在医疗领域中，ANFIS 被用于疾病预测和诊断；在环保领域中，ANFIS 被用于污染物浓度预测等。

三、ANFIS的发展

ANFIS 算法的应用也在不断发展、改进。例如，针对其前向传播和后向传播过程中数据容易过拟合的缺点，学者们提出了多种 ANFIS 算法改进方案。如基于正则化的 ANFIS、基于分类神经网络的 ANFIS、基于区间 Type-2 模糊逻辑的 ANFIS 等。这些改进方案在实际应用中，能够提高 ANFIS 算法的鲁棒性和准确性。