模糊神经网络及其在回转窑控制中的应用

论文摘要

鉴于模糊系统具有知识易于显示表达和易于解释以及神经网络具有优良的学习能力的特点,本文通过对常用的Mamdani模型和T-S模型的模糊神经网络的研究,设计了一种基于Average的新型模糊神经网络,用不同的神经元来实现数据的模糊化、模糊规则表示和模糊推理过程,并通过神经网络的学习实现对规则的获取。在对模糊神经网络训练时,首先采用传统的梯度下降进行学习,推导了梯度学习算法,并针对梯度下降有可能使学习过程进入局部极小的问题,采用梯度下降和模拟退火相结合的方法对网络进行训练。实验表明该方法能有效的解决系统的局部极小问题。最后,本文利用新型的模糊神经网络来控制复杂的回转窑系统,仿真实验取得了很好的效果。本文设计的模糊神经网络的特点是具有很好的神经网络的自学习、自适应能力,同时其网络参数也有了一定的可理解性。同时,将模拟退火与梯度下降相结合的算法明显改善了梯度下降中常见的局部极小问题,具有一定的现实意义。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 模糊控制的发展和背景
• 1.2 神经网络的发展和背景
• 1.3 模糊控制和神经网络的结合
• 1.4 回转窑控制系统简介
• 1.5 本文的主要研究工作和论文结构
• 第二章 模糊神经网络理论
• 2.1 模糊神经网络简介
• 2.2 Mamdani模型的模糊神经网络
• 2.2.1 Mamdani模糊推理
• 2.2.2 Mamdani模糊神经网络
• 2.3 T-S模型的模糊神经网络
• 2.3.1 T-S模糊推理
• 2.3.2 T-S模糊神经网络
• 2.4 小结
• 第三章 新型模糊神经网络的非线性系统辨识
• 3.1 新型模糊模型
• 3.2 新型模糊神经网络结构
• 3.3 FMLP 的梯度下降学习算法
• 3.3.1 目标函数
• 3.3.2 学习方法
• 3.3.3 求梯度向量
• 3.3.4 算法流程
• 3.3.5 实验:算法的非线性系统辨识
• 3.4 FMLP的梯度下降和模拟退火相结合的算法
• 3.4.1 局部极小问题
• 3.4.2 模拟退火算法
• 3.4.3 梯度下降与模拟退火相结合的算法流程
• 3.4.4 实验:算法的非线性系统辨识
• 3.5 实验结果分析与比较
• 3.6 小结
• 第四章 模糊神经网络在回转窑控制中的应用
• 4.1 神经模糊控制
• 4.2 回转窑控制系统分析
• 4.2.1 回转窑系统分析
• 4.2.2 数学模型
• 4.3 回转窑系统的神经模糊控制
• 4.3.1 神经模糊控制结构
• 4.3.2 神经网络辨识
• 4.3.3 FMLP的回转窑控制
• 4.4 小结
• 结束语
• 致谢
• 参考文献
• 硕士期间的研究成果