自适应模糊控制——刘金琨智能控制第二版共90页
智能控制第7章 模糊神经网络控制与自适应神经网络PPT课件
控制策略
❖如果被控系统 y(k+1)=f(y(k),y(k-1),u(k-1))+g(u(k))
❖参考系统： ym(k+1)=a1ym (k)+a2ym (k-1)+r(k)
❖则控制输入可取：
u ( k ) g ˆ 1 { f[ y ( k )y ( k , 1 ) u ( k , 1 ) y ] m ( k 1 )}
第一层
❖这一层的节点只是将输入变量值直接传送到 下一层。所以，
fj(1 )u(j1 ), a(j1 )fj(1 )
❖且输入变量与第一层节点之间的连接系数 wji(1)=1。
第二层
❖实现语言值的隶属度函数变换 ，可选取钟型 函数
fj(2 ) M X ji(m ( j2 ) i,( j2 ) i) (u i(2 () ( j2 m ) i)( j 2 2 ) i)2,
❖如果某一规则节点与第四层中的所有节点的 连接系数都很少而被删除的话，则该规则节 点对输出节点不产生任何影响。因此，该规 则节点可以删除。
规则合并
合并的条件 ❖该组节点具有完全相同的结论部(如图7-2中
输出变量yi中的第二个语言值节点)； ❖在该组规则节点中某些条件部是相同的(如图
7-2中输入变量x0中的第一个语言值节点的输 出与该组规则节点全部相连)； ❖该组规则节点的其它条件输入项包含了所有 其它输入语言变量某一语言值节点的输出。
四层输出语言值节点输出 ，则
w i( jt) o ( j4 )( w i( jt) o i(3 ))
规则删除
❖仅保留规则节点与同一输出语言变量的所有 语言值节点的连接系数最大的那个连接关系， 将其余的连接关系删除。
智能控制 模糊控制论文
华北电力大学科技学院智能控制论文模糊控制的概述及模糊控制的应用姓名：班级：学号：日期：模糊控制的概述及模糊控制在污水处理中的应用摘要：模糊控制技术对工业自动化的进程有着极大地推动作用，本文简要讲述了模糊控制的定义、特点、原理和应用，简介模糊控制在污水处理中的应用。
并讲诉了模糊控制的发展。
关键词：模糊控制；污水处理。
An overview of the fuzzy control and fuzzy control in application ofwastewater treatmentAbstract:Fuzzy control of industrial process automation has greatly promoted the role, the paper briefly describes the definition of fuzzy control, characteristics, principles and applications, Introduction to fuzzy control in wastewater treatment applications. And complaints about the development of fuzzy control.Keywords: fuzzy control; sewage treatment.1 引言传统的自动控制控制器的综合设计都要建立在被控对象准确的数学模型(即传递函数模型或状态空间模型)的基础上，但是在实际中，很多系统的影响因素很多，油气混合过程、缸内燃烧过程等) ，很难找出精确的数学模型。
这种情况下，模糊控制的诞生就显得意义重大。
因为模糊控制不用建立数学模型不需要预先知道过程精确的数学模型。
2 概述刘金琨在《智能控制》教材里提到模糊控制的定义和特点：2.1定义：从广义上，可将模糊控制定义为：“以模糊集合理论、模糊语言变量及模糊推理为基础的一类控制方法”，或定义为：“采用模糊集合理论和模糊逻辑，并同传统的控制理论相结合，模拟人的思维方式，对难以建立数学模型的对象实施所谓一种控制方法”。
智能控制技术课件模糊控制3.2
15
2.3 模糊逻辑、模糊逻辑推理和合成
2.3.2 模糊逻辑及其基本运算 模糊逻辑的产生与发展
经典集合与二值逻辑遇到了一些不能解决的问题。
模糊逻辑是在卢卡斯维兹多值逻辑基础上发展起来的， 它承认从0到1之间有无穷多个相互重叠渗透的中介。
用模糊逻辑结构就可以解决那些在二值逻辑中感到棘手 而尴尬的问题。例如，模糊逻辑就可以很容易地解决 “垛堆佯谬”问题。随着每取走一粒沙，沙堆在堆的集 合中的隶属度就越来越小，它从1开始，慢慢减到0.8、 0.6、0.2，最后到0。
2.3.1 二值逻辑 命题联结词
析取 ∨ 合取 ∧ 否定 ¯
蕴涵
等价
机械结构力学及控制国家重点实验室
4
2.3 模糊逻辑、模糊逻辑推理和合成
2.3.1 二值逻辑 对于二值逻辑——非是即非 ☆ 析取 ∨：意思是“或”
复合命题P∨Q，只有在P和Q都是假时，才是假。
举例: P ＝ 她喜欢吃雪糕， Q ＝ 她喜欢喝可乐。 P∨Q ＝ 她喜欢吃雪糕或喜欢喝可乐。
2.3.2 模糊逻辑及其基本运算 模糊逻辑的基本运算
根据模糊逻辑的基本运算定义，可以得出模糊逻辑运算 满足模糊运算的基本定律，除了互补律外，其它定律均 与二值逻辑类似，模糊运算的互补律不成立，其互补运 算满足：
PP min(P,1 P) PVP max(P,1 P)
利用模糊逻辑运算满足的基本定律公式可以化简模糊逻 辑函数。
模糊逻辑并不是“模糊”的逻辑，而是用来对“模糊” 进行处理，以达到消除模糊的逻辑。模糊逻辑是一种精 确地解决不精确、不完全信息的方法，其最大特点就是 用它可以比较自然地处理人的概念。
机械结构力学及控制国家重点实验室
17
2.3 模糊逻辑、模糊逻辑推理和合成
智能控制(第2版)[刘金琨]chap6
![智能控制(第2版)[刘金琨]chap6](https://img.taocdn.com/s3/m/5fd54893bceb19e8b8f6ba1c.png)
w1, , wn T
X p x p0 , x p1, , x pn
T
其中训练样本数为 p 1,2,, P 。 神经网络学习的目的是通过调整权值 W，使误差 准则函数最小。 权值的调整采用梯度下降法来实现，其基本思想 是沿着 E的负梯度方向不断修正 W 值，直到 E达到最 小。数学表达式为：
图
反馈型神经网络
• (3) 自组织网络
•
网络结构如图所示。 Kohonen 网络是最典型的
自组织网络。 Kohonen 认为，当神经网络在接受外 界输入时，网络将会分成不同的区域，不同区域具 有不同的响应特征，即不同的神经元以最佳方式响 应不同性质的信号激励，从而形成一种拓扑意义上
的特征图，该图实际上是一种非线性映射。这种映
在美、日等国有少数学者继续着神经网络模型和学习算 法的研究，提出了许多有意义的理论和方法。例如， 1969 年
，S.Groisberg和A.Carpentet提出了至今为止最复杂的 ART网
络，该网络可以对任意复杂的二维模式进行自组织、自稳定 和大规模并行处理。 1972 年， Kohonen 提出了自组织映射的
Neural Network ）研究所取得的突破性进展。神经网络控
制是将神经网络与控制理论相结合而发展起来的智能控制 方法。它已成为智能控制的一个新的分支，为解决复杂的 非线性、不确定、未知系统的控制问题开辟了新途径。
6.1 神经网络发展历史
神经网络的发展历程经过4个阶段。 1 启蒙期（1890-1969年） 1890 年， W.James 发表专著《心理学》，讨论了脑的结构 和功能。 1943 年，心理学家 W.S.McCulloch 和数学家 W.Pitts 提出了 描述脑神经细胞动作的数学模型，即M-P模型（第一个神经网 络模型）。
模糊自适应整定PID控制matlab仿真程序(刘金锟-先进PID控制及其MATLAB仿真)
模糊自适应整定PID控制matlab仿真程序(刘金锟-先进PID控制及其MATLAB仿真)2这个例子的程序百度文库里有很多版本，但我下了很多都有错误，运行不了。
以下程序我一字一字的敲出来的，已经成功运行，绝对无误。
仿真实例，被控对象为p G (s)=ss s 1047035.8752350023++ 采样时间为1ms ，采用模糊PID 控制进行阶跃响应，在第300个采样时间时控制器输出加1.0的干扰，相应的运行结果如图1~13所示。
仿真程序如下：将以下程序保存为fuzzypid.m 文件，即可得到仿真结果。
%fuzzy tunning PID controlclear all ;clear all ;a=newfis('fuzzpid');a=addvar(a,'input','e',[-3,3]); %parameter ea=addmf(a,'input',1,'NB','zmf',[-3,-1]);a=addmf(a,'input',1,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',1,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',1,'Z','trimf',[-2,0,2]);a=addmf(a,'input',1,'PS','trimf',[-1,1,3]);a=addmf(a,'input',1,'PM','trimf',[0,2,3]);a=addmf(a,'input',1,'PB','smf',[1,3]);a=addvar(a,'input','ec',[-3,3]); %parameter eca=addmf(a,'input',2,'NB','zmf',[-3,-1]);a=addmf(a,'input',2,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',2,'Z','trimf',[-2,0,2]);a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);a=addmf(a,'input',2,'PM','trimf',[0,2,3]);a=addmf(a,'input',2,'PB','smf',[1,3]);a=addvar(a,'output','kp',[-0.3,0.3]); %parameter kpa=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]);a=addmf(a,'output',1,'NM','trimf',[-0.3,-0.2,0]);a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]);a=addmf(a,'output',1,'Z','trimf',[-0.2,0,0.2]);a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);a=addmf(a,'output',1,'PM','trimf',[0,0.2,0.3]);a=addmf(a,'output',1,'PB','smf',[0.1,0.3]);a=addvar(a,'output','ki',[-0.06,0.06]); %parameter ki a=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);a=addmf(a,'output',2,'NM','trimf',[-0.06,-0.04,0]);a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]); a=addmf(a,'output',2,'Z','trimf',[-0.04,0,0.04]);a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);a=addmf(a,'output',2,'PM','trimf',[0,0.04,0.06]);a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);a=addvar(a,'output','kd',[-3,3]); %parameter kda=addmf(a,'output',3,'NB','zmf',[-3,-1]);a=addmf(a,'output',3,'NM','trimf',[-3,-2,0]);a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);a=addmf(a,'output',3,'Z','trimf',[-2,0,2]);a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);a=addmf(a,'output',3,'PM','trimf',[0,2,3]);a=addmf(a,'output',3,'PB','smf',[1,3]);rulelist=[1 1 7 1 5 1 1;1 2 7 1 3 1 1;1 3 62 1 1 1;1 4 62 1 1 1;1 5 5 3 1 1 1;1 6 4 42 1 1;1 7 4 4 5 1 1;2 1 7 1 5 1 1;2 2 7 13 1 1;2 3 6 2 1 1 1;2 4 53 2 1 1;2 5 53 2 1 1;2 6 4 43 1 1;2 734 4 1 1;3 1 6 14 1 1;3 2 6 2 3 1 1;3 3 6 3 2 1 1;3 4 5 3 2 1 1;3 54 4 3 1 1;3 6 3 5 3 1 1;3 7 3 54 1 1;4 1 6 2 4 1 1;4 2 6 2 3 1 1;4 35 3 3 1 1;4 4 4 4 3 1 1;4 5 3 5 3 1 1;4 6 2 6 3 1 1;4 7 2 6 4 1 1;35 1 5 2 4 1 1;5 2 5 3 4 1 1;5 3 4 4 4 1 1;5 4 3 5 4 1 1;5 5 3 5 4 1 1;5 6 2 6 4 1 1;5 7 2 7 4 1 1;6 1 5 47 1 1;6 2 4 4 5 1 1;6 3 3 5 5 1 1;6 4 2 5 5 1 1;6 5 2 6 5 1 1;6 6 27 5 1 1;6 7 1 7 7 1 1;7 1 4 4 7 1 1;7 2 4 4 6 1 1;7 3 2 5 6 1 1;7 4 2 6 6 1 1;7 5 2 6 5 1 1;7 6 1 7 5 1 1;7 7 1 7 7 1 1];a=addrule(a,rulelist);a=setfis(a,'DefuzzMethod','mom');writefis(a,'fuzzpid');a=readfis('fuzzpid');%PID controllerts=0.001;sys=tf(5.235e005,[1,87.35,1.047e004,0]); dsys=c2d(sys,ts,'tustin');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;u_3=0.0;y_1=0;y_2=0;y_3=0;x=[0,0,0]';4error_1=0;e_1=0.0;ec_1=0.0;kp0=0.40;kd0=1.0;ki0=0.0;for k=1:1:500time(k)=k*ts;rin(k)=1;%using fuzzy inference to tunning PIDk_pid=evalfis([e_1,ec_1],a);kp(k)=kp0+k_pid(1);ki(k)=ki0+k_pid(2);kd(k)=kd0+k_pid(3);u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3);if k==300 %adding disturbance(1.0v at time 0.3s)u(k)=u(k)+1.0;endif u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endyout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;error(k)=rin(k)-yout(k);%%%%%%%%%%%%%%%%%%%%%%%%%return of pid parameters%%%%%%%%%%%%%%%%%%%%%%%% u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);5x(1)=error(k); %calculating Px(2)=error(k)-error_1; %calculating Dx(3)=x(3)+error(k); %calculating De_1=x(1);ec_1=x(2);error_2=error_1;error_1=error(k);endshowrule(a)figure(1);plot(time,rin,'b',time,yout,'r'); xlabel('time(s)');ylabel( 'rin,yout');figure(2);plot(time,error,'r');xlabel('time(s)');ylabel( 'error ');figure(3);plot(time,u,'r');xlabel('time(s)');ylabel( 'u ');figure(4);plot(time,kp,'r');xlabel('time(s)');ylabel( 'kp ');figure(5);plot(time,ki,'r');xlabel('time(s)');ylabel( 'ki ');figure(6);plot(time,kd,'r');xlabel('time(s)');ylabel( 'kd ');figure(7);plotmf(a,'input',1);figure(8);plotmf(a,'input',2);figure(9);plotmf(a,'output',1);figure(10);plotmf(a,'output',2);figure(11);plotmf(a,'output',3);plotfis(a);fuzzy fuzzpid.fis6仿真运行结果：789。
智能控制模糊控制
30
2.2 模糊集合论基础
2.2.2 模糊集合的运算
例6：设论域U={u1，u2，u3，u4}中两个模糊子集
分别为
A 0.9 0.2 0.8 0.5 u1 u2 u3 u4
0.3 0.1 0.4 0.6 B
u1 u2 u3 u4
求 A∪B 和 A∩B
2.2.1 模糊集的概念
例2：人对温度的感觉(0C ~40C的感觉)：
23
2.2 模糊集合论基础
2.2.1 模糊集的概念
例 3 ： 设 论 域 U={ 张 三 ， 李 四 ， 王 五 } ， 评 语 为 “学习好”。设三个人学习成绩总评分是张三得 95分，李四得90分，王五得85分。
若采用隶属度函数：
2.2.2 模糊集合的运算 平衡算子 当隶属函数取大、取小运算时，不可避免地要丢失部分信 息，采用一种平衡算子，可起到补偿作用。
平衡算子 C A B
c (x) A(x) B (x) 1 A(x) B (x) A(x) B (x)
39
2.2 模糊集合论基础
2.2.2 模糊集合的运算
例7：设论域U={u1，u2，u3，u4}中两个模糊子集
例1：设集合U由1到5的五个自然数组成，试分别用列举法， 定义法，归纳法写出该集合的表达式。 解：
列举法 U={1,2,3,4,5} 定义法 U={u|u为自然数，且1≤u≤5} 归纳法 U={ui+1=ui+1, i=1,2,3,4, u1=1}
19
2.2 模糊集合论基础
2.2.1 模糊集的概念 经典集合
主要内容
2. 模糊控制的理论基础
2.1 引言
2.1.1 模糊控制的发展概述 2.1.2 模糊控制的特点
智能控制模糊控制PPT课件
机械结构力学及控制国家2.1.1 模糊控制的发展概述 模糊控制的发展——第三阶段
上世纪80年代，模糊理论的应用在深度和广度上 都有了较大进展，产生了大量的应用成果。
识别
输入的烹饪功能命令，口感命令
都是模糊的概念，带有人类思维
执行级
的命令。
对象
智能控制系统分层递阶结构示意图
机械结构力学及控制国家重点实验室
8
2.1 引言
2.1.1 模糊控制的发展概述 举个小例子
如何从人群中识别出自己认识的人？
计算机怎么识别？
脸部特征（脸型，眼睛，鼻子等） 身材（高、矮，胖、瘦） 声音 年龄 走路特征
如今需求：要考虑视觉、听觉、触觉信号，包含了图形、 文字、语言、声音等信息
输入参数越来越直接，越来越智能。
机械结构力学及控制国家重点实验室
4
2.1 引言
2.1.1 模糊控制的发展概述 一个小问题
随着社会文明的进步，社会分工越来越明确。于是对 于大部分人来说，做饭能力。。。
排骨怎么烧？
机械结构力学及控制国家重点实验室
特别是在日本，模糊控制被成功地应用于废水处 理、机器人、汽车驾驶、家用电器和地铁系统等 许多领域，掀起了模糊技术应用的浪潮。模糊软 硬件也投入商业使用。
机械结构力学及控制国家重点实验室
13
2.1 引言
2.1.1 模糊控制的发展概述 模糊控制的发展——第四阶段
上世纪90年代以来，模糊理论的研究取得了一系列突 破性的进展，例如自适应模糊控制，模糊系统的结构 和稳定性分析，模糊优化，模糊逼近等。
人工智能控制技术课件：模糊控制
模糊集合
模糊控制是以模糊集合论作为数学基础。经典集合一般指具有某种属性的、确定的、
彼此间可以区别的事物的全体。事物的含义是广泛的,可以是具体元素也可以是抽象
概念。在经典集合论中,一个事物要么属于该集合,要么不属于该集合,两者必居其一,
没有模棱两可的情况。这表明经典集合论所表达概念的内涵和外延都必须是明确的。
1000
1000
9992
9820
的隶属度 1 =
= 1，其余为： 2 =
= 0.9992， 3 =
=
1000
1000
1000
9980
9910
0.982， 4 =
= 0.998， 5 =
= 0.991，整体模糊集可表示为：
1000
1000
1
0.9992
0.982
0.998
《人工智能控制技术》
模糊控制
模糊空基本原理
模糊控制是建立在模糊数学的基础上，模糊数学是研究和处理模糊性现
象的一种数学理论和方法。在生产实践、科学实验以及日常生活中，人
们经常会遇到模糊概念(或现象)。例如，大与小、轻与重、快与慢、动与
静、深与浅、美与丑等都包含着一定的模糊概念。随着科学技术的发展，
度是2 ，依此类推，式中“+”不是常规意义的加号，在模糊集中
一般表示“与”的关系。连续模糊集合的表达式为：A =
)( /其中“” 和“/”符号也不是一般意义的数学符号，
在模糊集中表示“构成”和“隶属”。
模糊集合
假设论域U = {管段1，管段2，管段3，管段4，管段5}，传感器采
1+|
智能控制课件-模糊控制
0 0 0 0
0 .5 1 .0
0 .5 1 .0
0 .5 1 .0 0 .5 0 .5 0 0
0 0 0 0 0 0 0 .5 0 0 .5 0 .5 0 .5 1 .0 0 0
15
5
模糊决策 模糊控制器的输出为误差向量和模糊关系的合成 合成（ 复合） 合成（复合）
0
0
0
0 0 0 0 0 0 PSe × PSu = 0 × [0 0 0 0 0 0.5 1.0 0.5 0] = 0 1.0 0 0.5 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
自学习、自适应；模糊推理策略；模糊模型辨识；稳定性；硬件实现
3
3.2 模糊控制的基本原理
以模糊集理论 模糊集理论、 模糊集理论 、 模糊语言变量、 模糊语言变量、 模糊逻辑推理为基础，从行为上模 模糊逻辑推理 仿人的模糊推理和决策过程的一种智能控制方法。
3.2.1 模糊控制器的构成
模糊控制器（ Fuzzy Controller—FC ）也称模糊逻辑控制器（ Fuzzy Logic Controller—FLC）。采用模糊理论中模糊条件语句来描述，是一种 语言型控制器，也称模糊语言控制器（ Fuzzy Language Controller-FLC）。 语言型控制器
12
0 0 0 0 0 0 .5 0 0 .5 0 .5 0 .5 1 0 0 .5 1 .0 0 .5 NSe × NSu = 0 × [0 0.5 1 0.5 0 0 0 0 0] = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
[智能控制[刘金琨 (10)[98页]
遗传算法可应用于目标函数无法求导数或导数不 存在的函数的优化问题，以及组合优化问题等。
（4）遗传算法使用概率搜索技术。遗传算法的选择、 交叉、变异等运算都是以一种概率的方式来进行的， 因而遗传算法的搜索过程具有很好的灵活性。随着进 化过程的进行，遗传算法新的群体会更多地产生出许 多新的优良的个体。
（2）交叉（Crossover Operator）
复制操作能从旧种群中选择出优秀者，但不能创造 新的染色体。而交叉模拟了生物进化过程中的繁殖现 象，通过两个染色体的交换组合，来产生新的优良品 种。
交叉的过程为：在匹配池中任选两个染色体，随机 选择一点或多点交换点位置；交换双亲染色体交换点 右边的部分，即可得到两个新的染色体数字串。
遗传算法从由很多个体组成的一个初始群体开始最 优解的搜索过程，而不是从一个单一的个体开始搜索， 这是遗传算法所特有的一种隐含并行性，因此遗传算 法的搜索效率较高。
（3）遗传算法直接以目标函数作为搜索信息。传统的 优化算法不仅需要利用目标函数值，而且需要目标函 数的导数值等辅助信息才能确定搜索方向。而遗传算 法仅使用由目标函数值变换来的适应度函数值，就可 以确定进一步的搜索方向和搜索范围，无需目标函数 的导数值等其他一些辅助信息。
10.1 遗传算法的基本原理
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
10.2 遗传算法的特点
（1）遗传算法是对参数的编码进行操作，而非对参数 本身，这就是使得我们在优化计算过程中可以借鉴生 物学中染色体和基因等概念，模仿自然界中生物的遗 传和进化等机理；