模糊控制方法介绍
控制系统中的模糊控制与神经网络控制比较
控制系统中的模糊控制与神经网络控制比较在现代控制系统中，模糊控制和神经网络控制是两种常见的控制方法。
它们都具有一定的优势和特点，但是又各自存在一些局限性。
本文将就这两种控制方法进行比较，旨在帮助读者更好地理解和选择适合自己需求的控制方法。
一、模糊控制模糊控制是一种基于模糊逻辑的控制方法，它将人的直观经验与控制系统的数学模型相结合，用来应对系统模型不确定或难以建模的情况。
模糊控制系统由模糊化、模糊推理和解模糊化三个主要部分组成。
1、模糊控制的优势（1）适应不确定性：模糊控制可以很好地应对系统参数变化、环境变化等不确定性因素，因为它不需要准确的数学模型。
（2）处理非线性系统：对于非线性系统，模糊控制可以通过模糊化和模糊推理来逼近系统的动态特性，因此具备较好的适应性。
（3）易于理解和调试：模糊规则基于经验知识，形式简单易懂，参数调节相对容易，操作员或工程师可以理解和调试模糊控制系统。
2、模糊控制的局限性（1）计算复杂性：模糊控制系统需要进行模糊化、模糊推理和解模糊化等操作，这些操作可能导致计算量大、实时性差，不适合对响应时间要求较高的控制系统。
（2）难以优化：模糊控制的参数调节通常是基于试错法，缺乏理论指导，难以进行精确优化，因此对于某些需要高精度控制的系统效果并不理想。
二、神经网络控制神经网络控制是一种利用人工神经网络模拟生物神经网络的结构和功能来实现控制的方法。
神经网络控制系统由输入层、隐含层和输出层构成，通过训练神经网络来实现控制效果。
1、神经网络控制的优势（1）适应性强：神经网络具有强大的自适应性能，能够适应未知系统或具有时变性质的系统，从而在控制过程中实现自学习和自适应。
（2）映射能力强：神经网络可以将非线性映射问题转化为线性可分问题进行处理，从而更好地逼近系统的非线性特性。
（3）具备优化能力：可以通过合理的网络结构和训练算法，实现对网络参数的优化，从而提高控制系统的性能。
2、神经网络控制的局限性（1）训练需耗时：神经网络控制需要通过大量的数据训练神经网络，这可能需要耗费较长的时间，并且对数据质量和标定要求较高。
模糊控制的基本原理和方法
NM
NM
NS
NS
NB
PS
PL
PM
NS
NS
NS
NS
NM
NB
de Z
PL
PM
PS
Z
Z
NS
NM
NB
NS
PL
PM
PS
PS
PS
PS
NM
NB
NM
NM
NB
NB
PL
PL
PL
PM
PM
PM
NM
NB
4. 隐含和推理方法的制定
• 隐含采用 ‘mamdani’方法: ‘max-min‘ • 推理方法， 即 ‘min‘ 方法 • 去模糊方法：面积中心法。 • 选择隶属函数的形式：三角型
c
8
NS ZE NM
g
9
ZE ZE NS
k
10
ZE PB PB
d
11
ZE PM PM
h
12
ZE PS PS
i
13
ZE
ZE
ZE 设置点
关于语言相平面方法调整规则
Ri : if误差e是Ai和误差导数e是Bi ,then控制规则为Ci可以写成： K3[u(k)] F[K1e(k), K2e(k)]
xi 和y的 论域 分别 为U i 和V， 用 模糊 隐含 表 示：
Ri ˆ Aij Ci 或Ri ˆ Ai (xi ) Bi ( y)
j
j
● 模糊控制系统的设计
1. 模糊化的策略 ▲ 采用单点模糊化
▲ 选择合适的模糊函数 ☆ 考虑噪声的概率密度函数。使W f 5 n
yr +
模糊控制的基本原理
模糊控制的基本原理模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是模糊数学在控制系统中的应用，是一种非线性智能控制.模糊控制是利用人的知识对控制对象进行控制的一种方法,通常用“if条件,then结果"的形式来表现,所以又通俗地称为语言控制。
一般用于无法以严密的数学表示的控制对象模型,即可利用人(熟练专家）的经验和知识来很好地控制。
因此，利用人的智力，模糊地进行系统控制的方法就是模糊控制.模糊控制的基本原理如图所示：模糊控制系统原理框图它的核心部分为模糊控制器.模糊控制器的控制规律由计算机的程序实现,实现一步模糊控制算法的过程是：微机采样获取被控制量的精确值,然后将此量与给定值比较得到误差信号E；一般选误差信号E作为模糊控制器的一个输入量，把E的精确量进行模糊量化变成模糊量，误差E的模糊量可用相应的模糊语言表示；从而得到误差E的模糊语言集合的一个子集e（e实际上是一个模糊向量）; 再由e和模糊控制规则R(模糊关系)根据推理的合成规则进行模糊决策,得到模糊控制量u为：式中u为一个模糊量；为了对被控对象施加精确的控制,还需要将模糊量u 进行非模糊化处理转换为精确量：得到精确数字量后,经数模转换变为精确的模拟量送给执行机构,对被控对象进行一步控制；然后，进行第二次采样，完成第二步控制……。
这样循环下去，就实现了被控对象的模糊控制。
模糊控制（Fuzzy Control)是以模糊集合理论、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。
模糊控制同常规的控制方案相比，主要特点有: （1）模糊控制只要求掌握现场操作人员或有关专家的经验、知识或操作数据，不需要建立过程的数学模型，所以适用于不易获得精确数学模型的被控过程，或结构参数不很清楚等场合.（2）模糊控制是一种语言变量控制器，其控制规则只用语言变量的形式定性的表达,不用传递函数与状态方程，只要对人们的经验加以总结,进而从中提炼出规则，直接给出语言变量，再应用推理方法进行观察与控制。
模糊控制
第2章模糊控制2.1 模糊控制自从1965年美国加利福尼亚大学控制论专家L .A .zadeh教授提出模糊数学以来”，吸引了众多的学者对其进行研究，使其理论与方法日臻完善，并且广泛地应用于自然科学和社会科学的各个领域，尤其是在第5代计算机研制和知识工程开发等领域占有特殊重要的地位。
把模糊逻辑应用于控制领域则始于1973年”。
1974年英国的E．H．Mamdani成功地将模糊控制应用于锅炉和蒸汽机控制。
此后20多年来，模糊控制不断发展并在许多领域中得到成功应用。
由于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种系统的推理方法，因而能够解决许多复杂而无法建立精确数学模型系统的控制问题，所以它是处理推理系统和控制系统中不精确和不确定性的一种有效方法。
从广义上讲，模糊控制是适于模糊推理，模仿人的思维方式，对难以建立精确数学模型的对象实施的一种控制策略。
它是模糊数学同控制理论相结合的产物，同时也是智能控制的重要组成部分。
模糊控制的突出特点在于：①控制系统的设计不要求知道被控对象的精确数学模型，只需要提供现场操作人员的经验知识及操作数据。
⑦控制系统的鲁棒性强，适应于解决常规控制难以解决的非线性、时变及大纯滞后等问题。
③以语言变量代替常规的数学变量，易于形成专家的“知识”。
④控制推理采用“不精确推理”(Approximatc Reasoning)。
推理过程模仿人的思维过程。
由于介入了人类的经验．因而能够处理复杂甚至“病态”系统。
2.1.1模糊数学模糊数学是基于模糊集理论。
模糊集的概念与古典集非此即彼的概念相对应，描述没有明确、清楚地定义界限的集合。
模糊集的理论叙述为：模糊集A是定义在一个输入ξ之上并由其隶属函数µA(·):ξ→[0,1]表征的集合。
假设ξ是一个普通集合，称为论域。
从ξ到区间[0,1]的映射A称为ξ上的一个模糊集合。
µA(·)表示ξ隶属于模糊集合A的程度，称为隶属度。
T-S模糊控制
T-S模糊控制
⼀型T-S模糊系统是表⽰光滑⾮线性系统的有⼒⼯具。
⼀般地，两种⽅法可以获得⼀型T-S模糊模型。
第⼀种⽅法主要基于系统的输⼊-输出数据，并运⽤系统辨识算法获得⼀型T-S模糊模型。
当⽆法获得
⾮线性系统的数学模型，⽽系统的输⼊-输出数据⼜可以获得时，主要采⽤这⼀⽅法。
第⼆种建模⽅法主要适合于⾮线性系统数学模型已知的情形。
当⾮线性系统的数学模型已经被建⽴，
运⽤扇区⾮线性法或局部近似⽅法可以获得期望的⼀型T-S模糊模型。
反馈控制器--状态反馈控制器，静态输出反馈控制器，动态输出反馈控制器，基于观测器的状态反馈控制器PDC策略的主要思想是模糊控制器与模糊系统分享相同的前提⾪属函数
闭环系统（带控制器）
PDC失效--当⼀型T-S模糊系统的模糊权重包含不确定信息时，PDC策略将失效。
模糊控制系统的稳定性与鲁棒性设计
模糊控制系统的稳定性与鲁棒性设计模糊控制系统是一种基于模糊逻辑原理的控制方法，它能够应对一些复杂、非线性且具有不确定性的系统。
然而，为了确保模糊控制系统的有效性和稳定性，在设计过程中需要考虑其稳定性与鲁棒性。
本文将介绍模糊控制系统的稳定性与鲁棒性设计的相关原理和方法。
一、稳定性分析稳定性是衡量控制系统是否能够始终保持预定状态的重要指标。
对于模糊控制系统而言，稳定性可以通过分析其输出的响应曲线来判断。
一种常用的方法是利用模糊控制系统的输入输出关系进行稳定性分析。
在模糊控制系统中，输入是基于模糊规则的模糊集，输出是经过模糊综合运算得到的模糊集。
通过将输入集合和输出集合表示为隶属函数的形式，可以构建输入输出关系。
稳定性分析可以通过计算系统的稳定方程和判断系统的极点来实现。
稳定方程可以通过线性化系统的非线性部分并进行分析得到。
通过分析系统的极点，可以判断系统的稳定性。
二、鲁棒性设计鲁棒性是指控制系统对于外部扰动、系统参数变化以及测量噪声等干扰的抵抗能力。
在模糊控制系统中，通过设计合适的控制规则和调整模糊集合的形状来提高系统的鲁棒性。
一种常用的方法是通过增加保守规则来提高鲁棒性。
保守规则是一种对于不确定性情况下的应对策略，它可以使系统对于参数变化和噪声的干扰产生抑制作用。
通过引入保守规则，可以使系统在不稳定情况下仍能保持良好的控制性能。
另一种方法是通过优化模糊控制器的参数来提高系统的鲁棒性。
传统的优化方法可以通过最小化误差评价函数来确定最优参数。
然而，在面对不确定性情况时，可以引入鲁棒优化方法来提高系统的鲁棒性。
三、实例分析对于模糊控制系统的稳定性与鲁棒性设计，下面以用于车辆自动驾驶的模糊控制系统为例进行分析。
在车辆自动驾驶系统中，由于道路条件、车辆状态等因素的不确定性，模糊控制系统需要具备较高的稳定性和鲁棒性。
通过对车辆运动模型进行建模，可以得到模糊控制系统的输入输出关系。
在稳定性分析中，可以通过线性化车辆运动模型并分析其稳定方程来判断系统的稳定性。
控制系统中的模糊控制算法设计与实现
控制系统中的模糊控制算法设计与实现现代控制系统在实际应用中，往往面临着多变、复杂、非线性的控制问题。
传统的多变量控制方法往往无法有效应对这些问题，因此，模糊控制算法作为一种强大的控制手段逐渐受到广泛关注和应用。
本文将从控制系统中的模糊控制算法的设计和实现两个方面进行介绍，以帮助读者更好地了解和掌握这一领域的知识。
一、模糊控制算法的设计1. 模糊控制系统的基本原理模糊控制系统是一种基于模糊逻辑的控制系统，其基本思想是通过将输入和输出变量模糊化，利用一系列模糊规则来实现对系统的控制。
模糊控制系统主要由模糊化、规则库、模糊推理和解模糊四个基本部分组成，其中规则库是模糊控制系统的核心部分，包含了一系列的模糊规则，用于描述输入和输出变量之间的关系。
2. 模糊控制算法的设计步骤（1）确定输入和输出变量：首先需要明确系统中的输入和输出变量，例如温度、压力等。
（2）模糊化：将确定的输入和输出变量进行模糊化，即将其转换为模糊集合。
（3）建立模糊规则库：根据实际问题和经验知识，建立一系列模糊规则。
模糊规则关联了输入和输出变量的模糊集合之间的关系。
（4）模糊推理：根据当前的输入变量和模糊规则库，利用模糊推理方法求解输出变量的模糊集合。
（5）解模糊：将求解得到的模糊集合转换为实际的输出值，常用的方法包括最大值法、加权平均法等。
3. 模糊控制算法的设计技巧（1）合理选择输入和输出变量的模糊集合：根据系统的实际需求和属性，选择合适的隶属函数，以便更好地描述系统的特性。
（2）精心设计模糊规则库：模糊规则库的设计是模糊控制算法的关键，应根据实际问题与经验知识进行合理的规则构建。
可以利用专家经验、试验数据或者模拟仿真等方法进行规则的获取和优化。
（3）选用合适的解模糊方法：解模糊是模糊控制算法中的一项重要步骤，选择合适的解模糊方法可以提高控制系统的性能。
常用的解模糊方法有最大值法、加权平均法、中心平均法等，应根据系统的需求进行选择。
控制系统中的模糊控制与遗传算法优化比较
控制系统中的模糊控制与遗传算法优化比较在控制系统中，模糊控制和遗传算法优化是两种常用的控制方法。
它们分别基于模糊逻辑和遗传算法的原理和算法进行系统的建模和优化，用于处理复杂的、模糊的和非线性的控制问题。
本文将就这两种方法展开比较，并探讨它们在不同应用场景下的优势和不足。
一、模糊控制模糊控制是一种基于模糊逻辑的控制方法，能够处理对系统的控制要求不明确或者具有模糊性的问题。
在模糊控制中，通过建立模糊规则库，将模糊输入和输出之间的关系进行数学化表示。
模糊控制系统通过对输入和输出进行模糊化和去模糊化的过程，从而实现对系统的控制。
模糊控制的优点是能够处理非线性和模糊的系统模型，并且具有较强的鲁棒性。
它能够适应系统的复杂性和不确定性，并在这种情况下仍能保持较好的控制效果。
此外，模糊控制方法的设计和调试相对较为简便，不需要准确的系统模型，只需要通过经验和专家知识进行系统参数的调整和优化。
然而，模糊控制也存在一些不足之处。
首先，模糊控制需要依赖人工建立的模糊规则库，这需要一定的专业知识和经验，并且规则库的建立过程较为繁琐。
其次，模糊控制在处理高维系统和大规模系统时存在困难，由于规则库的复杂度和计算复杂度的增加，可能导致计算量过大和实时性下降。
最后，模糊控制的性能高度依赖规则库和模糊化方法的选择，对于不同的问题，需要进行不同的定制和参数调整。
二、遗传算法优化遗传算法是一种模拟生物进化过程的优化算法，通过模拟遗传、突变、选择等过程，使用一组个体的编码表示问题解，并通过优胜劣汰的原则寻找最优解。
在应用于控制系统中，遗传算法主要用于参数优化和系统优化。
遗传算法优化的优势在于能够全局搜索和适应系统非线性和复杂性，具有较好的寻优能力和鲁棒性。
通过引入随机性和多样性的原则，遗传算法能够在问题的解空间中进行有效的搜索和探索，从而找到问题的最优解或更优解。
此外，遗传算法的并行计算能力强，适用于高维和大规模问题的求解。
然而，遗传算法优化也存在一些局限性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模糊控制方法介绍
模糊控制方法是一种在模糊集合论、模糊语言变量及模糊逻辑推理基础上形成的计算机数字控制方法。
模糊控制是一种智能的、非线性的控制方法。
与传统的控制方式相比，模糊控制有着很多的优势，它更加适用于复杂的、动态的系统，模糊控制逐渐成为了一种重要而且有效的控制方法。
本文将从组成部分、基本原理、设計方法等方面介绍模糊控制这种方法。
标签：交通工程;PLC控制;模糊控制
1 引言
对于无法使用精确语言及已有规律描述的复杂系统，将借助不精确的模糊条件语言来表述，这便产生了模糊控制。
传统的自动控制器需要建立被控对象准确的数学模型。
然而在实际上，即使是稍微复杂点的系统，它的影响因素也都是较为复杂的、多样的，这样就很难建立出精确的数学模型。
因此，模糊控制方法就应运而生。
2 模糊控制的工作原理
模糊控制的核心是模糊控制器，它的控制规律是由计算机程序来实现的。
首先需要将所有监测出的精确量转换成为适应模糊计算的模糊量，将得到的模糊量，通过模糊控制器进行计算，然后再将这些经模糊控制器计算得到的模糊量再次转换为精确量，这样就完成了一级模糊控制。
然后等待下一次采样，再进行上述过程，如此循环，实现对被控对象的模糊控制[1]。
模糊控制原理图如下：
3 模糊控制步骤及特点
步骤1：对输入量进行模糊化处理;步骤2：创建模糊规则;步骤3：实施模糊推理;步骤4：输出量的反模糊化处理。
模糊控制方法主要是由模糊化，模糊推理，清晰化三个部分构成。
模糊化：在模糊控制算法当中，模糊控制规则所使用的不是具体的、精确的数字量，而是模糊的语言量，使用的是不确定的语言形式。
这就需要将得到的准确量转换为模糊的语言量。
这个过程需要遵循一定的规则首先建立隶属度函数，然后根据所建立的隶属度函数将精确的输入量转换成为模糊量。
模糊推理的过程类似于人类思考推理的过程，它是模糊控制器中的精髓。
清晰化又可以叫做解模糊化，清晰化的过程与模糊化的过程正好相反，它是
由将模糊推理得到的模糊结果又转换成了精确量。
模糊控制中的主要问题是模糊量与精确量之间的相互转换问题。
模糊控制的特点：适用的被控对象是很难获得其精确模型;它是一种语言变量控制器;它是一种智能控制。
该系统尤其适用于非线性、时变、滞后系统的控制;响应速度快同时具有抗干扰能力强，并可以对系统参数的变化有较强的鲁棒性。
3.1 模糊控制规则
模糊控制规则的设定是模糊控制器的关键部分。
一般的模糊控制规则包括三部分内容：选择输入、输出变量的词集，定义各模糊变量的模糊子集，建立模糊控制规则。
确定模糊子集隶属函数曲线的过程即为定义一个模糊子集。
常见的模糊条件语言及其对应的模糊关系概况如下：
（1）“若A则B”为：
（2）“若A则B否则C”为：
（3）“若A且B则C”为：
（4）“若A或B且C或D”为：
（5）“若A则B且若A则C”为：
（6）“若A则B且若C则D”为：
3.2 精确量的模糊化
将精确量转换为模糊量的过程称为模糊化。
模糊化处理后来实现模糊控制。
模糊化一般采用以下两种方法：（1）将精确量离散化，如精确量的实际变化范围记为，将其转换为区间上的变量，可以采用公式：，若得到的值不是整数，将其取成最接近的整数。
（2）将某区间上的精确量模糊化成一个模糊子集，它在点处的隶属度取为1，其它点处的隶属度都取成0。
[1-3]。
3.3 模糊推理
在建立模糊控制规则之后，还需要经过模糊推理，才可以去得到控制变量的模糊子集。
模糊推理及模糊量的非模糊化包括以下几种方法。
考虑模糊规则为。
（1）MIN-MAX-重心法：
重心的计算公式为，也就是加权平均法，加权系
数为。
（2）代数积-加法-重心法：
重心的计算公式仍然是。
（3）模糊加权型推理法：模糊规则为，定义适合
度为，则。
（4）函数型推理法：模糊规则为，则
（5）加权函数型推理法：模糊规则为，则。
方法还包括选择最大隶属度法，取中位数法。
详细方法介绍可参考文献[1]。
3.4 论域、量化因子、比例因子的选择
模糊控制器的输入变量误差变化的实际范围称为变量的基本论域。
量化因子和比例因子可以对清晰值进行比例变换，从而使变量按一定比例进行放大或者缩小，能够使其与相邻近的模块进行匹配。
量化因子是将精确值从基本论域到模糊论域的变换系数。
设基本论域为，模糊论域为，则量化因子为。
由模糊论域到基本论域的变换系数叫做比例因子。
经过清晰化后，假设输出量的模糊论域为，要求输出控制量的基本论域为，则比例因子为。
量化因子和比例因子不仅可以进行论域变换从而使得前后模块匹配，还可以在整个系统中起到一定的调节作用[4]。
4 结语
模糊控制理论作为控制思想领域的一次深刻变革，它能够针对那些时变的、非线性的复杂系统，当不能建立被控对象清晰的数学模型时，可以使用模糊控制器给出较有效的控制方法。
因此，模糊控制的应用是非常广泛的。
参考文献：
[1]李士勇.模糊控制[M].哈尔滨工业大学出版社，2011（09）.
[2]申龙龙.基于模糊控制的单路口信号控制研究[D].北京交通大学.
[3]黄友锐.遗传优化算法及其应用[M].北京：国防工业出版社，2008（0l）：25-33.
[4]石辛民，郝整清.模糊控制及其MATLAB仿真[M].清华大学出版社，2010（07）.。