一种基于神经网络识别差动态特性的自适应模糊控制器.docx

一种基于神经网络识别差动态特性的自适应模糊控制器
自适应模糊控制器（AFC）是一种目前较为流行的控制器，它通过不断地调节模糊控制器的参数，适应不同的控制环境，获得更优秀的控制效果。但是，AFC仍存在一些不足，例如缺乏对系统差动态特性的识别。差动态是指系统在正常工作条件下，输入信号发生较大变化时，系统的响应速度、稳态误差以及超调量出现突变现象。如果AFC不能识别系统的差动态特性，就会导致控制效果的下降，甚至会使系统变得不稳定。
近年来，随着神经网络技术的发展，一些学者引入神经网络模型来识别系统的差动态特性。神经网络具有自主学习、自适应、非线性等特点，可以很好地模拟系统的差动态特性。在这种情况下，结合神经网络和模糊控制技术，可以开发出一种具有自适应差动态特性识别能力的自适应模糊控制器（ANFC）。
ANFC的核心思想是将神经网络作为差动态特性识别子系统，将识别结果作为模糊控制器的输入，实现对控制系统的自适应控制。ANFC将整个控制环节分为两个部分：差动态特性识别子系统和模糊控制器。下面分别介绍这两个部分的设计原理。
1.差动态特性识别子系统
差动态特性识别子系统采用神经网络模型识别系统的差动态特性。其中，神经网络采用多层回归神经网络（MLRN）模型，可以快速准确地模拟系统的差动态特性。MLRN的输入是系统的控制信号以及前期的控制信号序列，输出则是系统的差动态特性参数。在训练过程中，MLRN根据系统的控制信号和实际输出值之间的差异来学习模拟差动态特性。在控制过程中，MLRN可以实时地根据输入信号和历史信号序列来预测系统的差动态特性参数。
2.模糊控制器
模糊控制器采用基于T-S模糊模型的模糊控制器。其中，控制器的输入是差动态特性识别子系统输出的参数以及系统的误差信号。根据控制系统的控制目标，建立模糊规则库，通过推理得到控制信号。
整个ANFC控制系统的工作流程如下：传感器采集系统反馈信号，反馈信号经过差动态特性识别子系统处理得到差动态特性参数，差动态特性参数和误差信号输入模糊控制器，在推理过程中得到控制信号，输出到控制器输出接口。
实验结果显示，ANFC能够很好地适应系统的差动态特性变化，并实现了实时自适应控制。与传统AFC相比，ANFC的控制效果更优越，能够更好地保持系统的稳定性。
总之，基于神经网络识别差动态特性的自适应模糊控制器（ANFC）是一种具有自适应差动态特性识别能力的控制器，它的控制效果比传统AFC更佳。今后，可以进一步应用此方法到其他工程领域中，实现更加优秀的控制效果。