模糊神经网络是一种集模糊逻辑推理的结构性知识表达能力与神经网络的自学习能力于一体的新技术 ,它是模糊逻辑推理和神经网络有机结合的产物。模糊神经网络主要是指利用神经网络结构来实现 模糊逻辑推理,从而使传统神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理 含义<1>。温室环境系统是一个复杂的大系统,很难建立系统的数学模型,用经典控制或现代控 制都很难实现。而根据模糊控制的特点,它不需要建立被控对象的数学模型,系统的鲁棒性强,适 合于非线性、时变、滞后系统的控制。因此,对温室环境系统采用模糊控制是非常合适的,但是现 有的模糊系统分析方法缺乏使系统具备学习的能力,而这正是神经网络的优势所在,将这2种方法 结合起来形成模糊神经网络<2>,使得控制系统不仅具备处理不精确性、不确定性的能力,同时 还具有学习能力,整个温室温湿度控制系统见图1。 图1 温室温湿度控制系统结构图Fig. 1 Greenhousetemperature-humidcontrolsystems tructurediagram1 模糊神经网络控制器的设计温室环境中要控制的因子很多, 如温度、湿度、光照、CO2浓度等,因为温度和湿度对作物来说是最重要的2个环境因子,同时 夏季时间相对长一些,作物一般耐寒而怕热,因此以温室夏季降温控制为例,对温度和湿度进行控 制,控制机构为天窗、南卷帘、北卷帘、东西卷帘、遮阳网、风机、喷淋共7种,它们都是开关量 控制,模糊神经网络结构如图2所示。它是一个具有输入层,2个隐含层和输出层的4层神经网络 。该网络的第一层为输入,第二层到第四层有明确的模糊逻辑意义,对应于模糊逻辑控制的模糊化 ,规则推理和逆模糊3个步骤。网络输入变量为温度误差和湿度误差,有2个节点。第二层节点采 用高斯型的激活函数表示模糊变量的隶属函数,调整该层的权值和阈值,也就意味着调整高斯型函 数的中心向量和宽度向量,从而就得到不同形状和位置的隶属函数,该层的输出就是模糊变量的隶 属度,温度误差有6个模糊子集,即{正特别特别大,正特别大,大,稍大,适中,负小},湿度 误差有3个模糊子集,即{正,适中,负},本层有9个节点。第三层将模糊化得到的隶属度两两 相乘,它的输出代表着模糊规则的强度,根据输入输出空间模糊子集的划分,共18条模糊规则, 故有18个节点。第四层的各个权值代表了模糊规则,采用代数积-加法-重心法的推理方式,将 这些权值进行操作,即规则强度加权求和,输出控制量为7种控制机构的控制状态,本层有7个节 点。该层采用对数S型激活函数,这样经模糊判决后输出的控制量被限制在0～1之间,以0.5 为界,当输出控制量大于等于0.5时取为开,当输出控制量小于0.5时为关,这样便可对开关 量进行控制。图2 模糊神经网络控制器结构Fig.2 Fuzzy-neuralnetwo rkcontroller2 温室系统温湿度动态辩识对图2所示的模糊神经网络控制器进行训 练,因为用于训练的输入输出数据是未知的,采用将模糊神经网络控制器与被控对象串联,形成闭 环控制系统,通过给闭环系统一个参考输入,以参考输入与闭环系统输出之差的平方和最小作为期 望的性能指标,对模糊神经网络控制器的权值进行调整。为此要先对被控对象进行辨识,建立系统 模型,为进一步得到动态特性的辨识,采用带有输出反馈的前向网络,如图3所示。输入层有9个 节点,其中7个输入为控制量,2个输入为输出的单位反馈,隐含层有6个节点,采用S型激活函 数,输出层有2个节点,分别是温度和湿度,采用线性激活函数,以网络输出和系统期望输出之差 的平方和为误差性能指标,对网络权值进行调整。3 用遗传算法训练模糊神经网络控制器建立了 被控对象模型,按照图1所示的闭环系统对模糊神经网络控制器进行训练。由图2可见,这里的模 糊神经网络不再是一个标准的全连接网络<3>,若采用BP算法训练,速度较慢,而且BP算法 还存在可能陷入局部极小的缺点。为了克服这两大缺点,采用改进的遗传算法<3>对网络权值进 行调整。遗传算法是一种基于自然选择和群体遗传机理的搜索算法,它模拟了自然选择和自然遗传 过程中的繁殖,交配和变异现象。遗传算法对复杂的优化问题不图3 温湿度动态神经网络辩识F ig.3 Temperature-humiddynamicneuralnetworki dentification需要进行复杂的计算,只用遗传算法的3种算子(复制、交叉、变异 )就能得到最优解,是一种全局寻优算法。下面结合本文的具体应用,对改进的遗传算法中的3种 算子予以介绍。本文的模糊神经网络要调整的权值有144个,每个权值用5位实数表示,采用实 数编码是为了便于操作和提高精度,初始种群总数选为60,遗传进化200代,适应度采用系统 的期望输出与实际系统的输出之差的平方和来定义,适应度越小越好,优化目的是使适应度达到某 个满意的指标。3.1 复制在复制操作中,计算种群中共60个个体每个个体的平均适应度,淘 汰高于平均适应度的个体,对于低于平均适应度的个体,将适应度最小的个体作为下一代第一个个 体,其它个体依次排列,对于被淘汰的个体以随机取数的方式补齐,保持种群总数60不变。3. 2 交叉在交叉操作中,将2到30之间的个体的后3位小数与59到31之间的个体数值的后3 位小数交叉,形成新的29个个体,同时,对于31到60的个体的选取,用其后3位小数与1到 30的个体后3位小数之间进行交换来获得。3.3 变异在变异操作中,先确定好变异的概率, 比如在进化的第一个50代,可取每30个个体中变异一次,在进化的第二个50代,可取每20 个个体中变异一次随着进化代数的增加,进行变异的个体比例也随之增加,以便在接近最优解时, 群体中增加更多的新个体。然后,随机取一个1～9之间的整数,将要变异个体中权值数码与随机 取整数相同的那些位都变为另一整数。4 仿真与应用对上述温湿度模糊神经网络控制进行了仿真 ,见图4和图5。温度设定值为31℃,湿度设定值为77%,温室系统初始值温度为37℃,湿 度为76%。由图中可见,控制过程无超调,调节时间短,稳态误差基本没有。仿真结果表明,上 述应用遗传算法的温室温湿度模糊神经网络控制是非常有效的。图4 温度控制仿真曲线Fig. 4 Temperaturecontrolsimulationcurve图5 湿度控制仿 真曲线Fig.5 Humidcontrolsimulationcurve若不考虑到温度 和湿度之间的耦合作用,造成控制机构启动频繁和控制质量低的后果,而模糊神经网络控制可以解 决上述问题,既解决了温度和湿度之间的耦合作用,又提高了控制质量。将上述应用遗传算法的模 糊神经网络控制器训练好后,具体应用于温室夏季温湿度控制中,取得了较好的控制效果。如室外 温度为32℃,湿度为70%,将温室温湿度控制机构全部关闭,温室内温度可上升到38℃,湿 度为72%,这时开始控制,温度设定值为33℃,湿度为80%,根据检测得到的偏差,由模糊 神经网络控制器给出的控制量为{0,1,0,0,1,1,1},0和1代表开关状态,7种控 制机构天窗、南卷帘、北卷帘、东西卷帘、遮阳网、风机、喷淋依顺序排列,以下同理。采样周期 为30s,前5min内控制机构状态不变。因篇幅所限,在此仅列这一种控制情况,见表1。由 表1可见,5min后,温度下降到35℃,湿度上升到76%,根据新的偏差,此时输出控制量 为{1,1,1,1,1,0,1},再过5min后,温度下降到33.5℃,湿度上升到82 %,输出控制量为{1,1,1,1,1,0,0},10min后,温度下降到33℃,湿度下 降到接近80%,此时输出控制量不变,仍为{1,1,1,1,1,0,0},偏差在控制允许 范围内,控制机构不再改变。再如室外温度为32℃,湿度为65%,风机和喷淋没有打开,其它 5种控制机构已打开,这时如果温室内温度为34℃,湿度为76%,温度设定值为32℃,湿度 为70%,开始模糊神经网络控制器给出的控制量为{0,1,0,0,1,1,0},5min 后,温度下降到33℃多,湿度下降到72%,根据新的偏差,此时输出控制量为{1,1,1, 1,1,0,0},再过5min后,温度下降到32.3℃,湿度下降70%附近,此时输出控 制量不变,仍为{1,1,1,1,1,0,0},偏差在控制允许范围内,控制机构不再改变。 又如在上面第二种情况,当控制好后,温室内温表1 温室夏季温湿度遗传模糊神经网络控制测试 试验结果Tab.1 Greenhousetemperature-humidgeneti c-fuzzy-neuralnetworkcontroltestresults室外气候 温度/℃湿度/%室内气候控制前温度/℃湿度/%控制后温度/℃湿度/%控制机构执行状态天 窗南卷帘北卷帘东西卷帘遮阳网风机喷淋控制时间/min3270387237.972.20 1001110.53270387237.572.701001111.032703872 37.073.301001111.53270387236.573.801001112. 03270387236.174.201001112.53270387235.874.6 01001113.03270387235.575.001001113.53270387 235.275.401001114.03270387235.175.701001114 .53270387235.076.001001115.03270387235.076.511111015.53270387234.677.311111016.03270387234.378.111111016.53270387234.178.811111017.03270387233.979.511111017.53270387233.880
More abstracts about the 温室夏季温湿度遗传模糊神经网络控制