基于补偿算子的模糊神经网络系统及其在系统建模和控制中的应用研究

【摘要】： 在本文中，采用了一种新的基于补偿算子的自适应模糊推理方法，它使 基于此方法的模糊神经网络系统的适应性更强，更加有效。在提出此算法的 同时，证明它的通用逼近性。由模糊神经元构成的模糊神经网络系统通过 使用基于补偿算子学习算法学习，不仅能够自适应调整隶属度函数的参数， 而且能够动态优化模糊推理，通过对非线性系统模型仿真可以看出 （1）在初始化参数设置好和不好的情况下都可以通过算法学习IF-THEN 模糊规则； （2）基于补偿算子的学习算法的学习速度比传统的基于BP算法的模糊 神经网络系统的速度快； （3）通过选择适当的补偿度可以进一步提高基于补偿算子学习算法的学 习速度。 此外，还详细介绍的如何把此方法应用于系统控制。最后在本文中给出了 三个使用基于补偿算子的模糊神经网络系统对典型的非线性系统辨识的例 子，并在最后给出了一个对复杂非线性工业对象CSTR进行控制的例子。 从仿真结果看，辨识和控制的效果很好。