，算法分析
数字技术与应用
基于BP算法的模糊神经网络控制系统的仿真实现
王小东徐沪萍
（武汉理工大学自动化学院湖北武汉
430063)
摘要：在分新模期控制理论的基助上，本文建立和训练了一个模期神经网络拉制器(FNNC)作为系统拉制器，在Matlab/Simulink下进行控制系就的仿具。仿具结果表明，对复杂非线性被控对象的控制该控制器在具有良好的效采。
关键词：模期神经网络控制器(FNNC) 中图分类号：TP183
Matlab仿具
文献标识码：A
1引言
模糊神经网络控制算法是神经网络算法和模糊算法的有机结合，该算法既有模糊算法控制灵活和鲁棒性强的优点，又具有较强的非线性跟踪学习能力，有很大的应用前景。
2模糊神经网络控制器的建模及理论推导
2.1模糊控制器模型的建立("）
所设计的模糊控制器为两输人一输出
图1
图2
EC E-3(NB)-2(NM) 1(NS) 0(2.8) I(PS) 2(PM) 3(PB)
3(NB) 3(PB) 3(PB) 2(PM) 2(PM) 1(PS) 1(PS) O(ZE)
万方数据
文章编号，1007-9416(2010)12-0093-01
结构.输人为张力反馈值与给定值的误差(e) 及其变化率(cc)，编出为控制电涡流测功机加载的励磁电流(u)。语言变量为：负大(N B)、负中(NM),负小(NS),零(ZO)、正小(PS) 正中(PM),正大(PB)。
本系统采用E.H.Mamdani法推理，即 R:IF is A. is A..*,X, is
A,THEN wis B
式中，x,对应偏差e，予,对应偏差变化ec 建立模棚控制规则如表1所示，本模棚
erban
CartotQi
Spe
Ctdd3
系统仿真模型
PID控制器和模棚神经网络控制器输出响应曲线
裹1
2(NM) 3(PB) 2(PM) 2(PM) 1(PS) 1(PS) 0(ZE) 0(ZE)
模糊控制规则
1(NS) 2(PM) 2(PM) I(PS) 1(PS) 0(ZE) O(ZE)-1(NS)
O(ZE) 2(PM) T(PS) 1(PS) ZR) 0(ZE)-1(NS)-1(NS)
1(PS) 1(PS) 1(PS) ZE) O(ZE) I(NS)-1(NS)-2(NM)
2(PM) 1(PS) O(ZE) OZE)-1(NS) 1(NS)-2(NM) =3(NB)
3(PB) 0(ZE) 0(ZE)-1(NS)-1(NS)-2(NM) 3(NB)-3(NB)
控制器采用重心法清断化模糊量。 2.2模期神经网络模型的建立2
模期押经网络在本质上是将常规的神经网络赋予模糊输人信号和模糊权值，建立基于BP算法的模糊神经网络模型。
为了训练并获得FNNC，采用由含较优量化因子的模糊控制器的输人误差e.误差变化率ec和对应的输出控制u组成的训练数据进行BP算法的训练，利用网络输出值与期望值的误差对网络的权值进行自适应性调整。所编写的基于BP算法程序如下：
P3 -3 -3
3333222
11000000
222 .
0111111122222223333333, 3 2 1 0 1 2 3 3 2 1 0 1 2 3 3 2 1 0 1 2 3 3 ~2 1 0 1 2 3 3 2 1 0 1 2 3 3 2 1 0 1 2 3 3 2 1 0 1 2 3
T3 3 2 2 1 1 0 3 2 2 1 1 0 0 2 2 11 1 Z- I [- 0 0 I [- [- 0 0 I I Z I 0 0[E Z- [ I 0 0 Z 1- I 0 0
[R,Q]=size(P),[S2,Q]=size(T), S1=5,[W1)rands(S1, R),
[B1}-rands(S1,Q); [W2, B2)=rands(S2,S1), net=newcf(minmax(P),[5, 1],1"tansig',
"purelin','traingdx','learmgdm')
net.trainParam.goal=0.05,net.trainPar am.Ir=0.005,net.trainParam.Ir_inc=1.04.
net.trainParam.Ir_dec=0.8,net.trainPa ram.epochs20000, tic [net,tr)=train(net,P, T),toc Y=sim(net,P)
3模糊神经网络控制系统的仿真
设复杂控制对象的传递函数： G(s)=132.63+6.07 +6.65
+7.32
r152.67
建立整个系统的仿真模型，如图1所示，图1中模块ContorlObject1和ContorlObject 3最被控对象的仿直模块，两者完全相同。
4仿真结果及分析
如图1中所示，输人给定60，设定PID控制器PID参数kp~0.3，ki=0.4，模糊神经网络控制器量化因子ke=5.45,kec=0.1.ku=-0.15时，取得及好的控制效果，PID控制器和模期神经网络控制器输出响应曲线如图2所示，模棚神经网络控制器超调量较PID控制器要小，调节速度快，可见神经网络的自学习能力和模糊控制适合于非线性系统能力的融合。
5结语
通过仿真可以看出，基于BP算法的模糊神经网络控制器在系统的控制中具有良好的效果。
Digital technology and application
数字技术与应用
93