Upload
lassie
View
60
Download
8
Embed Size (px)
DESCRIPTION
第九章 模糊与神经网络倒车系统比较. Bart Kosko Neural Networks and Fuzzy Systems. 第九章 模糊与神经网络倒车系统比较. 2 。 倒车问题. 1 。 本章来源. 3 。 Kosko 的模糊控制模型. 4 。 比较与分析. 5 。 自适应模糊倒车. 6 。 拖车问题. 7 。 总结. Bart Kosko Neural Networks and Fuzzy Systems. 第九章 模糊与神经网络倒车系统比较. 1 。本章来源 - PowerPoint PPT Presentation
Citation preview
Bart Kosko Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
1 。本章来源 2 。倒车问题
4 。比较与分析3 。 Kosko 的模糊控制模型
6 。拖车问题5 。自适应模糊倒车
7 。总结
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
1 。本章来源
Nguyan&Widrow 1989 年 发表“ The Truck Back-up, An Example of Self-Learning in Neural Network”
Seong-Gon Kong&Bart kosko 的与本章同名的论文在南加州大学发表,综合论述了模糊与神经网络方法在方法及应用方面的差异。
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
2 。倒车问题
0 ≤x ≤100-90 ≤θ ≤ 270-30 ≤ φ ≤30
θ 正值代表顺时针方向旋转。 为减少计算量,将所有变量离散化, φ 分辨率为 0.1°
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
3 。 Kosko 的模糊控制器
3.1 输入输出变量模糊集和隶属度 函数定义定义
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
3.2 FAM 规则及控制面
LE LC CE RC RI
RB 1 PS 2 PM PM PB PB
RU NS PS PM PB PB
RV NM NS PS PM PB
VE NM NM 18ZE PM PM
LV NB NM NS PS PM
LU NB NB NM NS PS
LB NB NB NM NM NS
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
3.3 系统仿真动态方程
Kokso : x’=x+rcos(φ’) y’=y+rsin(φ’) φ’ = φ +θ
Nguyen&Widrow: BP 网络
Li-Xin Wang: x’=x+rcos(φ’)+sin(θ)sin(φ) y’=y+rsin(φ’) -sin(θ)cos(φ) φ’ = φ-sin-1[2sin(θ)/b]
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
3.4 相关最小 FAM 推理( Correlation-minimum FAM Inference Procedure) 及重心法去模糊 (Centroid Defuzzification)
p
jj
p
jjj
mo
mo
1
1
)(
)(
),min( i
iii
i sfoo
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
3.5 Kosko 控制器实验结果
X=20Y=20Φ=30
X=30Y=10
Φ=220
X=30Y=40Φ=-10
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
4. 分析与比较
4.1 综合情况
模糊控制器总能够平滑控制倒车过程,神经网络控制有时形成非正常轨迹。
BP 神经网络训练过程时间长,需几千个训练样本。
模糊控制的“训练”由常识性的 FAM 规则库完成,可直接计算控制输出,不需要数学模型仿真。
模糊控制计算量小,主要进行实数加法和比较运算。 神经网络控制计算量大,主要为实数加法和乘法运算。
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
4.2 容错能力分析
方法:删除或改变模糊控制器的 FAM 规则;删除神经网络训练数据。
停车误差 =
轨迹误差 =
使用损坏的 FAM 规则的模糊控制轨迹
222 )()()( yyxx fff
),( 希望的终止点起始点距离卡车轨迹长度
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
数据损失比例与误差关系
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
5. 自适应模糊倒车
自适应 FAM 系统从训练数据中产生 FAM 规则。
如第 8 章所述 FAM 规则( Ai , Bi) 定义了样本空间超立方体 In×Ip
中点或小球的一个聚类,聚类中心为( Ai , Bi) 。自适应聚类算法可在 R2 空间估计出未知的规则。在此,应用了微分竞争学习( DCL )完成规则库的恢复。
从 7 个不同的起始位置,以不同的 Φ 值,利用已知 FAM 规则,产生相应轨迹,得到 2230 个训练样本( x, Φ, θ).
输入输出变量参照第 3 节定义模糊集,但避免重叠。
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
从图 a 看出,由于样本来自稳定的模糊控制系统,大部分样本集中于稳态位置。可能的规则共有 5×7×7=245 个,形成 245 个规则单元( cell )。如果经 DCL 聚类,某个 cell 至少包括 245 个突触量化矢量,则将相应规则加入规则矩阵。
图 b 表示了聚类后
2230 个训练矢量与
新产生的 35 条规则
对应数量的直方图。
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
DCL 聚类结果如图。和原规则库和控制面极为类似,控制特性相同。
对神经网络控制面进行平均后形成的规则库及控制面。注意规则 18 。
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
两控制面和原模糊控制面的绝对差
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
两种控制面 100 次任意起始位置实验结果比较。
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
6. 拖车问题
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
输入变量: x , t , c
输出变量: 通过计算得到
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
利用 DCL进行规则估计。
第九章 模糊与神经网络倒车系统比较
Bart Kosko Neural Networks and Fuzzy Systems
7. 总结
利用常识和修正误差的直觉即可完成 FAM 规则的获取。该系统的规则受到破坏达 50% 时,仍然可正常运行。这一超常的鲁棒性表明,模糊工程可解决许多估计和控制问题。
我们可用与 DCL 类似的方法,利用部分输入输出数据,提取高维的、未知的模糊系统规则。
对于任意神经网络,可以方便地产生 FAM 规则,进而利用模糊系统完成相同的工作。