核心提示：　　1引言果。非線性系統(tǒng)的建模辨識與控制是其中的重要應用方向。研究明，對于非線性系統(tǒng)而言，采用傳統(tǒng)的分析方法只能面向特定的應用而不存在種普遍適用的方法。人工神經(jīng)網(wǎng)絡以其出色的非線性映射逼近能力以及自學

　　1引言果。非線性系統(tǒng)的建模辨識與控制是其中的重要應用方向。研究明，對于非線性系統(tǒng)而言，采用傳統(tǒng)的分析方法只能面向特定的應用而不存在種普遍適用的方法。人工神經(jīng)網(wǎng)絡以其出色的非線性映射逼近能力以及自學習能力為非線性系統(tǒng)的建模提供了強有力識，還可以根據(jù)給定的數(shù)據(jù)集調整參數(shù)以獲得良好的模糊模型。近年來，如何將模糊系統(tǒng)經(jīng)網(wǎng)絡的融合形態(tài)有多種形式314.我們可以利用某些神經(jīng)模糊系統(tǒng)對控制對象進行建模，以期獲得比單純應用種技術更好的結果。在本文中，我們將采用基于高木菅也模型丁沾噸5噸印，如的自適應神經(jīng)模糊推理系統(tǒng)對個非線性電機系統(tǒng)進行建模。并將實驗結果與反向傳播網(wǎng)絡進行比較。

　　本研究，中科院重點項目基金資助，節(jié)給出建模的實驗結果及分析；最后給出結論。

　　2，5簡介由妙說，尺噸提出的基于自適應網(wǎng)絡的模糊推理系統(tǒng)，也稱為自適應神經(jīng)模糊推理系統(tǒng)，是種基于高木菅也模型TakagiSugenoModel的模糊推理系統(tǒng)w.研究明，當輸入模糊集采用非梯形非角形的隸屬函數(shù)時，丁業(yè)35叩63模糊系統(tǒng)比4咖13模糊系統(tǒng)更經(jīng)濟，即需要的模糊規(guī)則及輸入的模糊集的個數(shù)較少6.

　　2.1六岍3的結構個具有兩條規(guī)則的簡單的丁止38816，模糊系統(tǒng)六18結構如下對應的ANFIS結構l連線僅信號的流向，沒有權值與之關聯(lián)；方形節(jié)點帶有可調參數(shù)的節(jié)點，圓形節(jié)點不帶有可調參數(shù)的節(jié)點。從參數(shù)。各層的功能如下第1層將輸入變量模糊化，輸出對應模糊集的隸屬度，其中個節(jié)點的傳遞函數(shù)可以為根據(jù)所選擇的隸屬函數(shù)的形式，可以得到相應的參數(shù)集，稱為條件參數(shù)。例如，通常使用的斯隸屬函數(shù)則條件參數(shù)集為所有，的集合。

　　第2層實現(xiàn)條件部分的模糊集的運算，輸出對應1式的每條規(guī)則的適用度，通常采用乘法。

　　第3層將各條規(guī)則的適用度歸化。，CO第4層每個節(jié)點的傳遞函數(shù)為線性函，局部的線性模型，計算出每條規(guī)則的輸出。

　　由所有，6，組成的參數(shù)集稱為結論參數(shù)。

　　第5層計算所有規(guī)則的輸出之和從以上網(wǎng)絡的輸入輸出關系可以看出，的網(wǎng)絡與式所的模糊推理系統(tǒng)完全等價。模糊推理系統(tǒng)的學習歸結為對條件參數(shù)非線性參數(shù)與結論參數(shù)線性參數(shù)的調整2.2混合學習算法對于所有參數(shù)，均可以采用基于梯度下降的反向傳播算法來調整參數(shù)；然而，采用種混合算法可以提高學習的速度?；旌纤惴ㄖ袟l件參數(shù)仍采用反向傳播算法，而結論參數(shù)采用線性最小乘估計算法調整參數(shù)。結論部分可以采用采用最小乘估計算法是因為ANFIS最終的輸出對f結論而言i線性的l仍以ff統(tǒng)為伊k其輸出在混合學習算法的每次迭代中首先，輸入信號沿網(wǎng)絡正向傳遞直到第4層，此時固定條件參數(shù)，采用最小乘估計算法調節(jié)結論參數(shù)；然后，信號繼續(xù)沿網(wǎng)絡正向傳遞直到輸出層即第5層。此后，將獲得的誤差信號沿網(wǎng)絡反向傳播，從而可調節(jié)條件參數(shù)。

　　采用混合學習算法，對于給定的條件參數(shù)，可以得到結論參數(shù)的全局最優(yōu)點，這樣不僅可以降低梯度法中搜索空間的維數(shù)，通常還可以大大提參數(shù)的收斂速度。關于混合學習算法的詳細敘述參考文獻51.

　　3非線性電機系統(tǒng)建模下面，我們對個具有非線性摩擦力影響的直流電機系統(tǒng)進行建模。用來采集輸入輸出信號的實際控制系統(tǒng)包括臺，6付，1200微機塊內置于計算機的12位，轉換板功率放大電路直流力矩電動機以及用于速度反饋的直流測速發(fā)電機。模擬電壓輸入范圍與輸出控制電壓范圍均為5，5伏，模數(shù)轉換后的數(shù)字量范圍均為2048，2048，為了方便起，輸入和輸出單位均采用數(shù)字量。被控系統(tǒng)的模型包括除計算機外的所有部件的集合。

　　在5毫秒的采樣周期下，輸入信號持續(xù)10秒，即2000個采樣周期。為了使所建模型適用于不同頻率，訓練輸入信號采用個多頻率分量正弦信號的復合。

　　將9式的信號作為實際系統(tǒng)的輸入，獲得電機的真實輸出即轉速信號。實際電機的輸入輸出2.

　　3.1基于呢15的建模在第2節(jié)中，已經(jīng)介紹了5的結構及算法，但未提及18中參數(shù)的初始化問定了輸入空間的分割，從而決定模糊規(guī)則的數(shù)目。通常輸入空間的分割可以采取平均分割法或田堪，聚龍方法首先，假電機模型為階系統(tǒng)，即輸入輸出關系式可以為我們采用平均分割法，對1與1均將各自的輸入?yún)^(qū)間等分為3部分，模糊隸屬函數(shù)均選用高斯型。這樣，兩個輸入總共形成9種組合，即存在9條模糊規(guī)則。根據(jù)第2節(jié)中的敘述，可知條件參數(shù)共有12個32+32，結論參數(shù)共有27個93.誤差的指標為實際輸出與模型輸出的均方誤差MSE.經(jīng)過lOO次迭代，ANFIS辨識結果3所，訓練結果的均方誤差，=4.9854.

　　3.2辨識模型的驗證首先，同樣采用個在幅值和頻率上都有變化的多頻率分量正弦信號作為測試信號對所建的非線性模型進行測試，測試結果4，均方誤差為5=6.5836.

　　其次，我們來測試被建模系統(tǒng)所具有的兩種典型的非線性特性飽和與死區(qū)。我們分別采用兩個單頻率的正弦信號作為測試信號123與12，式輸入給所建模型，同時輸入給實際系統(tǒng)，從實際系統(tǒng)及所建測試模型所獲的輸出及輸入信號分別56.

　　從實際系統(tǒng)輸出與所建模型的輸出可以看出，在2000個采樣點的誤差平方和均在7以內，可其精度之高，從中也可以看出實際輸出與模型輸出幾乎重合為條曲線。

　　由以上測試可以看出，所建立的ANFIS模型不僅可以很好的適應幅值與頻率的變化，而且能夠很好的包含了電機系統(tǒng)的非線性特性。所建立的模型在訓練信號所在的范圍內對幅值與頻率的改變有很強的適應性，達到了動態(tài)精確建模的目的。

　　4總結動態(tài)模型。通過與日，的比較，說明15的主要優(yōu)點在于收斂速度很快，收斂時間只需8的十分之，而當面對復雜系統(tǒng)時，建模所需參數(shù)急劇增多，收斂速度顯得至關重要，此時燦15則比8測顯出更大的優(yōu)越性。同時，在對實驗結果的分析中，闡明了ANFIS從初始化和學習算法兩個方面保證了比BPNN更快的收斂速度的原因。此外，力。在實際應用中。ANFIS為非線性系統(tǒng)的建模辨識以及時間序列分析提供了有力的工具。

　　趙振宇徐用懋，模糊理論和神經(jīng)網(wǎng)絡的基礎與應用。清華大學出版社，996.6.

　　大學出版社，3337，1998.7.