[发明专利]基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法

权利要求书

1.一种基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法，其应用于污水处理厂巡检机器人的运动状态进行控制，其特征在于，该矫正方法以机器人的航向角为控制量，以机器人的运动状态为被控量；该矫正方法包括以下步骤：

(1)设计用于控制航向角的自组织模糊神经网络，自组织模糊神经网络分为四层：输入层、隶属函数层、规则层、输出层；具体为：

①输入层：该层由2个输入神经元组成：

X(t)＝[x₁(t),x₂(t)]^T (1)

其中，X(t)表示模糊神经网络的输入，x₁(t)为t时刻机器人运动方向与路径方向的误差，x₂(t)为t时刻机器人运动方向与路径方向的误差的变化率，T为矩阵的转置；

②隶属函数层：该层有2×M个隶属函数神经元，每个隶属函数神经元代表一个高斯隶属函数，表示如下：

其中，M为规则层神经元个数，1<M≤20；u_ij(t)表示t时刻第i个输入的第j个隶属函数神经元的输出，0<u_ij(t)≤1；m_ij(t)为t时刻第i个输入的第j个隶属函数神经元中心值,0<m_ij(t)；σ_ij(t)为t时刻第i个输入的第j个隶属函数神经元的宽度值；i表示模糊神经网络的输入个数，j表示模糊神经网络的隶属函数神经元个数，i＝1，2；j＝1，2，…，M；

③规则层：该层有M个规则神经元，每个神经元的输出为：

其中，f_j(t)为t时刻第j个规则神经元的输出值，0<f_j(t)≤1；

④输出层：该层有1个神经元，其输出表示为：

其中，h_j(t)为t时刻第j个后件神经元的输出值，w_ij(t)为t时刻第i个输入对于第j个后件神经元的权值系数，b_j(t)为t时刻第j个后件神经元的偏置，y_u(t)为t时刻模糊神经网络的输出，表示机器人航向控制信号，正负表示其向左或向右调整航向，数值大小表示其调整角度大小；

(2)自组织模糊神经网络在线学习，具体如下：

自组织模糊神经网络的在线学习包括结构学习和参数学习两部分；结构学习采用增长-修剪算法，参数学习采用梯度下降算法；

①结构学习增长算法

利用激活强度作为结构增长的判断准则，激活强度AI_j定义公式如公式(6)所示，其中，m_ij和σ_ij分别表示第j个神经元的第i个隶属函数的中心和宽度值；激活强度大小表明该神经元对网络的贡献；激活强度越大，表明该神经元对网络的贡献越大；反之，则说明贡献较小；当输入数据对RBF层中所有神经元的最大激活强度I_g仍小于设定的增长阈值I_gth时，表明当前的规则无法对新数据进行有效覆盖，需要增加神经元以满足当前控制环境的要求；

最大激活强度为：

式中：j＝1,2,…,p；p(t)表示当前的归一化层神经元数；

若I_g≤I_gth，则满足增长条件，需增加一个神经元，即p(t+1)＝p(t)+1，；同时新增神经元参数设置为

σ_new＝σ_g (9)

式中：c_new、σ_new和w_new分别表示新增神经元的参数；g表示距离当前样本欧式距离最小的神经元，c_g、σ_g为神经元g的中心和宽度；y_d和y分别为期望输出和网络输出；

②结构学习修剪算法

所述结构修剪算法采用了一种基于神经元重要性的网络在线修剪算法，该网络在线修建算法中：初始条件下每个神经元的重要性为1，并设置不活跃阈值ρ；每次计算每神经元的激活强度，若激活强度小于设定的不活跃阈值ρ时，说明该神经元对输出的贡献较小，可以忽略并将该神经元进行一次重要性衰减，其计算公式由式(11)表达；当t时刻满足删减条件(12)时，则删除该神经元；

I_k≤I_cth (12)

式中：I_k表示第k个神经元的重要性，初始条件下为1；ρ∈(0,1)是预先设定的不活跃阈值；τ表示衰减常数，I_cth∈(0,1)为预先设定的删减阈值，这里ρ＝0.01，I_cth＝0.01；

为保证神经网络输出稳定，减少删除神经元后对网络的影响，对神经网络参数进行补偿，具体参数设置如下：

c'_h＝c_h (13)

σ'_h＝σ_h (14)

c'_s＝0 (16)

σ'_s＝0 (17)

w'_s＝0 (18)

式中：s表示被修剪的神经元；h表示距离神经元s欧式距离较小的神经元；c_h和c'_h，σ_h和σ'_h，w_h和w'_h分别是神经元h调整前后的参数，c'_s、σ'_s、w'_s分别是被修剪神经元调整后的参数；x(t)表示当前输入样本；

③参数学习

在模糊神经网络参数训练学习中，采用梯度下降算法，通过该算法对网络的中心值、宽度值和权值进行更新；

在参数训练过程中，首先定义一个目标函数:

式中：y_d(k)和y(k)分别表示系统期望输出和实际的神经网络输出；参数学习的目的是使得期望目标函数J(k)达到最小；

在梯度下降算法中，各个参数更新公式公式(20)-(25)所示：

式中：

式中：η表示参数学习率；

基于以上分析，自组织模糊神经网络算法具体流程如下：

1)初始条件下模糊神经网络归一化层神经元数为2，并对模糊神经网络的中心、宽度和权值参数进行随机初始化；设置增长阈值I_gth、神经元不活跃阈值ρ及修剪阈值I_cth；

2)根据式(7)计算最大激活强度，并判断该神经元是否满足增长条件，若满足，则需要增长，并利用式(8)-(10)对新增神经元的中心、宽度和权值进行初始值化设定；否则转向步骤3)；

3)根据修剪条件对网络隐含层神经元进行分析，若满足式(11)，则对相应的模糊规则重要性进行一次衰减；当满足删减条件式(12)时，则对该模糊规则进行删除，并且神经元参数调整如公式(13)-(18)；

4)利用式(19)-(25)对神经网络的参数进行修改；

5)直到所有样本都学习完毕或满足停止条件，否则，转向步骤5)或步骤2)进行重复训练；

(3)设计用于智能巡检的轨迹矫正方法，具体为：

①根据公式(5)计算模糊神经网络的输出；

②判断当前时刻巡检机器人智能轨迹矫正信号的目标函数的大小，如果e(t)>0.01，转到步骤③；如果e(t)≤0.01，转到步骤④；

③根据自组织模糊神经网络在线学习，求解各个参数的更新值，转到步骤①；

④计算当前时刻的控制量u_c(t)：

u_c(t)＝y_u(t) (8)

⑤t时刻自组织模糊神经网络的输出值u_c(t)为巡检机器人驱动系统的实际输入量；

(4)利用求解出的t时刻控制信号u_c(t)对巡检机器人驱动系统进行控制，t时刻控制信号u_c(t)∈[-1,1]，正负表示其向左或向右调整航向，数值大小表示其调整角度大小。