[发明专利]一种基于广义模糊 CMAC 的模型参考自适应控制方法

摘要

本发明应用CMAC控制技术在提高船舶运动的控制性能方面进行了相关研究。在保留CMAC原有增强和局部特性的基础上，结合模糊逻辑的思想，采用模糊隶属度函数作为接收域函数，提出了一种广义模糊小脑模型神经网络(GFAC)。研究了GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。进而将GFAC神经网络用于控制系统中，给出了一种模型参考自适应控制结构。在每一步的运算过程中，先通过参考模型建立教师信号，再利用所得到得教师信号对由GFAC构成的控制器参数进行学习。

主权项

1.一种基于广义模糊CMAC的模型参考自适应控制方法分为以下几个部分：GFAC神经网络本文提出的CMAC网络模型使用模糊化语言定义输入变量，将模糊隶属度函数μ(.)引入CMAC联想存储单元中，定义传统的感受野函数为模糊隶属度函数，并规定μ∈(0,1]，因此具有模糊逻辑的性质，但由于映射方法采用CMAC所特有的寻址方式，因此使得输入空间的划分可以更加细腻，这点又不同于一般的模糊CMAC神经网络；此外，当输入空间划分的节点数增加到一定程度后，又可以看成是一般意义上的基函数CMAC神经网络；因此，本发明称之为广义模糊CMAC神经网络(GeneralFuzzyCMAC)，简称GFAC；其实现上与传统CMAC类似，将传统CMAC中XA的映射：其中，映射R(x)确定输入矢量x在中间变量M中所激活单元的位置，并计算相应的隶属函数值，激活单元的数目为aN；E(M)为合成函数，用于将各变量所激活的单元合成映射到联想存储单元A中；图1给出了双输入、单数出、泛化尺寸为3的GFAC模型；图中，X为输入状态空间，A、Ap分别为联想存储器和实际存储器，w为实际存储器中的权值，mi,j为输入矢量ix映射到中间变量M中的地址，y、y分别为理想输出和实际输出；XM映射可以采用多种方法；图1GFAC网络结构；基于GFAC的模型参考自适应控制结构及其学习算法；图2给出了GFAC学习控制系统的工作模式；CMAC控制的困难之处就是教师信号的获取问题，在此应用一个简单但却十分有效的方法：在每一个学习迭代过程中，系统自己先构造一个教师信号*kv，然后再修改权重；其中dy为参考模型期望的输出，py为对象的实际输出；输入模式变换把偏差信号e由一维转换成多维信号，例如偏差、偏差的变化、或偏差之和，在此只取偏差和偏差的变化；在这里参考模型取二阶的线性系统；学习误差信号Le等于参考模型期望的输出减去被控对象的实际输出；学习系统的整体目标是通过迭代使误差信号逐渐变到0，或者收敛到一个允许误差限度内；以看出GFAC的控制可分为两个过程：控制过程与学习过程；算法为：①初始状态GFAC的所有权重值设为零；②将系统的当前误差e(k)及其偏差变化率e(k)&量化后作为地址输入到GFAC，在GFAC存储器中映射出与之对应的aN个地址，并计算相应的隶属度函数值，然后进行输出映射得GFAC的输出；③在每一个控制周期结束时，计算出教师信号*(v)k，并与v(k)相比较，修正权重，进入学习过程；学习的目的是使参考模型期望的输出与被控对象的实际输出之差最小；也就是说，经过学习，误差信号Le逐渐变到0，或者收敛到一个允许误差限度内。