| 人工智能控制技术在电气传动中的应用研究 |
|
|
|
1 模糊逻辑控制应用
主要有两类模糊控制器，Mamdani和Sugeno型。到目前为止只有Mamdani模糊控制器用于调速控制系统中。值得注意的是这两种控制器都有规则库，它是一个if－then模糊规则集。但Sugeno控制器的典型规则是“如果x是A，并且y是B，那么Z=f（x,y）”。这里A和B是模糊集；Z=f（x,y）是x,y的函数，通常是输入变量x,y的多项式。当f是常数，就是零阶Sugeno模型，因此Sugeno是Mamdani控制器的特例。Mamdani控制器由下面四个主要部分组成。
1）模糊化实现输入变量的测量、量化和模糊化。隶属函数有多种形式。
2）知识库由数据库和语言控制规则库组成。开发规则库的主要方法是：把专家的知识和经历用于应用和控制目标；建模操作器的控制行动；建模过程；使用自适应模糊控制器和人工神经网络推理机制。
3）推理机制是模糊控制器的核心，能模仿人的决策和推理模糊控制行为。
4）反模糊化实现量化和反模糊化。有很多反模糊化技术，例如，最大化反模糊化，中间平均技术等。
在许多资料中，介绍了多种被模糊化的控制器，但这应与“充分模糊”控制器完全区分开来，“充分模糊”控制器才是完全意义上的模糊控制器，被模糊化的控制器易于实现，往往通过改造现有古典控制器得以实现，如被模糊化的PI控制器（FPIC）使用模糊逻辑改变控制器的比例、积分参数，从而使系统的性能得到提高。控制器参数的微小变化可能导致特性的极大提高，被模糊化的控制器参数调整方法如下：P（ti）=P（ti－1）＋kP·CP，I（ti）=I（ti－1）·CI。但若应用“充分”模糊逻辑控制器，系统响应远远优于FPIC和最优古典PI控制器，用于最优化常规控制器的计算时间比模糊化控制器所需的时间多得 多。因此，使用最小配置的FPIC控制器是可能的选择之一，事实上，这也是用现有驱动装置实现的最简单方法。
2.1.2ANNS的应用
过去20多年，人工神经网络（ANNS）在模式识别和信号处理中得到广泛运用。由于ANNS有一致性的非线性函数估计器上一页 [1] [2] [3] [4] [5] 下一页 |
|
|
| |
|
上一个论文： 人工智能方法在信号处理中的应用
下一个论文： 开启人工智能时代 |
|
用户登录 
新用户注册 