Transcript 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
第九章
模糊与神经网络倒车系统比较
1。本章来源
2。倒车问题
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
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。
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
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°
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
3.2 FAM规则及控制面
LE
RB
1
PS
2
LC
CE
RC
RI
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
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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]
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
3.4 相关最小FAM推理（Correlation-minimum FAM Inference Procedure)
及重心法去模糊(Centroid Defuzzification)
o
o
i

i
i
, si )
i
p
 
 min( f

j 1
j
m o( j )
p
 m o(
j 1
j
)
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
第九章 模糊与神经网络倒车系统比较
3.5 Kosko控制器实验结果
X=20
Y=20
Φ=30
X=30
Y=10
Φ=220
X=30
Y=40
Φ=-10
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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。
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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=
( f   ) 2  ( x f  x) 2  ( y f  y) 2
卡车轨迹长度
距离(起始点, 希望的终止点)
使用损坏的FAM规则的模糊控制轨迹
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
数据损失比例与误差关系
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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。
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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。
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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。
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
两控制面和原模糊控制面的绝对差
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
两种控制面100次
任意起始位置实验
结果比较。
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
6. 拖车问题
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
输入变量：x，t，c
输出变量：
通过计算得到
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
利用DCL
进行规则
估计。
Bart Kosko
Neural Networks and Fuzzy Systems
第九章 模糊与神经网络倒车系统比较
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。
Bart Kosko
Neural Networks and Fuzzy Systems