模糊神经模型范文

模糊神经模型范文（精选11篇）

模糊神经模型 第1篇

1 基于模糊神经网络的故障诊断模型

一般而言,基于模糊神经网络模糊系统诊断模型由监控系统、神经网络系统和故障诊断分析输出系统组成,如图1所示。其中,监控系统用于数据的有效获取;神经网络系统用于故障的诊断,故障诊断分析输出系统用于系统的告警和输出。M1是测量的直接和间接测量的观测数据,并且作为神经网络系统的输入。N1是通过神经网络方法诊断的故障。M2直接或间接测量的观测值,是故障诊断分析系统的部分直接输入。

1.1 诊断方法

首先,将从数字传感器得到的离散输入进行归一化数据处理,并且通过为系统语言变量定义的友规则进一步模糊化。其次,网络模型结构包含一个与状态变量(温度、压力、热容量或者流速)相应的输入节点、隐藏节点,与偏离规格(高、低)和一般状况相对应的输出节点。第三,该模型假设计算机能够监控并控制每个状态变量,每台都运行模糊神经网络软件。通过传感器测量获得的输入数据与计算机建立通信,阀值能够通过假设扩大的模糊偏节点总是为ON而学习获得,因此输出为1的节点也叫真值节点。语言变量“低”“一般”“高”定义为代表质量标准。

1.2 节点的输出函数

所谓节点的输出函数是与系统的输入激励相对应。本系统建立的输出函数是一个sigmoid逻辑函数,如下定义:

其中Netj是节点j的激励。Netj激励是一个常见的非线性离散函数,本系统中用来与后向传播学习结合来训练多层网络。

1.3 学习阶段

该系统中包括两个学习阶段:1)输入通过网络以前馈方式传播,产生与期望输出相比较的输出值,使得每个输出节点存在误差量;2)误差通过网络后向传播,在本系统中首先计算输出层的Δ(误差量),并将其调整至隐含层。为此该系统需要计算输出间隔的模糊权值和模糊输入的h层集合,有关定义如下。

定义1:模糊数字X的h层集合定义,其中,ψx(x)是X的友函数,R是实数集合。

定义2:层集合[X]h的上下限。

定义3:,对于非负模糊输入Xpi的h层集合,模糊神经网络的输入输出关系如下:

定义4:通过使用误差函数eph来对每个参数的调整层可以表示如下:

这里η是一个学习常量因子,α是一个动力常量;t表示调整的数字,eph是模糊输出向量Op的h层集合的误差函数。

定义5:模糊权值通过以下规则更新:

2 计算机仿真

以再循环的水工厂为例(如图2所示)进了故障诊断仿真,主要包括原料源故障与控制器故障仿真,表1是故障部分列表,其中不包括传感器故障。仿真结果如图3和图4所示。

3 结论

基于模糊神经网络的复杂系统故障诊断模型有效的解决了复杂设计中的错误诊断问题,为更好的改进复杂系统的设计提供了必要的诊断测试手段。在实际问题中,如何利用处理过程中的知识改进神经网络在并行错误诊断中的处理方法是另一个值得进一步研究的课题。

摘要：复杂系统故障诊断是复杂系统设计中的一个重要内容,本文构建了基于模糊神经网络的复杂系统的诊断模型。以工业领域的水资源再循环系统为例,论述了系统的模糊神经网络模型结构,并进行了计算机仿真。实验结果证明了该模型的有效性和可行性。

关键词：模糊神经网络,复杂系统,工业过程

参考文献

[1]陈小玉,朱海华.一种改进的神经网络模型在故障诊断中的应[J].微型电脑应用,201026(2):55-58.

[2]朱醒,钟再敏,孙泽昌.修正指数遗忘RLS算法及其在故障诊断上的应用[J].计算机测量与控制,2007,15(3):329-331.

[3]林万里,祁富燕.可编程序控制系统的故障检测与显示[J].安全技术与管理,2006,5:46-47.

[4]李静.基于神经网络和遗传算法的Ad hoc网络故障管理模型研究[M].电子科技大学,2008.

模糊神经模型 第2篇

非线性系统的神经-模糊建模方法的研究

提出了一种基于自适应神经-模糊推理系统(ANFIS)的非线性系统辨识方法,介绍了神经一模糊建模的.设计原理,并且对ANFIS在不同的输入下进行仿真,实验仿真结果表明,ANFIS进行非线性系统辨识是可行的,其辨识精度很高.

作 者：郝昕玉 姬长英 HAO Xin-yu JI Chang-ying  作者单位：南京农业大学,工学院,江苏,南京,210031 刊 名：江西农业学报  ISTIC英文刊名：ACTA AGRICULTURAE JIANGXI 年，卷(期)：2008 20(9) 分类号：O231.2 关键词：自适应神经模糊推理系统   非线性系统   辨识   建模方法  

模糊神经模型 第3篇

第1章为绪论，介绍了混沌的定义、混沌应用前景及混沌控制的概况。第2章主要介绍了模糊控制与神经网络控制理论基础。第3章研究BP及其改进算法的神经网络对混沌系统进行控制的问题，第4章探讨了混沌系统的RBF神经网络控制问题。第5章研究了超混沌系统的模糊滑模控制设计方法。第6章不确定混沌系统的模糊建模及自适应控制策略。第7章研究了混合神经模糊逻辑推理系统的时滞无穷维混沌时间序列预测问题。第8章研究了混合遗传神经网络控制混沌周期轨道方法。第9章研究了一类不确定混沌系统的模糊神经网络自适应控制方法。第10章主要是利用动态神经网络对不确定混沌系统进行辨识和参考目标轨道跟踪控制研究。第11章主要是利用线性矩阵不等式方法对不确定混沌系统进行模糊控制研究。第12章主要利用递归高阶神经网络，对不确定混沌系统的同步问题进行了研究。

该书涉及目前国内外混沌智能控制的一些最新研究成果，特别是著者在从事混沌系统控制理论和方法方面所取得的科研成果。全书取材新颖、内容丰富、论述严谨、理论联系实际。该书的出版不仅为读者提供混沌系统智能控制问题的设计方法，而且能在理论研究与工程应用上给读者带来启发与帮助。

模糊神经模型 第4篇

煤炭企业发展循环经济是以“减量化、再利用、资源化”为原则,以“低消耗、低排放、高效率”为基本特征的一种新型经济增长模式。煤炭企业循环经济的评估内容包括资源利用、环保状况、节能减排、经济发展、循环特征五个方面,因此本文从影响煤炭企业发展循环经济的这五个方面出发,建立了评价指标体系,见图1[1,2,3]。

2 模型构建

2.1 模糊神经网络结构的确定

模糊神经网络(Fuzzy Neural Network,简称FNN)是近年来智能控制与智能自动化领域的热点,是将模糊系统与神经网络技术相结合而形成的模糊神经网络,已发展成为一种全新的技术。其原理主要是:各种神经元在信息共享的基础上,各部分信息相互支持、相互补充,各自独立地与其输入端相连接的其他神经元进行采集输入,计算其输出;再将其传递给上一层的神经元作为输入或输出,从而赋予模型较强的容错抗错性能和联想能力,使它不会因为部分神经元的损坏而影响其总体性能,也不会因为输入信号受到一定程度的噪声污染而歪曲其输出。模糊神经网络的构造方法主要有以下几种[4,5]。

由两个或两个以上的模糊神经元通过一定的层状形式连接而成的模糊神经网络,其基本单元为模糊神经元,见图2。

模糊神经元输入和输出关系应满足以下关系:①输入x1、x2、xn与输出y是[0,1]间的模糊量。②输入模糊量x1、x2、xn之间的关系必须是一种模糊关系(并、交、补),这种关系可调或不可调。③输入模糊量经加权和模糊关系运算后得到的输出y值只能在[0,1]区间内变化。用这种模糊神经元构造模糊神经网络的目的是通过神经网络固有的自学习功能对样本进行学习,调整网络自身权值,获得一个以网络形式表示的规则集,实现模糊推理。

在输入层做模糊化处理,在输出层做反模糊化处理,神经网络只完成非线性映射的功能。用神经网络模块来实现模糊推理映射关系可采用图3的网络系统。系统由输入层、模糊化层、规则推理层和反模糊化层(输出层)组成,其基本工作过程是将模糊化层系统输入转化为模糊向量,而规则推理层则实现模糊映射功能,反模糊化层则将神经网络输出的模糊向量转化为系统的“编码”输出y。

图3中Xp1,Xp1Xpn为第P个样本模式的评价指标属性值,记为:undefined;Np1,Np2Npn为undefined经相应的隶属函数量化后的评价向量(隶属度向量),记为:undefined。式中,Y为第P个样本模式的输出值。考虑到一般的情况,设有S个样本,则形成下列评价指标属性矩阵和期望输出集:

undefined

式中,yp(p=1,2,s)为样本模式P相对应的评价结果和模糊神经网络的期望输出值。图3的模型结构为[6,7]:第一层为输入层。该层的各节点直接与输入向量的各分量Xk连接,它起着将输入值X=(x1,x2,,xn)T传送到下一层的作用,其节点数N=n。第二层为模糊化层。每个输入分量对应于一组节点,第K个分量Xk对应m个节点,其中每个节点均代表一个模糊量值。第二层每一个节点的作用是计算各输入分量属于各变量值的模糊集合隶属度函数rij。第三层为规则推理层。模糊规则库是模糊推理系统的核心部分,模糊规则库是由If-then规则集合组成。其主要思路是确定规则的数目和隶属函数形式,根据量测数据调整隶属函数的参数。模糊规则的一般形式为:Rk:IFx1is A1iand x2is A2iand xnis Ani,then y2=f2k。推理机制是把模糊规则库中的模糊If-then规则集结起来,将模糊输入集合映射成输出模糊集合,表示模糊输入与模糊输出的关系。常用的推理规则有最小值规则、乘积规则、最大值规则、Boolean规则、Goguen规则等。第四层为输出层。该层采用加权线性求和,求出清晰的输出值,每个节点输出值表示样本属于每个类别的隶属度函数值。即:undefined。式中,Wij相当于y的第j个语言值隶属函数的中心值。其中,undefined实现归一化:

undefined

2.2 输入数据的模糊化

描述循环经济综合运行效果的指标主要有成本型、效益型和区间型。设描述循环经济综合运行效果的指标体系为:U={u1,u2,,un}。式中,u1为成本型指标子集,u2为效益型指标子集,u3为区间型指标子集。设U中各指标的论域di=[wi,Wi]。式中,wi和Wi分别表示评价指标ui∈U的最小值和最大值,定义rpi=μdi(xpi),i=1,2n为决策者对模式p的评价指标ui的属性值Xpi的满意度,且rpi∈[0,1],其中μdi(*)是定义在di上的指标ui属性值的规范化隶属函数,本文根据评价指标给出下列3种隶属函数[8]。

成本型指标规范化隶属函数:

undefined

效益型指标规范化隶属函数:

undefined

区间型效益指标规范化隶属函数:

undefined

式中,[V1,V2]为指标μi的最佳稳定区间。这样在U上任意模式P的评价指标属性值向量矩阵经上述隶属函数转化为评价向量(隶属度向量):undefined到Y之间可认为存在莫伊线性关系映射F,使undefined。

2.3 输出数据的反模糊化

循环经济发展水平评价系统的输出矢量是一个五维隶属度向量,采用最大隶属度法选择模糊子集中最大值作为评价级别输出。如煤炭企业循环经济评价的最后运行效果在5个模糊集中的隶属度为:V=(u1,u2,u3,u4,u5)。按照最大隶属度的原则比较u1,u2,u3,u4,u5,得到最大的设为ux,则该企业循环经济的发展状况为ux对应的模糊集。

2.4 BP神经网络的设计

输入与输出层的设计:BP网络的输入、输出层的神经元个数是根据使用者的要求设计的,如果BP网络用作分类器,其类别数为m个,那么输出取m个神经元。一般输入神经元可根据需要求解的问题和数据表示的方式确定。总之,问题确定之后,输入与输出层的单元数也就被确定,只是在设计中应尽可能减小系统规模,使学习的时间和系统的复杂性减小[9,10]。

隐层单元数的选择:对隐层单元数的选择较复杂。由于隐层单元数的选择没有很好的解析式来表示,隐层单元数的选择与问题的要求和输入输出单元的多少都有直接关系。如果隐层单元数过少,网络不强壮,不能识别以前没有看到的样本,容错性差;或由于网络太小,可能训练不出来。但隐层单元数太多又使学习时间过长,误差也大,因此存在一个最佳的隐层单元数。如何求解可参考以下公式:undefined。式中,n1为隐层单元数,n为输入神经元数,m为输出神经元数,α为110之间的常数。

undefined

为样本数,如i>n1,则

undefined

,。

初始值的选取:由于系统是非线性的,初始值对学习是否达到全局最小,或学习是否能收敛的关系很大。其要求是希望初始权在输入累加时使每个神经元的状态值接近于零,这样可保证开始时不落在平坦区上。权值一般取随机数,且权值要求较小,这样可保证每个神经元一开始都在其转换函数变化最大时进行。对输入样本同样希望能进行归一化,使那些较大的输入仍落在神经元转换函数递度大的区域。

3 算例

3.1 原始数据的收集

在建立循环经济评价指标体系的基础之上,通过综合鹤煤集团20042008年循环经济的发展历程来评价鹤煤集团循环经济的综合运行效果。实测数据从鹤煤集团发展循环经济的实际结果中选取,其相关试验数据见表1。

注:资料来源于对鹤煤集团的实地调研。

根据式(3)(5)对数据隶属度的算法,本文对鹤煤集团20042008年循环经济发展状况各指标的原始数据进行模糊化。在神经网络的评价中,样本集的好坏直接影响网络的训练水平和最终评价结果的质量。所以本文在评价鹤煤集团循环经济运行效果模糊神经网络评价的样本集时,采取了理论计算和实际实验数据相结合的方法,一共生成20组样本。其中,标准理论样本15组,实际实验数据随机样本5组。实际实验数据从鹤煤集团循环经济发展的实际结果中选取。在计算神经网络理论标准样本时,参照《中华人民共和国循环经济促进法》和相关循环经济法律体系中对循环经济综合运行效果的评价标准。结合有关研究循环经济专家的经验,最终确定神经网络的标准理论评价样本。这样标准理论样本和随机样本就构成了网络训练样本共20组,作为BP神经网络的模式样本理论集,其输入值构成1527阶矩阵|Xpn1527|,则期望输出值为:

undefined

将20组训练样本输入到神经网络中,对神经网络进行学习。通过反复试验,最终确定了网络的模型参数。本文选择n1=27、n2=8、n3=5、η=0.9、ε=0.001作为模型的参数,因为精度最高,迭代次数适中。Matlab对样本集的训练见图4。将上述15个理论样本代入神经网络评价模型,输出值为:

undefined

由式(7)和(8)可知,训练样本的输出结果与期望输出结果几乎完全一致,根据最大隶属度原则得到的结论见表2。

鹤煤集团循环经济发展历程分析:2004年鹤煤集团循环经济的发展刚刚起步,由于此时发展循环经济的各项措施和技术不到位,导致鹤煤集团循环经济运行效果不佳,各项经济技术指标偏低。随着鹤煤集团的发展,经济实力的进一步强大,循环经济得到了较好的发展机会,各项经济指标都有所提高,所以20052007年鹤煤集团循环经济发展规模显著扩大。2008年鹤煤集团在加强资源综合利用、完善再生资源回收利用体系的同时,全面推行清洁生产,形成低投入、低消耗、低排放和高效率的节约型增长方式,探索出一条适合鹤煤集团循环经济发展的有效途径,各项指标取得了可喜的成绩,总体运行效果最优。

鹤煤集团循环经济项目分析:2004年鹤壁新生能源有限公司消耗瓦斯2338万m3/a、节约标准煤2.57万t/a,有效提高了鹤煤集团煤层气的利用率。此外,2005年建成的矿井水综合利用项目处理污水能力3294万m3/a、输出水量2986万m3,提高了矿井水的处理能力。煤矸石烧结项目的建成,可节约标准煤21.8万t/a、生产空心砖6000万块/a、消耗煤矸石80万t/a,大大提高了煤矸石的利用率。

鹤煤集团循环经济发展利用资源分析:①矿渣综合利用。鹤煤集团煤矸石资源丰富,是生产建材产品的优质原料,其中约95%的煤矸石适合作烧结空心砖的原料,其余可制作矸石砌块。鹤煤集团现有4条年产6000万块煤矸石烧结空心砖生产线,生产的各类煤矸石烧结空心砖与普通粘土实心砖相比可节约能耗21%。②煤层气综合利用(瓦斯发电、锅炉燃用瓦斯供热)。2004年两台500kW瓦斯发电机组在鹤煤集团中泰公司发电试验成功后,已有12台500kW瓦斯发电机组在鹤煤集团投入运行。③废水综合利用。2005年鹤煤集团成立了“河南鹤源水务有限公司”,负责正在建设的矿井水综合利用项目。该项目投资1.8亿元,处理矿井水3294万t/a、输出水量2986万t,处理后的矿井水达到《污水再生利用工程设计规范》(GB503352002)再生水用作冷却用水的水质控制指标。该项目已于2007年12月全部投入使用,年处理水量2173万t、供水量1922万t。④电厂粉煤灰综合利用。为了充分利用宝贵的粉煤灰资源,鹤煤集团投资建设粉煤灰陶粒和粉煤灰陶粒水泥砌块综合利用项目,一期工程生产规模为年产10万m3粉煤灰陶粒、陶砂和年产20万m3粉煤灰砌块及其相关的建材制品。该项目年消化粉煤灰100万t、减少排放占地125hm2、节约标煤2.7万t。⑤余热综合利用(电厂余热、烧结砖余热、瓦斯发电余热、水泥生产余热等)。鹤煤集团投入运行的中泰公司、六矿煤层气发电机组烟气余热利用项目已分别向职工浴池供应热水和两座职工宿舍楼与职工服务中心(共约1.2万m2)供暖,年节约燃煤1233t。⑥再生能源利用。为充分挖掘鹤壁新区浅层地热资源综合利用空间,鹤煤集团积极开展浅层地热、地道风的应用和研究,已建成的鹤壁煤电综合科技楼水源热泵中央空调项目,可使科技楼的能耗降低15%,年节约电费12万元。

4 结论

本文从经济发展、资源利用、节能减排、环境状况、循环特征五个方面建立了煤炭企业循环经济的3层27个评价指标,构建了煤炭企业循环经济的模糊神经网络评价模型,模型运算结果与评价对象的实际情况完全相符,得到了令人比较满意的效果。

参考文献

[1]沙景华,欧玲.矿业循环经济评价指标体系研究[J].环境保护,2008,(2)∶34-35.

[2]Seiji Hashimoto,Yuichi Moriguchi.Proposal of Six Indicators of Material Cy-cles for Describing Society′s Metabolism:From the Viewpoint of Material FlowAnalysis[J].Resources,Conservation and Recycling,2004,(40)∶190-192.

[3]崔和瑞,宋秀莉.基于循环经济理念的企业绩效模糊评价[J].统计与决策,2008,(9)∶146-147.

[4]袁卫国.基于模糊神经网络的钢管混凝土拱桥安全性评价方法研究[D].湖北:武汉理工大学,2003∶4.

[5]Christopher Swan,Drusilla Brown,Stephen Levine,et al.Optimization and E-conomic Assessment of Coal Fly Ash Reuse in New Synthetic Lightweight Ag-gregates[D].2003∶16.

[6]彭蕾芳.基于模糊神经网络的职业病危害风险评估研究[D].广东:中山大学2008∶5.

[7]徐君,杜文,曾旗.基于BP神经网络的煤炭企业可持续发展评价[J].西南交通大学学报,2005,40(3)∶377-378.

[8]柴继红.贷款风险的模糊神经网络评价模型及应用研究[D].湖北:华中科技大学,2002∶4.

[9]王爱平,陶嗣干,王占凤.BP神经网络在股票预测中的应用[J].微型机与应用,2010,(6)∶78-79,83.

模糊神经模型 第5篇

某多挠性体卫星姿态的模糊神经网络控制设计

为改善多挠性体卫星的姿态控制系统,研究了一种基于模糊神经网络的控制器设计.根据某卫星的姿态和挠性动力学模型,给出了模糊神经网络控制器(FNNC)结构及其简化的带动量学习算法.仿真结果表明:FNNC能较好地适应卫星本体参数变化,对外界干扰的`抑制能力良好,可满足高精度、高稳定度卫星的姿控要求.

作 者：杜耀珂 彭仁军 DU Yao-ke PENG Ren-jun  作者单位：上海航天控制工程研究所,上海,33 刊 名：上海航天  PKU英文刊名：AEROSPACE SHANGHAI 年，卷(期)： 25(5) 分类号：V448.22 关键词：挠性卫星   姿态控制   模糊神经网络   控制器   学习算法  

区间数模糊投资组合模型及其分析 第6篇

摘 要 在Markowitz投资组合模型中考虑流动性约束，用区间数描述证劵的期望收益率、风险损失率和换手率，建立考虑流动性约束的区间数模糊投资组合模型，利用区间规划的有关结论，将问题转化为参数线性规划问题求解，深入剖析了流动性约束及其他模型参数对投资决策的影响。

关键词 投资组合选择 区间数 模糊线性规划 区间规划

投资组合选择就是如何配置各种有价证券的头寸来最好地符合投资者对风险和收益的权衡。证券市场是一个极其复杂的系统, 证券的收益和风险都是不确定的, 这就使得投资者需要在一个不确定的环境下做出投资决策。1952年, Markowitz 建立了均值方差投资组合模型[1], 标志着现代证券组合投资理论的开始。

考虑到在证券市场中, 投资者对投资风险和收益水平往往有主观的意愿, 且未来的收益率是随时变化的, 过去的收益率和风险只能作为未来收益率和风险的参考, 预期收益率和风险的变化具有模糊性, 将证券组合投资的收益和风险以区间数描述, 则证券组合投资模型就转化为区间规划问题。已有许多学者对区间规划[2,3]和利用区间数理论对投资组合选择问题[4-7]进行了研究，取得了很多研究成果。Wang和Zeng等（2001）扩展Markowitz 模型为区间规划模型[4]；陈国华等（2007）利用模糊约束将Markowitz投资组合模型转化为模糊线性规划模型，用区间数来描述证券的期望收益率和风险损失率，建立了区间数模糊证券投资组合模型[6]；陈国华等（2010）引进区间数描述证券未来的收益、流动性和β值，建立了基于区间数的投资组合模型[7]。

本文在传统Markowitz投资组合模型中考虑流动性约束，用区间数描述证劵的期望收益率、风险损失率和换手率，建立了新的考虑流动性约束的区间数模糊投资组合模型并对模型进行了分析。

一、考虑流动性约束的区间数模糊投资组合模型的建立

正如Markowitz投资组合理论，在证劵投资决策理论中，投资收益和投资风险通常被认为是投资者所关心的两个主要因素。然而，在真正的投资实践中，证劵的流动性也不能忽视。证劵的流动性是指证劵的变现能力，目前度量证劵流动性的方法较多，如交易股数、交易笔数、交易金额、换手率和流通速度等。其中换手率是股票成交量（或成交额）与流通盘（流通市值）的比值，充分反映了股票的流动性。以 表示证劵组合， 表示第i种风险证劵的投资比例，表示第i种证劵的换手率，则投资组合的换手率为 。投资者通常会对组合投资的换手率提出一个可接受的下限 ，以确保组合投资的流动性，使得投资易于快速变现，保障资金安全。

如上考虑投资者对投资组合流动性的要求，则传统的Markowitz投资选择模型演变为

其中 表示第i种证劵持有期的收益率， 为第i种证劵持有期的预期收益， 为投资组合 的方差（用以衡量投资组合的风险）。 表示第i种和第j种风险证劵的协方差， 表示第i种风险证劵的标准差， 为投资者能承担的风险的上限， 为投资第i种风险证劵的投资上限。

上述模型含有二次约束，给求解带来了困难。根据Elton和Gruber等人的研究[8,9]，假设不同股票相关系数相同, 。此时期望收益的方差可表为：

上式中右边最后一项的第二部分为非系统风险，根据Sharpe等的实证研究[10]，证劵组合的非系统风险与系统风险相比是非常小的，尤其当证劵组合的股票足够多，可利用模糊约束简化方差约束， ，即 。这里 是模糊小于，其模糊不等式的隶属函数为

为投资人的容忍度。

根据模糊不等式 的隶属函数并利用相关结论，组合证劵的风险约束可表为 ， 是投资者的模糊隶属度， 值从0到1逐渐变化。于是模型（P1）演化为

由于证劵未来的收益、流动性、风险证劵的标准方差是不确定的，其变化具有模糊性，可以看做一个模糊现象处理。本文用区间数表示模糊性，记 ， ， ，将问题 参数模糊化，从而建立起考虑流动性的区间数模糊投资组合模型：

， 是投资者给定的常数， 代表投资者的悲观风险承受水平， 代表投资者的乐观风险承受水平， 代表投资者的悲观流动性接受水平，代表投资者的乐观流动性接受水平。

模型 目标函数的区间数代表投资组合的不确定收益，约束条件（1）左边用证劵标准差的区间数代表投资组合的不确定风险，右边代表投资者的风险承受区间，约束条件（2）左边区间数表示证劵资产流动性的不确定性，右边表示证劵流动性的可接受区间。因而，模型 是一个在不确定风险及不确定流动性约束条件下，最大化不确定收益的区间规划问题。其中不确定性用区间数来描述。由于约束条件引入区间序关系，上述问题不可能存在经典意义下的最优解。 是一个带有区间系数的最优化问题。

当不考虑流动性约束时， 退化为陈国华等（2007）考虑的区间数模糊投资模型。

二、考虑流动性的区间模糊投资组合模型的求解

记区间数 为 。其中 为A的中点，称为A的位置系数，反映了A的大小。 为A的半宽，称为A的柔性系数，反映了A表示信息的不确定程度。令 。

定义1[5]称为 的满意度。

引理[5] 在 满意度水平下， 可以转化为确定性约束

定义2[3]称为目标函数 的线性规划的目标区间的 水平解。

引用上述定义和引理，在给定目标区间的优化水平 及区间不等式约束的满意度 时，可以通过求解等价问题获得解决。

上述问题是常见的带参数的线性规划问题，容易获得解决。当 时，问题 的目标函数 ，以区间数中点，也即区间数的位置系数衡量目标大小，将模糊目标清晰化。

三、模型分析

下面给出一个数值算例对模型进行分析。资料主要取自参考文献[6],详见表1-3。

（一）关于投资决策中的流动性问题

如前所述，不考虑流动性约束时，模型 退化为文献[6]的情形，比较不考虑流动性的投资选择模型（表4）和考虑流动性的投资选择模型（表5、表6），可以得出如下一些结论：

1.给定证劵的预期收益率区间和风险损失率区间，是否考虑风险证劵的换手率，也即是流动性，对最优投资组合有显著影响，对最优目标函数值也有较大影响。如不考虑流动性约束，当 =0.7， =0.7时，最优投资组合為（0.3019 0 0 0 0.2981 0 0 0 0.4000），最优目标函数值为0.0147；考虑流动性约束，当 时，最优投资组合为(0 0.4000 0.0659 0 0 0.4000 0 0.0171 0.1170)，最优目标函数值为0.0100。

2.从表5和表6可以看出，在考虑流动性时，给定风险证劵的换手率区间，投资者不同的流动性接受水平对最有投资组合有显著影响，对最优目标函数值也有较大影响。如 =0.8， =0.8时，当 时，最有投资组合为(0 0.0003 0 0 0 0.4000 0 0.2111 0.3885)，最优目标函数值为0.0152；当 时，最有投资组合为(0 0.3690 0.2026 0 0 0.4000 0 0 0.0283)，最优目标函数值为0.0094。

（二）不同 水平对投资决策的影响

给定其它参数，可以看出，不同的 水平（ 水平越高，反映了投资者对预期收益率的乐观程度）不影响投资者的最有投资组合，仅只影响最优目标函数值的大小， 水平越高，最优目标函数值越大。

（三）不同 水平對投资决策的影响

不同的 水平反映了投资者对证劵风险（用标准差表述）和流动性（用换手率描述）约束的满意度。 越大，表示投资者对投资中选择的证劵的风险和流动性要求越高，对证劵投资的安全性要求越高，势必会影响投资组合选择和最优目标函数值。从表8可以看出，不同的 水平，对最有投资组合有显著影响。随着 的增加，当模型的解存在时，最优投资组合发生变化，最优目标函数值变小，投资者的预期收益变小。

四、结语

用区间数表示期望收益、风险和流动性的不确定性，论文建立了考虑流动性约束的区间数模糊投资组合模型，将模型转化为带参数的线性规划问题求解，深入剖析了流动性约束及其他模型参数对投资决策的影响，得出了一些很有意义的结论，对投资决策实践具有重要的指导意义。

参考文献：

[1] Markowitz H., Portfo lio selection.Journal of Finance.1952.7:77-91.

[2] Ishibuchi H,Tanaka H. Multiobjective programming in optimization of the interval objective function.European Journal of Operational Research, 1990,48:219-225.

[3]达庆利,刘新旺.区间数线性规划及其满意解.系统工程理论与实践.1999.4:3-7.

[4] Wang S Y,Zeng J H, zhu Lai K K. Portfolio selection models with transaction costs: crisp case and interval number case.Li D. Hong Kong:Proceedings of the 5th International Conference on Optimization Techniques and Applications,2001:943-950.

[5] Ida.M. Portfolio selection problem with interval coefficients.Applied mathematics letters.2003,16:709-713.

[6]陈国华,陈收,汪寿阳.区间数模糊投资组合模型.系统工程.2007.8:34-37.

[7]陈国华,廖小莲.基于区间规划的投资组合模型.辽宁工程技术大学学报(自然科学版).2010(10):835-838.

[8] Elton EJ,Gruber M J.,Estimating the dependence structure of share prices.Journal of Finance.1973,28:1203～1232.

[9] Elton E J,Gruber M J, Ur ich T J. Are Betas best?.J. Finance,1978,5:1375～1384.

模糊神经模型 第7篇

关键词：创新型企业,资本运营风险,指标体系,风险评价模型

一、引言

创新型企业是建设创新型国家的主体, 因此, 创新型企业持续健康发展对实现建设创新型国家这一目标尤为重要。通过大量整理阅读文献和调查访问发现, 对资本运营风险的评价很难找到具体的定量指标进行衡量, 大多是定性指标;再加之创新型企业自身的特点使其资本运营风险更加复杂化, 具有主观性较强和风险模糊性的特点。本文选择模糊BP神经网络法对资本运营风险的定性指标进行量化, 该方法的优势在于具有强大的自学能力和模糊数学定量化的能力。在对风险指标量化的基础上通过BP神经网络对给定训练样本的学习, 建立符合预期误差的创新型企业资本运营风险评价模型, 再用测试样本对其进行验证, 最终得出一个符合逻辑具有较强可信性的创新型企业资本运营风险评价模型。

二、创新型企业资本运营风险识别和评价

所谓创新型资本运营风险是指创新型企业在资本运营过程中, 客观上由于外部环境的不确定性, 主观上对环境的认知能力的有限性, 而使资本运营活动达不到预期目标或导致资本运营失败。创新型企业资本运营风险并不是指某一种具体特定的风险, 而是包含一系列具体的风险。因此, 对创新型企业资本运营风险评价时, 应充分考虑到指标选取的完整性原则, 同时应按照一定的标准对风险进行分类。

从不同侧面对风险指标进行分类, 可分为客观风险指标、系统性风险指标和特质风险指标 (或称非系统风险) 。客观风险是外部环境不确定性、资本运营活动复杂性和企业自身客观环境引起的风险;系统性风险是所有从事该项资本运营活动的企业都会存在的风险, 具有普遍性, 主要包括市场风险、管理风险、自然风险、政策及经济风险;而特质风险, 是专门对创新型企业而言的, 根据创新型企业的特征识别出来的创新型企业特有的资本运营风险, 主要有创新风险、技术风险和时滞风险。本文在3大类一级风险指标下设9类二级风险指标, 又通过调查走访, 通过与创新型企业资本运营项目负责人沟通和参考创新型企业研究领域权威专家的意见, 识别出创新型企业资本运营成败的主要影响指标, 并总结出29个三级风险指标用于以下模型的建立, 创新型企业资本运营风险评价指标体系框架 (见下页图1) 。

三、建立创新型企业BP神经网络资本运营风险评价模型

(一) 模糊BP神经网络的特点

模糊神经网络理论在近些年逐渐发展成熟, 它结合了神经网络的自主学习的优点, 与模糊逻辑的不确定性问题处理能力, 使得其在商业及经济估算、专家系统、语音处理、优化问题等领域得到了很好的应用。

因此本文采用模糊BP神经网络对创新型企业资本运营风险进行评价。构建一个包含输入层、模糊化层、模糊推理层和输出层四个层次的模糊神经网络, 输入层的每一个节点是一个风险指标, 其作为输入层的输入变量;模糊化层将输入变量进行模糊化;模糊推理层又叫隐含层, 该层可以实现神经网络由输入层到输出层的映射;输出层是神经网络模糊评价的结果, 反复训练以期达到输出值与训练信号之间的误差在预期误差允许范围内。如图2所示。

(二) 数据集

本文数据来源于《2012年中国创新型企业发展报告》中认定的三批黑龙江省国家级创新型企业7家 (其中第一批2家、第二批2家、第三批3家) , 及选取黑龙江省2012、2013年国家级创新型 (试点) 企业分别为3家和7家, 共计黑龙江省17家创新型及创新型 (试点) 企业, 涉及到25个资本运营的创新型项目的研究调查。按照《国民经济行业分类与代码》的两位数分类, 17家企业中医药制造业有6家, 占比35.29%;电气机械及器材制造业3家, 占比17.65%;还包括通信设备制造业、电信和其他信息传输服务业、金属冶炼工业、软件业等多个行业, 数据选取具有代表性。

围绕前述的29个资本运营风险指标, 根据风险程度的5个等级 (低、较低、中等、较高、高) 设计了针对25个创新项目评价的调查问卷, 进行为期2个月的创新型学者专家走访、黑龙江省内创新型企业调查。面向黑龙江省创新型企业以电子邮件、实地考察、现场发放问卷的形式进行调查问卷的发放工作;收集到32份调查问卷, 对收回来的问卷进行筛选, 有4份不合格问卷, 最后形成28份有效问卷, 涉及到黑龙江省17家创新型及试点企业25个创新型项目。

对27份有效的调查问卷进行整理, 将25个创新项目分别标号为项目1、项目2、……、项目25, 随机抽取2个项目 (项目7和项目13) 作为测试样本, 其余的23个项目作为训练样本。同时对调查问卷中的风险等级分别赋以模糊分值, 赋值情况见表1。

资本运营风险评价指标风险等级

将23个训练样本29个风险指标组成23×29阶矩阵作为模糊BP神经网络的输入数据。

(三) 样本模糊处理

对于模糊化层, 本文使用高斯函数作为研究的隶属函数, 其公式为netk1=- (Xi-mi) 2/σ2ij, xk1=f1 (netk1) =exp (netk1) (i=1, 2, …, n;j=1, 2, …, F;k=1, 2, n×F) , 其中, mij、σij是第i个输入变量第j个隶属高斯函数的均值和标准差。

使用SPSS软件中的分层聚类法对27份问卷中的29个风险指标进行聚类分析, 分成低、较低、中等、较高、高5类, 再计算出隶属函数的均值和标准差。分层聚类法演绎确定时, 输入变量风险指标yi的问卷评分在某个等级上的所有样本的均值即为mij, 而 (其中, n是风险指标均值mij属于某等级样本数量, Xj是属于该等级的各样本的指标值) 。分层聚类结果见下页表2。

由表2可以看出风险指标Xi分别属于不同风险等级的情况, 低风险指标有3个, 较低风险指标有5个, 中等风险指标有8个, 较高风险指标有7个, 高风险指标有6个。从中我们也可以发现, 创新型企业不同于其他企业, 其资本运营风险的高风险指标主要在其特质风险中体现。根据不同指标的风险等级, 利用专家经验建立模糊规则, 将输入指标映射成5个中间变量, 作为BP神经网络的输入。最终确立了如图3所示的模糊处理单元。

(四) BP神经网络训练

将经过模糊化处理的数据集23×145阶矩阵作为输入数据, 进行模糊BP神经网络的学习和训练。根据实际的不断学习情况, 确定模糊推理层的节点个数和层数, 并适当选择映射函数, 最终实现输入到输出的映射。输出层为1个节点, 直接输出风险值, 可以根据输出值与5个风险等级数值进行比较 (即0.1、0.3、0.5、0.7、0.9) , 最终得到被评估项目的风险系数。

应用Matlab软件对模糊化后的23个训练样本进行BP神经网络的学习和训练, 学习率为0.1, 精度为0.001, 最大训练步数为3 000, 通过反复的学习训练, 发现当BP网络模糊推理层节点 (神经元) 为50, 训练1 442次后, 均方误差达到了精度0.001的要求, 学习效果比较成功。学习收敛图如图4。

(五) 模型检验

将预先抽出的用于模型检验的2个测试样本按风险指标分值输入已经建立好的神经网络模型, 得出测试样本的测试结果见表3。

各类风险中含有风险指标情况

从表3的测试结果比较中可以看出, 模糊BP神经网络输出值与专家给出的预期实际值非常接近。充分说明了建立的模糊BP神经网络资本运营风险评价模型有效性和实用性较强, 性能较好。

创新型企业资本运营风险模糊BP神经网络评价模型, 已经通过反复的学习训练建立并测试完成, 该模型可以作为评价创新型企业资本运营风险的客观的、有效的工具。

四、模型应用及结论

对黑龙江省一家创新型企业的一个创新型项目进行资本运营风险考察 (高效中药精炼) 。根据前文建立的创新型企业资本运营风险模糊BP神经网络模型, 相关专家和公司风险部门主管按照上述各个风险指标分别给出对风险等级的主观衡量, 即各指标属于低、较低、中等、较高、高风险的主观判断, 再对风险等级分别赋值以便代入模型。专家和公司主管商榷后得到的风险指标的风险程度赋值如表4及续表。

运用上面已经建立好的模糊BP神经网络模型, 对该创新型企业的高效中药精炼项目的资本运营风险进行风险指标输入;该创新型企业创新项目的网络输出值为0.5063, 与专家和公司风险部门主管对该项目商讨后的评估结果 (0.5) 非常接近, 资本运营风险评价模型的输出值与专家评估的结论一致, 即该创新型企业高效中药精炼创新项目资本运营风险为中等水平。由此即可判断该创新项目资本运营风险可以接受。

由此可见基于模糊BP神经网络的创新型企业资本运营风险评价方法是准确可行的, 而且由于具有神经网络的自主学习的优点和模糊逻辑的不确定性问题处理能力, 该方法能够大大降低对于专家的依赖以及数据处理的难度。对于风险指标较多的创新型企业风险评估来说具有非常高的实用价值。而且从对创新型企业的风险指标的调研结果中可以发现, 创新型企业作为我国企业创新发展的新起点, 它自身的特点很大程度地影响了其资本运营风险。

参考文献

[1].周寄中, 卢涛, 汤超颖.中国创新型企业的指标体系设计、评估与案例[J].中国软科学, 2013, (1) :115-124.

[2] .张林.创新型企业绩效评价研究[D].武汉:武汉理工大学博士学位论文, 2012.

[3] .蒋玉涛, 李纪珍, 曾路.创新型企业成长政策研究[J].科技管理研究, 2013, (13) :29-37.

[4] .王慧, 蔡春凤, 李印海.基于FNN的高新技术企业创新项目风险评价研究[J].科技管理研究, 2010, (22) :225-228.

[5] .吴鸣飞.我国国有企业资本运营风险及评价体系研究[J], 企业导报, 2013, (2) .

模糊神经模型 第8篇

在全球经济一体化进程不断发展的今天,港口在国际贸易和运输系统中的战略地位不断加强。而物流量的预测是港口发展战略研究的重要内容。准确地预测港口吞吐量的增长趋势不仅有利于我们合理规划建设物流基础设施,进行有效的需求管理,而且对港口地区乃至国家经济的持续稳定发展具有重要意义。

目前对于物流量预测的方法有很多种,文献[1]采用灰色系统理论对港口吞吐量进行预测,虽然灰色模型具有预测精度较高、预测所需原始信息少等优点,但由于增长量高速发展,相邻年份间物流量的净差值显著增大,其误差将迅速增加;文献[2]运用线型回归模型进行分析,但此模型要求有大量数据,数据少变难以找到统计规律,并且要求各因素数据(社会经济指标)与系统特征数据(物流需求量)之间呈现线型关系,难以满足;文献[3]应用传统的BP神经网络模型对物流需求量进行预测,但它的收敛速度慢而且可能陷入局部最优,对于有复杂因素限制的港口物流量的预测显然不足。

影响港口物流量的因素很多,其中包括港口地理与环境条件、港口基础设施条件、国家政策走向和国际经济形式、以及航运市场状况等,这些因素的不确定性给港口物流量的定量预测带来了很大困难。本文结合遗传算法直接以适应度作为搜索信息,无需导数等其他辅助信息、使用多个点的搜索信息,具有隐含并行性、使用概率搜索技术等优点,采用基于GA-BP算法的模糊神经网络模型对这一受多种不确定因素影响的预测问题进行研究。本文选择国内某港口18年内的吞吐量为建模数据,用这种改进模型对此港口物流的发展进行了预测研究。

1 模糊神经网络模型

人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息系统,是由多个非常简单的处理单元彼此按某种方式互相连接而形成的计算系统,该系统是靠其状态对外部信息的动态响应来处理信息的。目前人工网络模型已有上百种,模糊神经网络是一种新型的神经网络,它是在网络中引入模糊算法或者模糊权系数的神经网络。

1.1 模糊神经网络的基本原理

模糊神经网络模型是通过神经网络实现的模糊逻辑系统结构， 它具有模糊逻辑推理功能， 同时网络的权值也具有明确的模糊逻辑意义， 从而达到以神经网络及模糊逻辑各自的优点弥补对方不足的目的。 模糊神经网络的特点在于把模糊逻辑方法和神经网络方法结合在一起， 即以神经网络为框架的一种模糊推理系统。 假设系统有 n 个输入 xi(i,=1,2,…,n,)输出为 y （ 多输入-单输出的模糊神经网络）。 构造 5 层模糊神经网络的网络模型如图 1 所示。

1.2 模糊神经网络的基本结构

第一层为输入层,该层共有n个节点直接与输入向量X相连,每个节点代表一个输入变量,Ii1=Oi1=xi,将输入值X=,x1,…,xn,传送到下一层。

第二层为模糊化层,若每个输入变量均定义有 m 个模糊集合， 则此层共有 n×m 个节点， 分为 n 组。 第 i 组的 m 个节点输入都是 xi， 其输出分别是各输入量属于输出值模糊集合的隶属度函数 μij(xi)， μij(xi), ,代表 xi的第 j 个模糊集合。 相应的隶属度函数为：

其中1≤i≤n;1≤j≤m,cij和σi分别表示隶属函数的中心值和宽度。调整该层的权值和阈值,也就意味着调整高斯函数的中心值和宽度,从而得到不同位置和形状的隶属函数。

第三层为规则层,其每个节点代表一个模糊规则,其作用是匹配模糊规则的前件,计算每条规则部分的组合配合,实现各输入模糊值的“乘”运算,即

第四层为去模糊层， 该层的作用是实现归一化计算， 即

第五层为输出层,清晰化计算,采用加权平均法,即

可调参数wk为连接该层的权值。

在这个模糊神经网络中,可调参数有第5层的连接权值wk即规则参数与第2层的权值cij和阈值σij,即高斯型隶属函数的中心值和宽度。

2 模型算法设计

2.1 GA-BP算法的原理

标准BP学习算法简洁实用,是目前神经网络训练中最常见的学习算法之一,但它的收敛速度慢而且可能陷入局部最优。GA算法提供了一种求解复杂系统优化问题的通用框架,采用多点并行操作机制寻找全局最优解,收敛速度快,能有效克服BP算法的缺陷。因此本文拟用GA算法改进BP学习算法。

GA-BP其主要优点如下:

(1)GA从许多初始点开始并行搜索,从而使搜索效率高,而且可以有效防治搜索过程收敛于局部最优解,而求得全局最优解。

(2)GA通过目标函数计算适应度,从而对问题的依赖性较小。

(3)GA基本属于随机寻优过程。

GA-BP算法的具体过程为:

第一步初始化群体P(包括交叉规模、交叉概率Pc、变异概率Pm),给出训练参数;对每一个输入向量做规格化处理,随机产生N组在0,1取值的初始网络权值。

第二步计算每个个体的评价函数,若达到预定值则转第四步,否则将评价函数排序,按下式的概率值选择网络个体。

其中:Fi为个体i的适应值,可用误差平方和计算误差E来衡量。

第三步按指定的概率进行交叉和变异操作,(即利用交叉概率Pc对个体Gi和个体Gi+1进行交叉操作;利用突变概率Pm对个体Gj进行变异操作)产生新个体,淘汰父辈个体并转至第二步。

第四步选取群体中适应值最好的字符串,解码得神经网络优化的参数。

第五步采样得到权值、阈值,计算误差E,若满足条件则计算模糊神经网络的输出Y;否则转至第六步。

第六步用BP算法实时学习网络参数,在线调整wk、cij和σij返回第五步。

2.2 GA-BP算法的参数优化

利用GA-BP算法对2.1中模糊神经网络的模型结构进行参数优化,在GA中,交叉概率Pc和变异概率Pm的大小对算法的性能影响较大。一般选取范围Pc为0.4~0.9,Pm为0.01~0.1。这样群体在即将寻到最优值时,不会因变量变异而破坏此进程。交叉概率Pc和变异概率Pm的表达式为:

式中,fmax、f分别为群体中的最大适合度和平均适合度。fmax-f体现了群体的收敛程度,K1和K2均为小于1.0的常数。

遗传操作完成之后,按适值选取最后一代群体中N个可能具有全局性的进化解,分别以这些解为初始权值,用BP神经网络进行求解,比较N个由神经网络求的最优解,从而获得全局最优解。其学习的目标函数为:

式中,yi表示希望输出值,表示输出值。

3 算例分析

本文以某港口全港货物吞吐量作为样本,假设某港口吞吐量时间序列为:

一般来说人们的目标是根据X预测因此,时间序列可转换为:

式中,从而将预测目标转换为通过Y预测并采用最小、最大规范化方法对时间序列Y进行归一化处理即:

其中,X,Y分别为转换前、后的值,Vmax、Vmin分别为样本的最大值和最小值。

单位:万吨

4 仿真试验

为了验证GA-BP算法的有效性,利用Matlab软件,通过输入样本数据分别对网络进行训练与仿真,图2为经过标准BP神经网络模型训练输出的误差曲线;图3为通过本文的设计的应用GA-BP学习算法的模糊神经网络训练输出的误差曲线。通过两个图的比较,我们不难看出,本文所构造的GA-BP算法经过115次的训练,预测的误差就可以趋近于10-2。

5 结论

通过以上分析,应用GA-BP学习算法的模糊神经网络模型与标准BP神经网络算法相比,具有平均相对误差较小,预测精度高等优点,在对港口物流量预测中取得了较好的效果,即应用GA—BP学习算法的模糊神经网络模型能适合于实际的港口物流量的预测。

摘要：以国内某港口为例,通过应用遗传算法改进的BP学习算法(GA-BP)的模糊神经网络模型,对港口物流量进行预测。最后,利用Matlab软件对样本数据进行训练和测试,仿真结果表明所构造的改进模型预测误差非常小。

关键词：港口物流量,预测,遗传算法,模糊神经网络

参考文献

[1]王再明,王宏波.灰色系统理论在港口吞吐量预测中的应用[J].武汉理工大学学报:交通科学与工程版,2005,29(3):456-459.

[2]黄顺泉.关于港口吞吐量预测方法选择的探讨[J].集装箱化,2003(7):17-18.

[3]贾星辰,王铁宁,裴帅.基于BP神经网络的物流需求量预测模型研究[J].物流科技,2005,29(128):3-5.

[4]殷峻暹,陈守煜,邱菊.基于遗传与BP混合算法神经网络预测模型及应用[J].大连理工大学学报,2002,42(5):594-597.

[5]唐琮沅,吴桂先.基于改进型BP神经网络模型的机场物流吞吐量预测研究[J].物流技术,2006(8):35-37.

[6]丛爽.神经网络、模糊系统及其在运动控制中的应用[M].合肥:中国科学技术大学出版社,2001.

基于模糊神经网络的交通信号控制 第9篇

交通运输在我们日常生活中扮演越来越重要的角色, 然而交通拥堵越来越严重, 出行难已经成为困扰人类社会的重要问题。近年来采用综合信息技术、控制技术等高新技术的智能交通系统 (ITS) 大大提高了交通的运行效率。智能交通的信号灯控制系统又是ITS最重要的一个组成部分, 所以解决好信号灯的智能控制问题, 是非常必要的。

红绿灯设在十字路口或在多干道的岔口上, 是为了调整岔口的交通秩序, 由于不同时刻的车辆流通状况是复杂多变、高度非线性、随机的, 还经常受人为因素的影响, 非常难于获取精确的十字路口交通动态数学模型。交警的判断决策过程也难用简单的程序实现, 用传统的常规闭环控制红绿灯达到最佳状态是非常困难的, 因为传统的诸多控制方法都是建立在精确数学模型的基础上来实现的;而模糊控制正是建立在模糊概念上模仿人脑决策的控制理论, 其鲁棒性强, 尤其适用于非线性、时变、滞后的控制。所以采用模糊神经网络控制可以把模糊控制和神经网络两种技术的优点结合起来, 既可以利用专家的经验知识, 又具有学习逐步优化功能, 特别适用于实时多变的交通状况, 其控制效果优于一般智能控制方案。

1 模糊神经网络技术

模糊控制模拟人的思维, 无需精确的数学模型, 对时变、不确定等非线性系统同样具有良好的控制效果和鲁棒性, 模糊控制基本结构有四部分组成, 如图1所示。

1.1 模糊化

模糊化部分的作用是将输入的精确量转化为模糊量, 为完成输入模糊化, 必须知道输入量对模糊集的隶属函数、语言变量的论域、模糊集的个数等。

首先, 要对输入量进行处理得到模糊控制所要求的输入, 如计算偏差e和偏差的导数c。

然后, 将处理得到的精确输入量e和c进行尺度变换, 一般是乘上尺度变换因子ke、kc, 使其变换到各自的论域范围, 为处理上方便将输入的论域取为[-6, 6]。

最后, 将已变换到论域的精确输入进行模糊处理, 精确量转化为模糊量, 即将E和C视为论域[-6, 6]上的语言变量, 其模糊集为{PL, PM, PS, ZE, NS, NM, NL}, 含义为PL (正大) 、PM (正中) 、PS (正小) 、ZE (零) 、NS (负小) 、NM (负中) 、NL (负大) , 隶属函数形状可根据实际而定, 一般可取三角形、梯形或正态分布等, 在此取正态分布型, 隶属度函数表如表1所示。

1.2 模糊决策

模糊决策为模糊控制的核心, 具有模拟人的基于模糊概括推理能力, 该推理过程是基于模糊规则进行的, 模糊控制系统品质与模糊规则关系很大, 双输入单输出的模糊控制器的模糊规则一般采取如下形式:If E is A1, C is A2 Then U is B。

1.3 清晰化

通过模糊决策得到模糊量输出, 将之用于实际系统, 需要进行逆模糊处理。清晰化主要功能是将模糊推理得到的控制量 (模糊量) 变换成用于控制的精确量, 它包含两方面内容:

(1) 将模糊的控制量经过逆模糊化变换成在论域范围内的精确量;

(2) 将表示在论域范围的精确量经过尺度变换成实际的控制量。

常见的逆模糊化方法有最大隶属度法、加权平均法、取中位法等。

1.4 知识库

知识库包含具体应用领域中的知识和要求的控制目标, 通常由数据库和模糊控制规则库两部分组成:

(1) 数据库主要包括各语言变量的隶属函数, 尺度变换因子和模糊空间分级数等;

(2) 规则库包括用模糊语言变量表示的一系列控制规则, 反映了控制专家的经验和知识。

神经网络具有学习功能, 我们将模糊控制和神经网络结合起来, 利用两者的优点, 设计了一种基于神经网络的自适应模糊控制器[1], 不失一般性, 对常规双输入单输出模糊控制器, 可以用一个神经网络来构造模糊控制模型, 如图2所示。

其中x1=yd (t) -y (t) 为系统误差, x2为误差变化率, u*为控制量输出。网络的 (1) ~ (2) 层对应于模糊控制的模糊化部分, 亦即模糊规则的if部分, 其中 (2) 层每个神经元对应一个模糊集, 即需要7个节点, (3) 层对应模糊推理部分, (4) 层对应于模糊控制的清晰化部分, 整个网络的输入输出映射关系如下:

(1) 层节点输出:O1k=xk (k=1, 2) 。

其中, xk表示网络输入, Wjk, Wij, Wpi分别表示各层的连接权值, 激活函数为双极性函数f (x) =tanh (x) 。

2 基于模糊神经网络的交通信号控制

2.1 经典的单交叉口信号控制

图3给出了一个被广泛采用的经典单交叉口信号控制的模块图[2,3]。

此控制系统考虑的是二相控制, 是两输入单输出:输入为绿灯车队Qg (取两个方向上较大者) 、红灯车队Qr (取两个方向上较大者) ;输出量为绿灯的延长时间Δt。为了采集车流数据, 在十字路口4个方向共装8个传感器 (前后2个传感器相距150 m) 。

平均车长约5 m, 所以定义车辆队列数Q的论域为[0, 30], 分为3个模糊子集:少、中、多, 其隶属度函数如图4所示。

绿灯延时Δt论域为[0, 40], 分为3个模糊子集:短、中、长, 其隶属度函数如图5所示。

在没有任何数据资料的情况下, 只能根据经验设计其模糊规则, 其结构如表2所示。

2.2 改进的单交叉口信号控制

针对2.1方法中的不足做出相应的改进:采集车流数据与2.1方法一样, 车辆队列数Q取2个相对方向上车队数的平均数, 车辆队列数Q的论域仍为[0, 30], 为了提高精度分为5个模糊子集:微、少、中、多、巨, 但红绿灯的隶属度函数不同, 因为给绿灯的优先权相对比较大, 隶属度函数分别如图6和图7所示[4]。

为了进一步提高控制精度, 绿灯延时取定值Δt=10 s, 模糊控制器输出是一个确定值1或0 (1表示绿灯延时Δt=10 s, 0表示不延时) , 这样就可以在绿灯期间以10 s为一个周期检测红绿灯方向的车流情况, 选择交通情况最紧急的相位为下一个优先放行的候选绿灯相位, 并实时控制红绿灯的切换, 最大程度上利用时间。根据经验得出的控制规则如表3所示。

按照固定相序可能给没有排队车辆的相位予最小绿灯时间, 造成时间浪费, 因此增加一个相位控制器, 它检测红灯方向的车辆, 并作为自己的输入, 改进的交通模糊控制系统见图8。在绿灯最大时间到来的时刻, 若检测到的红灯方向车辆数仍为0, 则开始下一个绿灯周期, 即把绿灯时间计时器Tg=Tg, min。这样就不会因为绿灯的最大时间的到来, 而强行给没有车辆的红灯方向于通行权, 可以避免时间浪费和交通拥堵, 从而大大提高效率。

具体算法如下:

Step1:根据实际情况和经验分别指定各相位的最短绿灯时间Tg, min、最大绿灯时间Tg, max和黄灯时间Ty, 从而确定最小信号周期Tmin和最大信号周期Tmax;

Step2:给获得通行权的相位以该相位的最短绿灯时间Tg=Tg, min;

Step3:根据Tg秒内测得的车道上的车辆信息, 计算放行相位在Tg秒内的绿灯车辆数Qg及红灯相位的车辆数Qr, 模糊控制器根据模糊规则控制交通信号的切换;

Step4:相位控制器根据红灯相位的车辆数Qr, 相位优化器从中选择下一个候选绿灯相位, 它以当前红灯相位的车辆数Qr作为输入。若最大绿灯时间Tg, max到来时红灯相位的车辆数Qr=0, 则继续给当前绿灯方向于通行权, 返回Step2。

2.3 多交叉口信号控制

多交叉口信号协调配时控制与孤立交叉口的信号配时控制相比, 存在着以下特点:被控对象和控制目标进一步复杂化、干扰因素增多、不能仅仅依靠本地信息决定、并不是局部最优之和等于全局最优、需要在各个局部路口最优配时方案之间进行折中 (Tradeoff) , 即寻求平衡点 (多目标优化问题中常出现的现象) [5]。

在2.2方法的基础上, 以四相控制为例, 与下一个交叉口进行协调, 则应检测下一个交叉口的车辆排队数, 与当前绿灯车辆队列Qg同一方向的车辆队列数设为Qng;与当前红灯车辆队列Qr同一方向的车辆队列数设为Qnr, 车辆队列数的论域仍为[0, 30], 分为5个模糊子集:微、少、中、多、巨, 红绿灯的隶属度函数见图6和图7, 增加两个辅助模糊控制器, 一个输入为Qg和Qng, 输出为Qg';另一个输入为Qr和Qnr, 输出为Qr'。如果下一个与当前绿灯同一方向交叉口的车辆排队数Qng比较大的时候, 就把当前绿灯的车辆排队数Qg降低, 相当于降低当前绿灯方向上的通行权, 不至于加剧下一交叉口的车流量, 达到局部优化的目的;红灯方向上的控制方法类似, 从而得到改进的多路口模糊控制系统, 见图9;辅助模糊控制器的控制规则见表4、表5。

具体算法如下:

Step1:把辅助控制器的输出Qr'和Qg'作为模糊控制器的红绿灯车辆排队数输入, 即替换原来的Qr和Qg;

Step2:根据实际情况和经验分别指定各相位的最短绿灯时间Tg, min、最大绿灯时间Tg, max和黄灯时间Ty, 从而确定最小信号周期Tmin和最大信号周期Tmax;

Step3:给获得通行权的相位以该相位的最短绿灯时间Tg=Tg, min;

Step4:根据Tg秒内测得的车道上的车辆信息, 计算放行相位在Tg秒内的绿灯车辆数Qg'及红灯相位的车辆数Qr', 模糊控制器根据模糊规则控制交通信号的切换;

Step5:相位控制器根据红灯相位的车辆数Qr', 相位优化器从中选择下一个候选绿灯相位, 它以辅助控制器输出的红灯相位车辆数Qr'作为输入。若最大绿灯时间Tg, max到来时红灯相位的车辆数Qr'=0, 则继续给当前绿灯方向于通行权, 返回Step3。

3 方法分析

假设有一个交叉路口, 路口间距150 m, 按前面的方法安装相距150 m的车检测器测得两路口间的车辆数, 车辆数Q为相对方向车辆数的平均数, 再假设平均车长5m, 平均车速5 m/s, 不失一般性, 且入口处平均每5 s到达一辆车, 交叉口绿灯时平均每2 s排一辆车, 车过交叉口的时间与信号相位差抵消。Q[]表示东西方向的车辆数;Q[↓]表示南北方向的车辆数;G为[]表示绿灯方向为东西方向;G为[↓]表示绿灯方向为南北方向, 如图10所示。

在路口1对方法2.2的分析见表6, Δt=10s, 记录240 s内的交通流量情况。

从上表可以得出:最大车队长16辆, 南北车流72辆, 东西车流82辆。

在路口1对方法2.1的分析见表7, 记录240 s内的交通流量情况。

从上表可以得出:最大车队长18辆, 南北车流82辆, 东西车流62辆。

还可以进一步得出方法2.1和2.2的效果曲线图, 见图11和图12。

对比2.1和2.2的分析结果, 后者最大车队数小于前者, 而车流辆数大于前者。表明方法2.2优于2.1, 如果再考虑车辆到达呈正态分布和左右转车流的话, 分析表明后者优势更加明显。

在多路口中, 用类似的分析方法对2.3方法进行分析, 分析结果表明:2.3方法可以增大多路口整体的车流辆, 虽然可能使局部路口的车队变长, 但整体效果变得更优一些。

4 结语

主要介绍了神经网络来实现模糊控制, 分析了运用模糊控制技术来实现智能交通灯的经典模糊控制, 并在此基础上提出一些自己的改进单交叉路口交通控制方法;最后提出一个简单的相邻路口的协调控制方案, 可以使整体交通状况得到改善。

对于当前提出的多交叉路口的交通控制方法, 还有许多研究工作要做, 例如辅助控制器的算法还可以进一步完善, 或者可以同时考虑相邻几个路口的车流量, 使得根据当前路口和相邻几个路口的车辆数更好的协调交通控制信号, 进一步提高整体交通控制效率。

参考文献

[1]李翔.从复杂到有序——神经网络智能控制理论新进展[M].上海:上海交通大学出版社, 2005:1-23.

[2]罗俊.基于前置信号的单交叉多相位模糊控制[J].交通标准化, 2007 (7) :144-148.

[3]曹洁, 苏玉萍, 吴国龙, 王芬.城市交通信号灯两级模糊控制及仿真研究[J].交通与计算机, 2007 (2) :42-46.

[4]刘智勇.智能交通控制理论及其运用[M].北京:科学出版社, 2000:6-55;127-222.

模糊神经模型 第10篇

随着我国市场经济的迅速发展, 水对人民生活与工业生产的影响日益加强, 与此同时用户对供水系统可靠性和供水质量的要求也越来越高;另外, 资源的紧缺和人们环保意识的增加, 如何把先进的自动化技术、控制技术、通讯及网络技术等应用到供水领域, 成为对供水系统的新要求, 因此无论是在性能方面考虑还是在节能方面考虑, 供水系统都需要巨大的变革。

1 传统控制策略

由于变频调速恒压供水系统具有典型的大延迟性、非线性, 而且城市用水具有季节性、时间性、水压扰动量大等特点。因此, 虽然统治工业控制领域多年的传统PID控制有很多优点并且长期应用于供水系统, 但是其固定参数模式致使其不适宜应用于恒压供水系统。由于PID控制拥有很多较好的优点, 诸如:原理简单, 使用方便, 适应强, 鲁棒性强等优点。因此在工业控制中人们往往还是会想到PID控制。根据被控对象的不同制定合适的KP、KI、KD参数, 可以获得满意的控制效果。然而, PID控制并非尽如人意, 因为PID控制适合系统模型非时变的情况。对于一个时变系统, 由于PID的参数不会随系统变化而动态的调整KP、KI、KD参数, 这样会使控制作用变差, 甚至造成系统不稳定。

与传统PID控制相比, 模糊控制具有很多优点。模糊控制是建立在模糊数学基础上的一种智能控制技术, 可以达到传统控制策略无法达到的效果。模糊控制能较好得跟随系统状态的变化动态调整自身控制参数, 不需要建立精确的控制对象模型, 因而在实际上的应用越来越广泛。

但是作为一门较为新型的控制科学, 还没有系统的方法来指导设计参数精良的模糊控制器。模糊控制器控制规则的确定以及其可调节性是对其控制效果影响最大的一方面。尤其是控制规则的合理制定是模糊控制中的重要部分。目前存在的主要问题是在建立模糊控制规则时要考虑若干参数的选择是否合适, 恰当的选择参数是非常重要的。如在供水系统的水压控制中, 系统误差和误差变化率的动态范围需要反复多次整定以满足控制需要。

尽管模糊推理系统的设计 (隶属度函数及模糊规则的建立) 不主要依靠对象的模型, 但是它却相当依靠专家或操作人员的经验和知识。若缺乏这样的经验和知识, 则很难期望它能够得到满意的控制效果。神经网络的出现很好的弥补了这一缺陷。神经网络系统的一大特点就是其自学习功能, 将这种自学习的方法应用于对模糊特征的分析与建模上, 产生了自适应的神经网络技术。这种自适应的神经网络技术对于模糊系统的模型建立是非常有效的工具。而自适应神经模糊系统就是基于数据的建模方法, 该系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的, 而不是基于经验或直觉任意给定的, 这对于那些特性还不被人们所完全了解或者特性非常复杂的系统尤为重要。

神经网络可以与模糊控制相结合组成神经网络模糊控制, 两者各有所长, 神经网络能够通过给定的经验集学习并生成映射规则, 但其规则不可见;模糊控制制定的规则虽然可见, 但是其自学习能力欠缺, 导致其规则的动态调整不足。因此有必要将上述两点结合。

2 新型控制策略

由于供水系统的非线性、大惯性及纯滞后性等特点, 很显然单纯依靠PID、模糊控制和神经网络控制都不能实现很好的控制效果。因此可以考虑应用一种综合的控制策略以实现对供水系统的良好控制。基于此本文提出了一种新型控制策略神经模糊PID控制算法, 该算法可以综合以上各算法的优点, 它不仅具有神经网络控制的自学习自组织能力, 还具有模糊控制的鲁棒性强、适应性强的优点, 另外还拥有PID控制的实现简单方便等优点, 优于以往的算法。

如图显示了神经网络模糊PID控制器的结构框图, 该控制器是由三部分组成:

(1) 神经网络控制器:控制模糊规则的动态调整, 通过神经网络的自学习, 使模糊规则的生成转变为加权系数的确定和调节。根据供水系统的运行状态, 调节PID控制器参数, 使供水系统最终达到最优控制。

(2) 模糊控制器:对系统的输入输出变量进行模糊化和归一化运算。这些运算的意义是鉴于模糊控制的强鲁棒性和非线性控制作用, 对输入到神经网络的模糊规则进行预处理, 避免了神经网络采用sigmoid激活函数时, 由于输入过大而导致输出饱和。

(3) 传统PID控制器:直接对供水系统的控制过程进行闭环控制, 并且三个参数KP、KI、KD实行在线调节, 使控制作用时刻跟踪系统的变化。

以上过程简要说来就是使输出层神经元的输出状态与PID控制器的KP、KI、KD参数相对应, 这样可以通过神经网络的自学习能力实现加权系数调整, 进而使其稳定状态与PID的最优控制相对应, 最终利用PID控制器的输出u来实现对供水系统的水压的控制。

参考文献

[1]刘萍丽.交流变频恒压供水控制器的设计.大连海事大学硕士学位论文.2005.

基于模糊神经网络的风速预测研究 第11篇

风电机组以风作为原动力,风速决定了风电机组的动态特性和工作状况。风速的波动性和不确定性导致风力发电量随机变化,而风速是影响风产能最直接最根本的因素,因此很有必要对风速进行预测,进而为电网调度提供依据[1,2,3,4,5,6,7,8]。

模糊系统和人工神经网络都是无模型、非线性的动力学系统。模糊系统具有处理模糊语言信息的能力,可以仿真人的智慧进行判断和决策,但它不具有自学习能力;人工神经网络具有良好的自学习和自适应能力[9,10,11],但不能表达人脑的推理功能,容易陷入局部极小值,且收敛速度比较慢。模糊神经网络是将人工神经网络和模糊控制的优势进行有机结合。文献[12]利用ARMA模型对风电场风速短期进行预测,该方法的预测误差较大;文献[13]结合时间序列法和神经网络法对风速预测进行了探讨;文献[14]结合小波函数和神经网络法对风速进行预测,该方法具有较高的精度。但是以上方法都没有考虑气温、湿度等环境因素。本文提出利用模糊神经网络风速预测模型,将气温、气压、空气湿度和风向等环境因素引入模型对风速进行预测,仿真结果表明利用该方法提高风速预测的精度是可行的。

2 T-S模糊模型

T-S模糊模型是日本学者Takagi和Sugeno于1985年首先提出来的,它采用系统状态变量或者属于变量的函数作为IF-THEN模糊规则的后件,不仅可以用来描述模糊控制器,也可以描述被控对象的动态模型。T-S模糊系统是一种自适应能力很强的模糊系统,该系统不仅能自动更新,而且能不断修正模糊子集的隶属函数。T-S模糊系统用IF-THEN规则的形式来定义,在规则为Ri的情况下,模糊推理如下:

其中,Aji(j=1,2,,k)为模糊系统的模糊集;pji(j=1,2,,k)为模糊系统的参数;yi为根据模糊规则得到的输出,输入部分(即IF部分)是模糊的,输出部分(即THEN部分)是确定的,该模糊推理表示输出为输入的线性组合。

假设对于输入量x=[x1,x2,,xk],首先根据模糊规则计算各输出变量xj的隶属度。

式中:cji、bji分别为隶属度函数的中心和宽度;k为输入参数的数目,n为模糊子集的数目。

将各隶属度函数进行模糊计算,采用模糊算子为连乘算子。

根据模糊计算结果计算模糊模型的输出值yi。

将T-S模糊系统模型应用到神经网络系统来构建具有更强的自适应学习能力的模糊神经网络系统是非常可取的,它具有模糊逻辑易于表达人类知识和神经网络分布式信息存储以及学习能力的优势,为像风速预测这样的复杂系统的建模提供了有效的工具[15,16]。

3 模糊神经网络风速预测建模

T-S模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层四层。输入层于输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属度函数式(1)对输入值进行模糊化得到模糊隶属度值μ,模糊规则计算层采用模糊连乘公式(2)计算得到。输出层采用公式(3)计算模糊神经网络的输出。

在风速预测中模糊神经网络在本质上就是将常规神经网络赋予模糊输入信号和模糊权值。因此,模糊神经网络和一般神经网络是相似的,本文中采用前向型模糊神经网络,该网络由输入层、模糊化层、模糊推理层和去模糊化层四层网络构成。其中输入层包括风速v、温度T、气压P、空气湿度Rh和风向Dw。模糊化层是对模糊信息进行预处理的网层,主要功能是对输入值(包括模糊或是非模糊信息和数据)进行规范化处理。模糊推理层是前向型模糊神经网络的核心,可模拟执行模糊推理方面的工作。去模糊化层可将推理结论由模糊状态转化为确定的状态,其目的是给出确定的输出以便系统执行。由上所述建立模糊神经网络预测模型结构如图1所示。

在图1中网络对性的输入输出映射关系如下:

(1)层输出节点:

(2)层输入节点:

输出节点:

(3)层输入节点:

输出节点:

(4)层输入节点:

输出节点:

其中:xi表示网络的输入。

模糊神经网络的学习算法如下:

(1)误差计算

式中:yd为网络期望输出;yc为网络实际输出;e为期望输出和实际输出的误差。

(2)系统修正

式中:pji为神经网络系数;α为网络学习率;xj为网络输入参数;ωi为输入参数隶属度连乘积。

(3)参数修正

bji(k)=bji(k-1)-β坠e坠bji(16)

式中:cji、bji分别为隶属度函数的中心和宽度。

ωi表示网络第三层和第四层之间的连接权值。

基于模糊神经网络的预测建模步骤如下:

(1)选定兆瓦级风电发电系统进行建模,确定采集样本的输入输出变量,找出变量对被测变量相关变量最大变量,输入量分别为风速v、温度T、气压P、空气湿度Rh和风向Dw,输出量为风速预测值Y;

(2)以风电场的历史数据作为样本数据,对样本数据进行校验和归一化变化;

(3)对样本优化组合,进行模糊神经网络训练,由Matlab编程来完成模糊神经网络训练和网络生成;

(4)用确认集进行检验,用训练好的网络输出风速预测值,选出最优组合参数建立模糊神经网络预测模型。

4 模糊神经网络风速预测仿真实例

本文采用某风电场2011年4月6日0点到24点样本数据,该样本数据是从1.5MW双馈异步风力发电机组获得的,采集的数据包括风速v、温度T、气压P、空气湿度Rh和风向Dw,首先将变量样本中经过显著误差剔除和滤波处理后得到一个样本集,然后再利用处理后的参数变量建立风速的预测样本集。分别对风速进行提前4小时和提前一天的风速预测进行仿真,仿真结果如图2、3所示。

另外,只将样本数据的风速作为模型的输入,按照上述步骤进行仿真,仿真结果如图4、5所示。

如表1所示为基于模糊神经网络不同的时间段对应的误差值。从表1可以看出,无论是否考虑环境参数,基于模糊神经网络的提前4小时和提前一天的风速预测随着时间尺度的加大,风速预测误差会有所增加;但不考虑温度、气压、空气湿度和风向等环境参数,仅仅将风速作为模糊神经网络风速模型的输入,提前4小时风速预测的最大误差为0.4 m/s,提前一天的风速预测的最大误差为1.27m/s,较之考虑环境参数的风速预测提前4小时的风速预测最大的误差0.36m/s和提前一天的风速预测误差0.65m/s都变大,可见环境因素对风电场风速的预测有一定的影响,本文将环境参数作为风速预测模型的输入来提高预测精度是非常有必要的。

考虑温度、气压、空气湿度和风向等环境参数,利用小波神经网络的对风速进行预测,仿真结果如图6、7所示。

如表2所示为不同时间段对应的误差值对比。由表2可以看出,考虑环境参数基于小波神经网络的提前4小时的风速预测最大误差为0.36m/s,提前一天的风速预测误差为0.65m/s,尽管预测误差也已经比较小了,但是较之考虑环境参数的模糊神经网络风速预测提前4小时的风速预测最大误差0.11m/s和提前一天的风速预测误差0.58m/s还是偏大,可见基于模糊神经网络的风速预测具有更高的预测精度,说明利用模糊神经网络的预测方法来提高风速预测准确度和精度是可行的。

5 结束语