基于模糊神经网络的室温控制算法

文档序号:6306347阅读:290来源:国知局
基于模糊神经网络的室温控制算法
【专利摘要】本发明公开了一种基于模糊神经网络的室温控制算法,设计一个双输入单输出的模糊神经网络控制器,通过实时检测房间温度跟踪输出与温度设定值,结合在线学习机制实时调整控制器中可调参数,使之适应房间温度变化并跟踪温度设定值。本发明把神经网络的学习与计算功能融入模糊系统,将模糊系统类人的IF-Then规则嵌入神经网络,在保持模糊控制系统较强的知识表达能力的同时又提高其自适应能力,并具有自学习能力。
【专利说明】基于模糊神经网络的室温控制算法

【技术领域】
[0001]本发明涉及一种基于模糊神经网络的室温控制算法,属于空调自动控制领域。

【背景技术】
[0002]空调房间系统是一个复杂的控制对象,具有非线性、大时滞、强耦合以及时变的特性,且还受到很多不确定性干扰,如室内人员流动,各种电器设备发热以及门窗的开闭等。
[0003]目前,PID控制因其原理简单、适用性强、鲁棒性强而被广泛应。但是,PID在控制非线性、时变、耦合以及参数和机构不确定的复杂过程时,表现较差。
[0004]智能控制具有自学习和自适应能力,对线性与非线性系统都有较好的控制效果,能很好解决空调系统这种复杂系统的控制。其中,神经网络和模糊控制是智能控制两个重要的分支。
[0005]神经网络是模仿生物神经网络结构和功能的一种运算模型,由大量神经元联结而成,是一种非线性动力学系统。神经网络具备非线性逼近能力、学习能力、自适应能力和容错能力。但是,神经网络不适合表达基于规则的知识。
[0006]模糊控制以模糊逻辑与推理模拟人类思维并进行知识处理,它是基于语言型控制规则的控制,对动态特性不易掌握或变化显著的控制对象很适用。但是,由于模糊性的增加会丢掉部分信息,且难以进行学习并建立完善的控制规则,缺乏自适应能力。


【发明内容】

[0007]本发明提供了一种模糊神经网络算法,通过该算法对空调房间温度进行实时控制。本发明采用的技术方案如下:
[0008]基于模糊神经网络的室温控制算法,包括以下步骤:
[0009]I)构建模糊神经网络控制器;
[0010]2)采用遗传算法-粒子群算法进行离线学习;
[0011]3)采用BP算法,并引入动量项,建立所述步骤I)的控制器中的连接权值,高斯铃型隶属度函数的中心值及宽度的自适应学习算法,在线实时调整所述步骤I)的控制器,使控制器适应房间温度变化并跟踪温度设定值。
[0012]前述的步骤I)的模糊神经网络控制器由前件网络和后件网络构成,
[0013]所述前件网络包括四层网络结构如下:
[0014]第一层:输入层,用于输入变量X1, Xy表达式如下:

【权利要求】
1.基于模糊神经网络的室温控制算法,其特征在于,包括以下步骤: 1)构建模糊神经网络控制器; 2)采用遗传算法-粒子群算法进行离线学习; 3)采用BP算法,并引入动量项,建立所述步骤I)的控制器中的连接权值,高斯铃型隶属度函数的中心值及宽度的自适应学习算法,在线实时调整所述步骤I)的控制器,使控制器适应房间温度变化并跟踪温度设定值。
2.根据权利要求1所述的基于模糊神经网络的室温控制算法,其特征在于,所述步骤I)的模糊神经网络控制器由前件网络和后件网络构成, 所述前件网络包括四层网络结构如下: 第一层:输入层,用于输入变量X1, χ2,表达式如下:
其中,X1为跟踪误差,c(t)为温度设定值,y(t)为温度实际检测值,X2为跟踪误差的导数; 第二层:模糊化层,用于将输入变量Xl、x2分别划分7个模糊子集,所述模糊子集的隶属度函数均采用高斯铃型函数,分别为:
其中,Cij和0ij(i = 1,2, -,n, j = 1,2, - ,IHi)分别为隶属度函数的中心和宽度,η为输入变量个数,Hii为输入变量Xi的模糊分割数; 第三层:模糊规则计算层,用于完成模糊推理操作,采用的模糊算子为连乘算子,计算公式如下: α, = μ; X μ!:(3)
其中,J'i = j2 = J.,i = 1,2, m = Hi1Xrn2 ; 第四层:归一化层,用于实现归一化操作,计算公式如下:
所还前后件网络包括三层网络结构如下: 第一层:输入层,该层共有3个节点,第一个节点的输入值为Xtl = 1,第二、三个节点分别输入变量X1, X2 ; 第二层:用于计算每一条规则后件,即 yt =Po+ Plxi + P!2x2 ’ / = 1,2,…,mO)
/>/(/ = 0,l,2;j = l,2,/?)力连接权值; 第三层:用于计算控制器输出y:
3.根据权利要求1所述的基于模糊神经网络的室温控制算法,其特征在于,所述步骤2),离线学习包括以下步骤: 2-1)进行种群参数初始化; 2-2)根据式(9)计算粒子适应度F ; F = abs (y-c)(9) 2-3)寻找个体极值和群体极值; 2-4)进行速度更新和位置更新; 2-5)计算速度和位置更新后的粒子适应度; 2-6)更新个体极值和群体极值; 2-7)当前个体与个体极值交叉,适应度值减小,则接受; 2-8)当前个体与群体极值交叉,适应度值减小,则接受; 2-9)当前个体自身进行变异,适应度值减小则接受; 2-10)满足最大进化代数则结束,否则返回步骤4)。
4.根据权利要求1所述的基于模糊神经网络的室温控制算法,其特征在于,所述步骤3)中, 连接权值#的学习算法为:
中心值cu的学习算法为:
Cij (k+1) = Cij (k) + Δ Cij (k+1) + υ (Cij (k) -Cij (k_l))(20) 宽度σ u的学习算法为:
σ Jj (k+1) = σ Jj (k) + Δ σ (k+1) + υ ( σ (k) - σ (k_l))(21) 其中,u为动量因子,k为第k个样本,E为误差代价函数:E = (c-.V.)-,
【文档编号】G05B13/04GK104133372SQ201410326973
【公开日】2014年11月5日 申请日期:2014年7月9日 优先权日:2014年7月9日
【发明者】白建波, 王孟, 李洋 申请人:河海大学常州校区
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1