第九章 模糊与神经网络的比较 ——以倒车系统为例 第九章 模糊与神经网络的比较 ——以倒车系统为例 杨 勋 2003年12月
倒车问题
模糊系统的一般处理方法 模糊规则库 输 入 参 数 模糊化 模 糊 集 模糊推理 模 糊 集 去模糊 输 出 参 数
模糊系统的模糊集
输入x的隶属度函数
输入Φ的隶属度函数
输出θ的隶属度函数
FAM规则 LE LC CE RC RI RB 1 PS 2 PM PM PB RU NS PS RV NM VE 18ZE LV NB LU LB
相关最小FAM推理 具体的步骤： 1、根据规则库里的每一条规则都可以产生一个模糊集o’j ； 2、对于每一个模糊集o’j ,它隶属度的最大值不能超过输入值在输入模糊集上的隶属度，超过的就取输入值在输入模糊集上的隶属度。得到模糊集oj； 3、求这些模糊集的和，得到输出模糊集o。
FAM推理示意图
重心法去模糊
模糊控制器试验结果 X=20 Y=20 Φ=30 X=30 Y=10 Φ=220 X=30 Y=40 Φ=-10
神经网络系统 Truck Emulator Φ k θk Φ k+1 X k . X k+1 Y k Y k+1
运动方程式 x’=x+rcos(φ’) y’=y+rsin(φ’) φ’ = φ +θ
容错能力分析之一 停车误差= 轨迹误差= 主要方法： 删除或改变模糊控制器的FAM规则； 删除神经网络训练数据。
容错能力分析之二
模糊与神经网络方法比较之一 1、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； 2、 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； 3、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。
模糊与神经网络方法比较之二 4、模糊系统的鲁棒性要比神经网络系统要好。 总之，模糊逻辑控制的特长在于能够充分利用学科领域的知识，能以一定的规则数来表达知识，具有逻辑推理能力。其缺点是完全依赖专家制定的大量控制规则，不具备学习功能。神经网络具有自学习能力和大规模并行处理能力，在认知处理、模式识别方面有很强的优势，主要缺点是结构难以确定，训练样本要求多且准确，训练周期长，而且不能提供一个明确的用于网络知识表达的框架。
关于倒车系统的进一步研究 1、自适应模糊倒车系统 2、克服倒车死区的方法 3、输入参数更多的倒车系统——拖车系统
自适应模糊倒车系统 主要应用了微分竞争学习法（DCL）。 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)。
训练样本的分布图及直方图
DCL聚类后的规则库和控制面
克服倒车死区的方法 1、Kosko倒车系统存在的死区问题 2、加入模糊预测器的方法 文献参见： 模糊控制器在倒车系统中的应用 李汉兵 谢维新，西安电子科技大学学报，1999.6.
倒车系统存在的死区问题 1、卡车在靠近边界的永远无法倒车到停车点的区域，叫做死区； 2、在倒车场四角许多可以倒车到停车点，但是无法直接倒车过来的区域，称为准死区； 3、可以顺利通过倒车到达停车点的区域称为活区。
模糊预测器 解决问题的思路：只要使卡车从准死区先到达活区，再以活区为起始点，它就能顺利倒车到停车点。 模糊预测器主要就是预测中间点的状态。 这样，模糊倒车系统就可以分为两个简单的部分：模糊预测器和基本的模糊控制系统。
模糊预测器的输入输出模糊集
模糊预测器的模糊集 隶属度函数
模糊预测器的规则库
模糊预测器的仿真结果
拖车系统
模糊控制器的仿真试验结果
神经网络系统的仿真试验结果
总 结 1、 FAM规则的获取可以利用常识和修正误差的直觉。模糊系统具有超常的鲁棒性。 总 结 1、 FAM规则的获取可以利用常识和修正误差的直觉。模糊系统具有超常的鲁棒性。 2、可以采用DCL方法得到未知的、高维的模糊系统规则。 3、采取神经网络技术来进行模糊信息处理，使得模糊规则的自动提取及模糊隶属函数的自动生成成为可能，进而克服神经网络结构难以确定以及模糊逻辑元自学习功能的缺点，使模糊系统成为一种自适应模糊系统。
Thank you!