公務(wù)員期刊網(wǎng) 精選范文 模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)精選(九篇)

前言:一篇好文章的誕生,需要你不斷地搜集資料、整理思路,本站小編為你收集了豐富的模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)主題范文,僅供參考,歡迎閱讀并收藏。

模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)

第1篇:模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

1模糊系統(tǒng)的Takagi?Sugeno模型

模糊系統(tǒng)理論[11]是溝通經(jīng)典數(shù)學(xué)的精確性與現(xiàn)實(shí)世界中大量存在的不精確性之間的橋梁。它是以模糊集合的形式表示系統(tǒng)所含的模糊性并能處理這些模糊性的系統(tǒng)理論,能夠有效地處理系統(tǒng)的不確定性、測量的不精確性等模糊性。Takagi-Sugeno模糊系統(tǒng)(T-S模糊系統(tǒng))作為函數(shù)模糊系統(tǒng)的一種特例,由于構(gòu)成的各條規(guī)則采用線性方程式作為結(jié)論,使得模型的全局輸出具有良好的數(shù)學(xué)表達(dá)特性,這在處理多變量系統(tǒng)時(shí)能有效地減少模糊規(guī)則個(gè)數(shù),具有很大的優(yōu)越性[12]。其規(guī)則表達(dá)如下[13]:式中:Rj為第j條模糊規(guī)則;xi為模糊語言變量;Aij(xi)為xi的第j個(gè)語言變量值,它是定義在xi論域上的一個(gè)模糊集合,相應(yīng)的隸屬度函數(shù)為μjAi(xi);pkji為模糊系統(tǒng)參數(shù);yj為根據(jù)模糊規(guī)則得到的輸出;If部分是前提或前件,then部分是結(jié)論或后件。

2T?S模糊神經(jīng)網(wǎng)絡(luò)

模糊系統(tǒng)在模糊建模的過程中常存在學(xué)習(xí)能力缺乏,辨識過程復(fù)雜,模型參數(shù)優(yōu)化困難等問題。而人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和自適應(yīng)的能力,具有強(qiáng)大的非線性處理能力。二者的結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò),可以有效地發(fā)揮模糊邏輯與神經(jīng)網(wǎng)絡(luò)的各自優(yōu)勢,彌補(bǔ)各自的不足[14]。

2.1T?S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)基于標(biāo)準(zhǔn)型的T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。第5層是輸出層,它所實(shí)現(xiàn)的是清晰化計(jì)算。T-S模糊神經(jīng)網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成。前件網(wǎng)絡(luò)用來匹配模糊規(guī)則的前件,其結(jié)構(gòu)與圖1的前4層結(jié)構(gòu)完全相同;后件網(wǎng)絡(luò)用來產(chǎn)生模糊規(guī)則的后件,由N個(gè)結(jié)構(gòu)相同的并列子網(wǎng)絡(luò)組成[15]。

2.2T?S模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法T-S模糊神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)的參數(shù)主要有后件網(wǎng)絡(luò)的連接權(quán)pkki以及前件網(wǎng)絡(luò)第二層各結(jié)點(diǎn)隸屬函數(shù)的中心值ckj及寬度σkj。令上述T-S模型的參數(shù)pkji固定,則T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可簡化為圖1。簡化結(jié)構(gòu)本質(zhì)上也是一種多層前饋網(wǎng)絡(luò),所以可仿照BP網(wǎng)絡(luò)用誤差反傳的方法來設(shè)計(jì)調(diào)整參數(shù)的學(xué)習(xí)算法[15]。

3應(yīng)用研究

以下通過實(shí)例介紹T-S模糊神經(jīng)網(wǎng)絡(luò)在地下水水質(zhì)評價(jià)中的應(yīng)用。

3.1研究區(qū)概況吉林省西部地區(qū)位于松嫩平原的西南部,地理坐標(biāo)為東經(jīng)123°09′~124°22′,北緯44°57′~45°46′。研究區(qū)東接吉林省長春市,南接四平市及遼寧省,西鄰,北接黑龍江省,東北以嫩江、松花江和拉林河與黑龍江省為界。吉林省西部屬半干旱半濕潤的大陸性季風(fēng)氣候區(qū),四季變化明顯。該區(qū)多年平均氣溫3~6℃,多年平均降雨量為400~500mm。研究區(qū)大部分屬于松嫩盆地,該盆地為一個(gè)巨大的含水層系統(tǒng),埋藏有多層含水層,包括孔隙潛水含水層和承壓水含水層(分別為淺層、中深層)、上第三系大安組、泰康組孔隙-裂隙含水層(深層)和白堊系下統(tǒng)及上統(tǒng)裂隙孔隙含水層(深層)。研究區(qū)的地下水補(bǔ)給來源主要為降水入滲,排泄以潛水蒸發(fā)和人工開采為主。

3.2原始數(shù)據(jù)原始數(shù)據(jù)取自于吉林西部2005年50個(gè)地下水水化學(xué)監(jiān)測點(diǎn)的水質(zhì)監(jiān)測數(shù)據(jù),結(jié)合研究區(qū)地下水水質(zhì)狀況,有針對性地選擇了鐵、氨氮、硝酸鹽、亞硝酸鹽、硫酸鹽、氯化物、溶解性總固體、氟化物和總硬度共9項(xiàng)指標(biāo)作為評價(jià)因子。地下水水

3.3神經(jīng)網(wǎng)絡(luò)的準(zhǔn)備工作(1)訓(xùn)練樣本、檢驗(yàn)樣本及其期望目標(biāo)的生成。采用Mat-lab7.0的linspace函數(shù)在各級評價(jià)標(biāo)準(zhǔn)之間按隨機(jī)均勻分布方式內(nèi)插生成訓(xùn)練樣本。各級評價(jià)標(biāo)準(zhǔn)之間生成500個(gè),共2000個(gè)訓(xùn)練樣本,以解決僅利用各級評價(jià)標(biāo)準(zhǔn)作為訓(xùn)練樣本,導(dǎo)致訓(xùn)練樣本數(shù)過少的問題[16]。檢驗(yàn)樣本用生成訓(xùn)練樣本同理的方法生成400個(gè)樣本。小于一級標(biāo)準(zhǔn)的訓(xùn)練樣本和檢驗(yàn)樣本的期望目標(biāo)為按照生成訓(xùn)練樣本和檢驗(yàn)樣本的內(nèi)例產(chǎn)生對應(yīng)的0~1.5之間的數(shù)值;一、二級標(biāo)準(zhǔn)之間的訓(xùn)練樣本和檢驗(yàn)樣本的期望目標(biāo)為按照生成訓(xùn)練樣本和檢驗(yàn)樣本的內(nèi)例產(chǎn)生對應(yīng)的1.5~2.5之間的數(shù)值;同理,二、三級和三、四級標(biāo)準(zhǔn)之間的訓(xùn)練樣本和檢驗(yàn)樣本的期望目標(biāo)為2.5~3.5、3.5~4.5之間的數(shù)值。(2)水質(zhì)評價(jià)等級的劃分界限。據(jù)上述生成訓(xùn)練樣本與檢驗(yàn)樣本目標(biāo)輸出的思路可以確定一、二、三、四、五各級水的網(wǎng)絡(luò)輸出范圍分別為:<1.5、1.5~2.5、2.5~3.5、3.5~4.5、>4.5。(3)原始數(shù)據(jù)的預(yù)處理。利用Matlab7.0中的mapminmax函數(shù)將原始數(shù)據(jù)歸一化到0與1之間。

3.4T?S模糊神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練、檢驗(yàn)及水質(zhì)評價(jià)

3.4.1T?S模糊神經(jīng)網(wǎng)絡(luò)的建立模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)建根據(jù)訓(xùn)練樣本維數(shù)確定模糊神經(jīng)網(wǎng)絡(luò)輸入/輸出結(jié)點(diǎn)數(shù)、模糊隸屬度函數(shù)個(gè)數(shù)。由于輸入數(shù)據(jù)為9維,輸出數(shù)據(jù)為1維,通過試錯(cuò)法確定模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-18-1,即有18個(gè)隸屬度函數(shù)。選擇10組系數(shù)p0-p9,模糊隸屬度函數(shù)中心和寬度c和σ隨機(jī)得到,通過動(dòng)態(tài)BP算法對網(wǎng)絡(luò)的權(quán)值在線調(diào)整。隸屬度函數(shù)采用高斯函數(shù),模糊推理采用sum-product[14],解模糊采用加權(quán)平均法。網(wǎng)絡(luò)模型的概化如圖1所示。T-S模糊神經(jīng)網(wǎng)絡(luò)的第3層輸出為輸入數(shù)據(jù)的隸屬度函數(shù);第4層輸出為第條規(guī)則的平均激活度;后件網(wǎng)絡(luò)實(shí)現(xiàn)了T-S模型模糊規(guī)則空間到輸出空間的映射,輸出為yj=pkj0+pjk1x1+…+pjkmxm和y=∑αk×yj。

第2篇:模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

【關(guān)鍵詞】溫室;環(huán)境控制;智能控制;遺傳算法

Abstract:Aiming at the importance of environment control technology in greenhouse,this paper summarized the research status on the development of greenhouse environment control methods at home and abroad,and analyzed the features and structures of greenhouse control systems.The main methods of greenhouse environmental control include PID,Expert System,F(xiàn)uzzy Control,Neural Network,Evolutionary Algorithm and so on.Each control algorithm has its own advantages and disadvantages,the adoption of a single control algorithm can not satisfy the precision requirements of the environmental control of the greenhouse.Hybrid control algorithm that combined different algorithms can meet the control demands of modern greenhouse environment intelligent control well or to seek new robust control method.Their drawbacks were pointed out,and the development tendency of greenhouse environment control was expected too.

Key words:greenhouse;environmental control;intelligent control;genetic algorithm

1.引言

溫室作物生產(chǎn)是高度集約化的設(shè)施農(nóng)業(yè)產(chǎn)業(yè),在解決我國三農(nóng)問題和提高農(nóng)業(yè)生產(chǎn)效率中的作用越來越突出。目前我國已是世界設(shè)施作物栽培第一大國,設(shè)施作物栽培面積超過了300萬公頃。但與國外先進(jìn)水平相比,目前最突出的問題是溫室作物生產(chǎn)的產(chǎn)量低、能耗等生產(chǎn)成本高,因而經(jīng)濟(jì)效益較低。

溫室是一個(gè)包括作物、設(shè)施、環(huán)境、栽培管理措施等諸多因子及其相互作用的復(fù)雜系統(tǒng)。如何協(xié)調(diào)這些因子的關(guān)系,以最小的投入為溫室作物提供適宜的生長環(huán)境,從而達(dá)到高產(chǎn)、優(yōu)質(zhì)、高效和生態(tài)安全的溫室生產(chǎn)目標(biāo),一直是國內(nèi)外設(shè)施農(nóng)業(yè)領(lǐng)域中研究的重點(diǎn)與熱點(diǎn)問題。

溫室環(huán)境控制即通過對相關(guān)的設(shè)施(如加熱、通風(fēng)、CO2施肥、肥水灌溉等設(shè)備)對溫室環(huán)境進(jìn)行自動(dòng)調(diào)控,獲得作物生長所需的適宜環(huán)境,從而大大提高作物產(chǎn)量與質(zhì)量。因此,溫室環(huán)境控制是解決以上突出問題的核心技術(shù)手段之一。本文對目前國內(nèi)外溫室環(huán)境控制的研究進(jìn)展和成果進(jìn)行綜述,指出溫室環(huán)境控制中的現(xiàn)存問題和發(fā)展方向。

2.溫室環(huán)境控制研究現(xiàn)狀

溫室環(huán)境控制有3個(gè)不同的層次,即人工控制、自動(dòng)控制和智能控制。3種控制方法在我國的生產(chǎn)生活中均有應(yīng)用,其中自動(dòng)控制在現(xiàn)代溫室環(huán)境控制中應(yīng)用最多,而智能控制具有處理非線性、時(shí)變和不確定信息等優(yōu)點(diǎn),理想的智能控制系統(tǒng)除了滿足一般控制系統(tǒng)的性能要求外,還應(yīng)具有自學(xué)習(xí)、自適應(yīng)、自組織和自結(jié)構(gòu)等功能?,F(xiàn)代溫室環(huán)境的智能控制[1]是目前的研究熱點(diǎn)。

2.1 溫室控制技術(shù)概況

溫室智能控制系統(tǒng)作為一種資源節(jié)約型的高效農(nóng)業(yè)技術(shù),主要是在計(jì)算機(jī)綜合控制下,創(chuàng)造適宜于作物生長的環(huán)境,實(shí)現(xiàn)優(yōu)質(zhì)、高效、低耗的工業(yè)化規(guī)模生產(chǎn)。要提高測控系統(tǒng)的性能除了硬件系統(tǒng)以外,控制算法也不可缺少。只有采用合理的控制算法,才能使溫室環(huán)境的綜合因子達(dá)到最優(yōu)的控制效果,才能使溫室控制系統(tǒng)達(dá)到智能化的水平。

目前溫室環(huán)境控制中普遍采用的智能控制方法包括專家控制、模糊控制、神經(jīng)網(wǎng)絡(luò)、遺傳算法和混合控制等。其中,混合控制將基于知識和經(jīng)驗(yàn)的專家系統(tǒng)、基于模糊邏輯推理的模糊控制和基于人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)控制等方法交叉并融合,相互優(yōu)勢互補(bǔ),使智能控制系統(tǒng)性能更理想,成為當(dāng)今智能控制方面的研究熱點(diǎn)之一。

2.2 控制算法在溫室環(huán)境控制中的應(yīng)用

溫室環(huán)境控制系統(tǒng)是一個(gè)非線性、大滯后、多輸入和多輸出的復(fù)雜系統(tǒng),其問題可以描述為:給定溫室內(nèi)植物在某一時(shí)刻生長發(fā)育所需的信息,該信息與控制系統(tǒng)檢測部件所檢測的信息比較,在控制器一定控制算法的決策下,各執(zhí)行機(jī)構(gòu)合理動(dòng)作,創(chuàng)造出溫室內(nèi)植物最適宜的生長發(fā)育環(huán)境,實(shí)現(xiàn)優(yōu)質(zhì)、高產(chǎn)、低成本和低能耗的目標(biāo)。

2.2.1 PID控制算法及應(yīng)用

PID控制是自動(dòng)控制中產(chǎn)生最早、應(yīng)用最廣的一種控制方法,在溫室環(huán)境控制中應(yīng)用最早。PID調(diào)節(jié)的實(shí)質(zhì)是根據(jù)輸入的偏差值,按比例、積分、微分的函數(shù)關(guān)系進(jìn)行運(yùn)算,將其結(jié)果用于輸出控制。

PID控制適合一些較為簡單的單輸入、單輸出線性系統(tǒng),它靠控制目標(biāo)與實(shí)際狀態(tài)之間的誤差來確定消除此誤差的控制策略。采用常規(guī)PID控制器,參數(shù)不易在線調(diào)整,容易產(chǎn)生超調(diào),抗干擾能力差,不能滿足現(xiàn)代溫室環(huán)境參數(shù)監(jiān)控的要求。因此,在溫室實(shí)際控制過程中,為了提高系統(tǒng)動(dòng)態(tài)調(diào)節(jié)品質(zhì)和控制精度,通常對常規(guī)PID控制進(jìn)行改進(jìn)。

朱虹通過對歷史溫室環(huán)境數(shù)據(jù)的合理分析,將溫室的溫度控制模型近似為一階慣性加時(shí)滯環(huán)節(jié),基于該溫度近似模型用時(shí)間為權(quán)誤差積分指標(biāo)最優(yōu)的參數(shù)自整定公式來整定PID控制器參數(shù),將整定后的PID控制器應(yīng)用于溫室控制。余泳昌等研究的改進(jìn)型PID控制算法在現(xiàn)代溫室參數(shù)控制中進(jìn)行了應(yīng)用,其抗干擾能力方面比傳統(tǒng)PID算法有一定的提高,使參數(shù)得到較精確的調(diào)整,使溫室溫度保持在最適宜的范圍。Albert Setiawan等[2]在研究了溫室控制算法PI控制器后,提出了擬微分反饋(PDF)控制方案,實(shí)驗(yàn)結(jié)果表明,PDF的控制效果在性能上(溫室控制過程的靜態(tài)誤差,過渡過程時(shí)間,最大超調(diào)量)優(yōu)于PI控制器的性能。但這種控制器的設(shè)計(jì)還是基于被控對象的數(shù)學(xué)模型,把溫室的控制系統(tǒng)對象建模成一階慣性滯后環(huán)節(jié)。這樣對象模型的參數(shù)不同程度上隨溫室內(nèi)空氣流速,光照強(qiáng)度而變化,也隨時(shí)間的變化而變化。因此被控對象是一個(gè)時(shí)變的對象,同時(shí)也是若干變量的函數(shù),要想獲得優(yōu)化控制,創(chuàng)造一個(gè)適合作物生長的最佳環(huán)境有一定的難度。因此國內(nèi)外學(xué)者目前大多采用智能控制方法對現(xiàn)代溫室環(huán)境進(jìn)行智能控制,并做了很多的研究,以下是溫室環(huán)境智能方法控制方面的研究工作。

2.2.2 專家系統(tǒng)及應(yīng)用

專家系統(tǒng)作為一種知識的載體,所表現(xiàn)出來的可靠性、客觀性、永久性及其易于傳播和復(fù)制的特性,是人類專家所不及的,因此在處理與解決某些領(lǐng)域問題時(shí)具有不可取代的重要作用。在溫室生產(chǎn)中,影響作物生長的有室內(nèi)和室外各種環(huán)境因子,作物和環(huán)境因子之間的關(guān)系非常復(fù)雜,難以模型化與定量描述。因此,在現(xiàn)代溫室中可以利用專家經(jīng)驗(yàn)知識建立作物生長參數(shù)與環(huán)境因素之間的關(guān)聯(lián)系數(shù)。專家系統(tǒng)是應(yīng)用人工智能技術(shù),根據(jù)一個(gè)或多個(gè)專家提供的領(lǐng)域知識進(jìn)行推理,模擬農(nóng)業(yè)專家做決定的過程來解決那些復(fù)雜問題。

專家系統(tǒng)的基本結(jié)構(gòu)由知識庫、推理機(jī)、數(shù)據(jù)庫、人機(jī)接口、解釋機(jī)構(gòu)及知識獲取6部分組成[3]。專家系統(tǒng)善于解決不確定性的、非結(jié)構(gòu)性的問題;它是靠知識和推理來解決問題,是基于知識的智能問題求解系統(tǒng);它內(nèi)部的知識和推理是相分離的,系統(tǒng)具有很好的靈活性和擴(kuò)展性;它不僅能回答用戶提出的問題,而且能夠?qū)ψ詈蟮慕Y(jié)論或處理問題的過程做出解釋;它還有自學(xué)習(xí)能力,能不斷的對自己的知識進(jìn)行擴(kuò)充、完善和提煉。沈天飛等在溫室計(jì)算機(jī)控制系統(tǒng)的基礎(chǔ)上,構(gòu)建了一種專家控制平臺(tái),采用可組態(tài)的規(guī)則庫和推理機(jī)制,以溫室作物的生長指標(biāo)作為依據(jù),使農(nóng)業(yè)科研人員能通過專家系統(tǒng)軟件平臺(tái)建立具體溫室作物的計(jì)算機(jī)控制專家系統(tǒng)。龍利平等研究的加熱實(shí)時(shí)專家控制系統(tǒng),在外溫的強(qiáng)擾動(dòng)作用下,系統(tǒng)精度控制在0.5℃左右,完全滿足溫室溫度控制的要求。文獻(xiàn)[4]從工程實(shí)際出發(fā),分析了溫室氣候計(jì)算機(jī)控制系統(tǒng)的要求,系統(tǒng)研究了溫室氣候計(jì)算機(jī)專家控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)技術(shù),對于提高溫室氣候的控制質(zhì)量具有重要意義。

2.2.3 模糊控制算法及應(yīng)用

溫室環(huán)境系統(tǒng)是一個(gè)多變量,多耦合,非線性,大滯后的復(fù)雜動(dòng)態(tài)系統(tǒng),很難建立精確的數(shù)學(xué)模型。模糊控制不需要建立被控對象的精確數(shù)學(xué)模型,它是通過計(jì)算機(jī)完成人們用自然語言所描述的控制活動(dòng),其控制算法是把各種環(huán)境參數(shù)綜合起來分析考慮,然后進(jìn)行模糊控制[5]。模糊控制有許多良好的特性,它不需要事先知道對象的數(shù)學(xué)模型,具有響應(yīng)速度快、超調(diào)小、過度時(shí)間短等優(yōu)點(diǎn),比PID控制調(diào)節(jié)速度快、魯棒性好,但模糊控制穩(wěn)態(tài)精度欠佳,只能實(shí)現(xiàn)粗略控制。

于海業(yè)等提出一種基于模糊控制算法的溫室分季節(jié)、分時(shí)段的變溫管理的控制方法。該系統(tǒng)能夠很好的適應(yīng)北方溫室科學(xué)生產(chǎn)和自動(dòng)化管理的要求,可滿足溫室作物栽培的需要。胥芳等建立了溫室環(huán)境溫度模糊專家控制系統(tǒng)的MATLAB仿真模型,仿真結(jié)果證明了該溫室環(huán)境溫度模糊控制策略的有效性及合理性。盧佩等采用模糊控制方法,通過建立模糊控制系統(tǒng)模型和對模糊控制器的設(shè)計(jì),引入解耦參數(shù),實(shí)現(xiàn)系統(tǒng)的溫濕度解耦控制,提高了溫濕度控制的精度。楊澤林等通過數(shù)據(jù)挖掘,利用采集的溫室內(nèi)、外溫度及室內(nèi)濕度數(shù)據(jù)對溫室狀態(tài)進(jìn)行分類,提出一種基于各類別中的溫室溫、濕度變化率相關(guān)性進(jìn)行模糊解耦控制。黃力櫟等針對溫室氣候控制方法中溫濕度之間的耦合作用,提出以溫度控制為主、濕度控制為輔的控制策略,并建立兩變量輸入、三變量輸出的控制主回路和補(bǔ)償回路模糊控制系統(tǒng),從而為溫濕度控制提供了一種行之有效的方法。程昱寧等研究了溫室冬季加熱模式控制,采用Smith預(yù)測器先補(bǔ)償?shù)粝到y(tǒng)大的延時(shí),然后在Smith預(yù)測器前增加了模糊控制器,實(shí)現(xiàn)對溫室的模糊控制。這種控制方式要比簡單的模糊控制方式[6]在動(dòng)態(tài)性能上有所改善。

2.2.4 神經(jīng)網(wǎng)絡(luò)控制算法及應(yīng)用

神經(jīng)網(wǎng)絡(luò)采用黑箱方法能把復(fù)雜的系統(tǒng)通過有限的參數(shù)進(jìn)行表達(dá),具有自組織、自學(xué)習(xí)、非線性動(dòng)態(tài)處理等特征,具有聯(lián)想推理和自適應(yīng)識別能力,不需要建立精確模型。神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)是具有靈活性,適用于非線性和非物理數(shù)據(jù),主要缺點(diǎn)是訓(xùn)練需要大量多維數(shù)據(jù)集,以減少推斷風(fēng)險(xiǎn)[7]。

采用最常用的BP網(wǎng)絡(luò)能對環(huán)境因子達(dá)到良好的控制效果。BP網(wǎng)絡(luò)基本思想是最小二乘法,它采用梯度搜索技術(shù),使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的均方差最小。它由輸入層、輸出層和隱含層組成,隱含層可能含有一個(gè)或多個(gè),每層由若干神經(jīng)元組成。BP神經(jīng)網(wǎng)絡(luò)確實(shí)給溫室檢測系統(tǒng)模型的建立帶來了方便,但神經(jīng)網(wǎng)絡(luò)是非線性的,進(jìn)行穩(wěn)定性分析相當(dāng)困難。

Fathi Fourati等采用遞歸神經(jīng)網(wǎng)絡(luò)對溫室進(jìn)行直接動(dòng)力學(xué)仿真,逆向神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合以使系統(tǒng)的輸出所需數(shù)值,給出仿真結(jié)果對溫室的控制性能進(jìn)行驗(yàn)證。R.Linker等建立可靠的溫室環(huán)境和作物響應(yīng)模型,通過消除不必要的輸入,分別預(yù)測溫度和CO2濃度使模型最簡化,利用在小溫室中兩個(gè)夏季收集到的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)溫室模型,實(shí)現(xiàn)溫室內(nèi)CO2注入和通風(fēng)之間的平衡,達(dá)到了良好的CO2優(yōu)化控制效果。P.M.Ferreira等[8]對混合離散訓(xùn)練方法和在線學(xué)習(xí)算法進(jìn)行了分析,將離線方法應(yīng)用于在線學(xué)習(xí),利用線性非線性結(jié)構(gòu)建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò),預(yù)測溫室溫度。

2.2.5 進(jìn)化算法及應(yīng)用

遺傳算法是一種基于自然選擇和群體遺傳機(jī)理的搜索算法,它模擬了自然選擇和遺傳過程中的繁殖、和變異現(xiàn)象,遺傳算法對復(fù)雜的優(yōu)化問題不需要進(jìn)行復(fù)雜的計(jì)算,只用遺傳算法的3種算子就能得到最優(yōu)解[9]。它的優(yōu)點(diǎn)在于:通過參數(shù)空間編碼并用隨機(jī)選擇的方法引導(dǎo)搜索向更高效的方向發(fā)展,對尋優(yōu)函數(shù)基本無限制;通過目標(biāo)函數(shù)來計(jì)算適配值而不需要其他推導(dǎo)和輔助信息,對問題的依賴性?。徊捎萌炙阉?,不易陷入局部最優(yōu)點(diǎn),更適合復(fù)雜大規(guī)模問題優(yōu)化。

同濟(jì)大學(xué)徐立鴻團(tuán)隊(duì)從97年開始在引進(jìn)的荷蘭溫室中進(jìn)行消化吸收其先進(jìn)方法并針對本國溫室環(huán)境系統(tǒng)特點(diǎn)進(jìn)行研究工作,先后提出了基于栽培經(jīng)驗(yàn)和參數(shù)辨識的溫室環(huán)境多因子協(xié)調(diào)控制方法和基于溫室環(huán)境動(dòng)態(tài)模型和進(jìn)化計(jì)算參數(shù)估計(jì)的多因子協(xié)調(diào)控制方法;基于Pareto最優(yōu)的思想,利用多目標(biāo)遺傳算法對溫室環(huán)境節(jié)能控制方法進(jìn)行了有益的探討,提出了相容優(yōu)化控制算法;提出了對系統(tǒng)狀態(tài)初值的不確定性魯棒的溫室環(huán)境系統(tǒng)相容優(yōu)化控制方法;提出了基于溫室環(huán)境動(dòng)態(tài)模型對理想環(huán)境目標(biāo)和能耗目標(biāo)進(jìn)行綜合優(yōu)化控制的新方法等。鄧璐娟等采用多級控制策略,優(yōu)化設(shè)定系統(tǒng)目標(biāo)值來解決溫室環(huán)境系統(tǒng)中多個(gè)時(shí)間響應(yīng)常數(shù)相差過大的問題。設(shè)定系統(tǒng)優(yōu)化目標(biāo)值時(shí),白天使植物獲得最大的光合速率,夜間在滿足植物生長和積溫要求的前提下使溫室處在能耗最小的狀態(tài)下運(yùn)行。構(gòu)建了能量消耗為零(無加熱、無制冷和無機(jī)械通風(fēng))時(shí)計(jì)算溫室內(nèi)部溫度的模型,采用遺傳算法對最優(yōu)目標(biāo)值進(jìn)行搜索。計(jì)算結(jié)果取得了較高的效率又能節(jié)能。Hartmut Pohlheim等利用進(jìn)化算法來計(jì)算溫室系統(tǒng)的最優(yōu)控制狀態(tài),每隔15-60分鐘綜合模型(短時(shí)間尺度模型)檢測一下溫室內(nèi)的溫度、濕度、CO2濃度,在約束條件下利用進(jìn)化算法來優(yōu)化溫室環(huán)境控制以實(shí)現(xiàn)最大利潤。

2.2.6 混合算法

(1)模糊PID控制算法

PID算法簡單,可以實(shí)現(xiàn)精細(xì)控制,使系統(tǒng)準(zhǔn)確跟蹤設(shè)定值。模糊控制可充分利用現(xiàn)場和專家的經(jīng)驗(yàn),調(diào)節(jié)速度快,魯棒性好,但只能實(shí)現(xiàn)粗略控制。對此將PID控制和模糊控制相結(jié)合,互補(bǔ)不足,采用混合模糊PID控制方法,解決溫室環(huán)境調(diào)控中存在的時(shí)滯和模糊性問題。溫室系統(tǒng)的延遲問題應(yīng)該說是調(diào)控中很難處理的問題,任雪玲等運(yùn)用預(yù)測技術(shù)解決了延遲問題,采用具有優(yōu)化技術(shù)的PI和模糊控制混合技術(shù)進(jìn)行調(diào)節(jié),解決了粗調(diào)問題和細(xì)調(diào)問題。屈毅等針對溫室控制對象存在的大滯后、大慣性等屬性,傳統(tǒng)控制方法的控制效果不甚理想的問題,在溫室控制系統(tǒng)中,引入模糊PID控制方法。該方法能使溫室溫度控制系統(tǒng)根據(jù)季節(jié)的交替,時(shí)令的變化,實(shí)現(xiàn)優(yōu)化控制,為農(nóng)作物的生長發(fā)育提供合適的溫度環(huán)境。

(2)基于遺傳算法的優(yōu)化模糊控制算法

遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法。GA相比其它優(yōu)化方法能更有效的求解復(fù)雜的尋優(yōu)問題,為了解決模糊控制器設(shè)計(jì)中的困難,很多學(xué)者采用GA優(yōu)化模糊控制規(guī)則,采用二進(jìn)制編碼法對控制規(guī)則進(jìn)行編碼,從而設(shè)計(jì)出具有自學(xué)習(xí)能力的模糊控制器。用GA調(diào)控模糊控制規(guī)則,既避免了GA優(yōu)化過程的早熟現(xiàn)象,又可提高優(yōu)化控制規(guī)則的速度。江蘇大學(xué)毛罕平團(tuán)隊(duì)采用遺傳算法優(yōu)化隸屬函數(shù)實(shí)現(xiàn)模糊控制器優(yōu)化設(shè)計(jì)的方法,并將這種優(yōu)化設(shè)計(jì)的模糊控制器應(yīng)用于溫室集散控制系統(tǒng)中[10]。

(3)模糊神經(jīng)網(wǎng)絡(luò)控制算法

模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合是一種新的技術(shù),其主要特點(diǎn)是利用神經(jīng)網(wǎng)絡(luò)調(diào)整模糊推理系統(tǒng)的隸屬度函數(shù)和推理規(guī)則,利用模糊推理規(guī)則的形式構(gòu)造前向傳播結(jié)構(gòu)。另外,兩者具有各自特性的互補(bǔ)性,神經(jīng)網(wǎng)絡(luò)完成的是從輸入到輸出的“黑箱”式非線性映射,但不具備象模糊控制那樣因果規(guī)律以及模糊邏輯推理較強(qiáng)的知識表達(dá)能力。將兩者有機(jī)地結(jié)合起來,神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力則可避免模糊控制規(guī)則和隸屬函數(shù)的主觀性,從而提高模糊控制的置信度,能更好的適應(yīng)溫室系統(tǒng)的非線性和時(shí)變特性。李等利用模糊神經(jīng)網(wǎng)絡(luò)控制器調(diào)節(jié)溫室的溫度因子,采用遺傳算法優(yōu)化高斯隸屬函數(shù)的中心值和閾寬,用BP算法優(yōu)化網(wǎng)絡(luò)權(quán)值,提高了控制器的學(xué)習(xí)和調(diào)整能力。

2.2.7 其它方法的應(yīng)用

Rodr’guez F.等采用分層控制法對溫室作物生長進(jìn)行控制,并進(jìn)行了試驗(yàn)研究。第一個(gè)試驗(yàn)用自適應(yīng)和反饋算法控制溫室顯示出良好的性能,第二個(gè)試驗(yàn)通過模型預(yù)測控制算法控制執(zhí)行機(jī)構(gòu)以獲得良好的跟蹤性能同時(shí)減小燃料消耗費(fèi)用。J.P.Coelho等提出用粒子群優(yōu)化算法設(shè)計(jì)基于模型的溫室空氣溫度預(yù)測控制器,并與用遺傳算法和逐步二次規(guī)劃算法設(shè)計(jì)的控制器進(jìn)行了比較,仿真結(jié)果顯示用粒子群優(yōu)化算法設(shè)計(jì)的基于模型的溫室空氣溫度預(yù)測控制器效率更高。劉東利等采用神經(jīng)網(wǎng)絡(luò)模糊PID算法對溫室內(nèi)溫度進(jìn)行控制,取得了較好的動(dòng)靜態(tài)特性、魯棒性和抗干擾能力。沈敏等考慮開關(guān)設(shè)備組合作用下溫室測控系統(tǒng)的非線性動(dòng)態(tài)特性,提出結(jié)構(gòu)簡單、不需復(fù)雜數(shù)值計(jì)算的離散預(yù)測模型,對設(shè)備組合進(jìn)行滾動(dòng)優(yōu)化預(yù)測控制,大大簡化溫室測控系統(tǒng)預(yù)測控制算法的復(fù)雜性,緩解了測控系統(tǒng)分布大時(shí)滯問題。Tetsuo Morimoto等提出基于作物生長需求(Speaking Plant Approach),以及預(yù)測環(huán)境模型(PEM)方法來調(diào)控溫室環(huán)境。這種做法[11]早在1980就提出了。只是當(dāng)時(shí)的智能控制這一技術(shù)還沒引起農(nóng)業(yè)界的高度重視。隨著科學(xué)技術(shù)的發(fā)展,現(xiàn)在基于神經(jīng)網(wǎng)絡(luò),專家系統(tǒng)控制,模糊控制等技術(shù)使得基于SPA或PEM模型的溫室調(diào)控成為可能。

3.存在的主要問題

各種控制算法各有優(yōu)缺點(diǎn),單一的采用某種控制算法,不能滿足溫室環(huán)境控制的精度要求。如模糊控制響應(yīng)速度快、超調(diào)小、過渡時(shí)間短,但穩(wěn)態(tài)精度欠佳,只能實(shí)現(xiàn)粗略控制。神經(jīng)網(wǎng)絡(luò)確實(shí)給溫室系統(tǒng)模型的建立帶來了方便,但神經(jīng)網(wǎng)絡(luò)是非線性的,進(jìn)行穩(wěn)定性分析相當(dāng)困難。

國內(nèi)有效的溫室環(huán)境輸入輸出動(dòng)態(tài)模型成果不多,并且在作物生長對溫室環(huán)境反饋?zhàn)饔玫姆矫嫜芯康倪€不深入,所采用的模型在很大程度上進(jìn)行了簡化和近似,由于溫室系統(tǒng)的復(fù)雜性以及存在的不確定性等因素,大大影響了實(shí)際中的控制效果,此外控制方法也是針對系統(tǒng)的部分特點(diǎn)難點(diǎn)有效,綜合控制效果并不明顯。

目前國內(nèi)溫室環(huán)境控制主要針對溫度和濕度的控制進(jìn)行研究,溫室環(huán)境調(diào)控指標(biāo)含糊,控制精度低,不能做到多環(huán)境因子綜合控制。另外,國內(nèi)外越來越重視對能源的節(jié)約,但是在節(jié)約能源的具體實(shí)現(xiàn)方法上還有待進(jìn)一步研究。

4.展望

通過對目前國內(nèi)外溫室環(huán)境控制的研究現(xiàn)狀進(jìn)行分析,提出了今后溫室環(huán)境控制系統(tǒng)的發(fā)展方向:

控制算法集成。由于現(xiàn)代溫室環(huán)境控制系統(tǒng)是一個(gè)非線性、大滯后、多輸入和多輸出的復(fù)雜系統(tǒng),單一的控制算法很難滿足現(xiàn)代溫室環(huán)境智能控制的要求,將多種智能控制算法集成,能進(jìn)一步提高智能控制系統(tǒng)的性能,有效地為溫室內(nèi)作物創(chuàng)造最適宜的生長發(fā)育環(huán)境。

深入研究作物對溫室環(huán)境的反饋?zhàn)饔脵C(jī)制,建立面向控制的適合我國溫室的多環(huán)境因子綜合環(huán)境控制輸入輸出動(dòng)態(tài)模型。

進(jìn)一步研究環(huán)境控制目標(biāo)間沖突問題(如溫度和濕度,CO2施肥的影響),環(huán)境控制精度和能耗目標(biāo)沖突問題,對環(huán)境因子綜合控制,并實(shí)現(xiàn)節(jié)能。

總之,未來的溫室環(huán)境控制系統(tǒng)必將越來越以植物生長的最適宜環(huán)境為中心,以高效、節(jié)能為目標(biāo),大大促進(jìn)設(shè)施農(nóng)業(yè)的全面發(fā)展。

參考文獻(xiàn)

[1]李錫文,楊明金,楊仁全.現(xiàn)代溫室環(huán)境智能控制的發(fā)展現(xiàn)狀及展望[J].農(nóng)機(jī)化研究,2008(4):9-13.

[2]Albert Setiawan,Louis D.A.,Richard M.P..Application of Pseudo-derivative-feedback Algorithm in Greenhouse Air Temperature Control[J].Computers and Electronics in Agriculture,2000,26(3):283-302.

[3]李軍,鄒志榮,程瑞鋒等.農(nóng)業(yè)專家系統(tǒng)及其在園藝業(yè)中的研究與應(yīng)用[J].陜西農(nóng)業(yè)科學(xué),2002(11):22-25.

[4]鄭秀蓮.現(xiàn)代溫室氣候的專家控制系統(tǒng)[J].機(jī)電工程, 2003,20(3):42-45.

[5]藍(lán)淑淵,璩柏青.自尋優(yōu)模糊控制器及其在溫室溫控中的應(yīng)用[J].計(jì)算機(jī)時(shí)代,2005(10):20-21.

[6]朱偉興,毛罕平,李萍萍等.基于模糊控制的溫室加熱器的研究[J].農(nóng)業(yè)工程學(xué)報(bào),2002(3):72-75.

[7]Ido Seginer.Some Artificial Neural Network Applications to Greenhouse Environmental Control[J].Computers and Electronics in Agriculture,1997,18:167-186.

[8]索興梅,王崇桃.人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用研究[J].計(jì)算機(jī)與農(nóng)業(yè),2002(2):6-7.

[9]任雪玲.溫室環(huán)境多因子協(xié)調(diào)控制方法研究[D].上海:同濟(jì)大學(xué),2001.

[10]朱偉興,毛罕平,李萍萍等.遺傳優(yōu)化模糊控制器在溫室控制系統(tǒng)中的應(yīng)用[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2002,33(3):76-78.

[11]Tetsuo Morimoto,Yasushi Hashimoto.An Intelligent Control for Greenhouse Automation Oriented by The Concepts of SPA and SFA-an application to a post-harvest process[J].Computers and Electronics in Agriculture,2000,29(1-2):3-20.

第3篇:模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

1.1多源信息融合技術(shù)

信息融合是現(xiàn)代信息技術(shù)與多學(xué)科交叉、綜合、延拓產(chǎn)生的新的系統(tǒng)科學(xué)研究方向,隨著微電子技術(shù)、信號檢測與處理技術(shù)、計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)通信技術(shù)以及控制技術(shù)的飛速發(fā)展,各種面向復(fù)雜應(yīng)用背景的多傳感器系統(tǒng)大量涌現(xiàn)。

1.2多源信息融合技術(shù)在預(yù)警系統(tǒng)中的應(yīng)用

目前信息融合技術(shù)在預(yù)警系統(tǒng)中已經(jīng)取得了較為顯著的成果,王剛毅為了實(shí)現(xiàn)對尾礦庫進(jìn)行實(shí)時(shí)監(jiān)測和評估的功能,提出一種基于多源信息融合的預(yù)警和安全評估方法,對降低尾礦庫潰壩風(fēng)險(xiǎn)及控制災(zāi)情損傷范圍具有重要的意義。高強(qiáng)提出了一種基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)信息融合算法應(yīng)用在赤潮的預(yù)測預(yù)警中,研究各種理化因子與赤潮藻類濃度間非線性對應(yīng)規(guī)律和有效預(yù)測赤潮藻類濃度。蘇曉燕提出了基于多因素信息融合的中國糧食安全預(yù)警系統(tǒng),鄧軍提出了礦井火災(zāi)多源信息融合預(yù)警方法的研究。和前述其它系統(tǒng)一樣,水上交通系統(tǒng)也具有很大的不確定性,如果能夠采集各個(gè)影響因素的信息,則可以通過多源信息融合技術(shù),從而實(shí)現(xiàn)有效船舶通航風(fēng)險(xiǎn)預(yù)警。

2水上交通安全預(yù)警的研究進(jìn)展

2.1水上交通安全預(yù)警信息采集

水上交通安全單個(gè)預(yù)警信息包括水文、氣象、船舶、交通流信息。水文和氣象信息采集目前相對較為成熟,且在長江已經(jīng)建立了相應(yīng)的信息傳感器,而對于船舶尺度和船舶交通流信息采集,取得了一定的成果。(1)船舶尺度采集。由于航運(yùn)船舶通常為不規(guī)則形狀的幾何體,必須選測多個(gè)規(guī)定點(diǎn)的幾何距離,計(jì)算出船體的若干個(gè)近似截面積,再結(jié)合船舶的航行速度計(jì)算出船舶的近似容積。因此,必須采用合適的非接觸式測距技術(shù),構(gòu)造一個(gè)多傳感器系統(tǒng),測出船舶的相關(guān)幾何距離。(2)交通流信息采集。嚴(yán)新平通過比較了多種交通流信息采集手段的優(yōu)缺點(diǎn),提出了一種多源信息融合的長江在航船舶交通流狀態(tài)信息采集系統(tǒng)三層構(gòu)架,其中由IC卡子系統(tǒng)、GPS子系統(tǒng)、CCTV子系統(tǒng)、雷達(dá)子系統(tǒng)、AIS子系統(tǒng)、RFID子系統(tǒng)以及激光掃描子系統(tǒng)組成信息采集層,依托現(xiàn)有的長江航運(yùn)信息網(wǎng)絡(luò)與公共通信網(wǎng)絡(luò)設(shè)施組成信息傳輸層,由交通流數(shù)據(jù)庫、電子航道圖以及信息處理系統(tǒng)組成信息處理層。

2.2多源傳感技術(shù)在水上交通安全預(yù)警應(yīng)用前景

隨著通訊與傳感器技術(shù)的飛速發(fā)展,數(shù)據(jù)(如AIS信息、VTS信息等)的采集,推動(dòng)了水上交通安全研究的發(fā)展;由此不斷改進(jìn)在水上交通安全事故的統(tǒng)計(jì)與機(jī)理模型。信息融合技術(shù)為水上交通安全預(yù)警提供了一個(gè)良好的平臺(tái),它將分布在不同位置的多個(gè)同類或異類傳感器(水文、氣象與通航環(huán)境信息)所提供的局部不完整的觀測信息加以綜合,消除多傳感器信息之間可能存在的冗余和矛盾,加以互補(bǔ),降低其不確定性,形成對水上交通事故有個(gè)相對完整的感知與描述,從而提高水上交通事故預(yù)警決策與應(yīng)急響應(yīng)的準(zhǔn)確性與效率。

3研究展望

3.1理論與方法研究

在船舶事故致因機(jī)理和系統(tǒng)安全工程理論研究基礎(chǔ)上,分析船舶事故演化規(guī)律,及船舶事故與其影響因子的相關(guān)關(guān)系,明確船舶通航風(fēng)險(xiǎn)預(yù)警的概念、特征、功能與預(yù)警等方面內(nèi)容;構(gòu)建基于多源信息融合技術(shù)的船舶通航風(fēng)險(xiǎn)預(yù)警的基本理論框架與方法體系。

3.2信息采集技術(shù)研究

對于船舶通過橋梁通航風(fēng)險(xiǎn),主要受到外部通航環(huán)境、橋梁尺度和船舶尺度因素影響,對于外部通航環(huán)境信息,宋成果提出了一種基于多功能航標(biāo)的信息采集方法,目前內(nèi)河航標(biāo)配備間距約為1km左右,在該航段內(nèi)的水文、氣象信息相對穩(wěn)定,可以為船舶通過橋區(qū)的外部通航環(huán)境提供信息來源,對于船舶的尺度,主要包括船舶的長度和寬度,考慮到需要提前獲取船舶尺度信息從而實(shí)現(xiàn)橋梁主動(dòng)預(yù)警,選取毫米波雷達(dá)作為船舶尺度的采集傳感器,將毫米波雷達(dá)安裝在橋梁上,并通過返回的圖像信息獲取船舶尺度信息。

3.3船撞橋預(yù)警模型建立

船撞橋多源預(yù)警模型的建立步驟如下:①在多源船撞橋預(yù)警信息收集與預(yù)處理基礎(chǔ)上,構(gòu)造完整的、相互獨(dú)立船撞橋預(yù)警指標(biāo)體系;②利用多源信息融合技術(shù),建立多源船撞橋預(yù)警信息處理的貝葉斯決策法、人工神經(jīng)網(wǎng)絡(luò)法、無監(jiān)督學(xué)習(xí)模式分類法、D-S證據(jù)推理算法和模糊推理算法等;③建立基于多源信息融合技術(shù)的船撞橋預(yù)警模型庫。在上述多源信息融合方法中,論文考慮采用模糊推理的方法實(shí)現(xiàn)外部通航環(huán)境的信息融合,建立船撞橋通航風(fēng)險(xiǎn)預(yù)警指標(biāo)體系(見圖1)。在上述通航風(fēng)險(xiǎn)預(yù)警系統(tǒng)中,通過將風(fēng)速傳感器采集的風(fēng)速信息、流速傳感器采集的流速信息、能見度采集的能見度信息、毫米波雷達(dá)采集的船舶尺度信息和橋梁自身的相關(guān)信息進(jìn)行融合,建立船撞橋預(yù)警系統(tǒng)。

3.4案例驗(yàn)證

本案例采用模糊推理的信息融合方法,分別建立了能見度、水流、風(fēng)速、橋梁軸線法向與水流夾角和通航尺度的隸屬度函數(shù)。通過建立相應(yīng)的模糊推理規(guī)則可以獲得船撞橋預(yù)警信息,以在不同風(fēng)、流條件下的超尺度船舶預(yù)警進(jìn)行驗(yàn)證,分別建立了小尺度、中等尺度、超尺度的10艘典型船舶進(jìn)行計(jì)算,與《內(nèi)河通航標(biāo)準(zhǔn)》船舶所需航跡帶寬度進(jìn)行比較,可以獲得預(yù)警結(jié)果。

4結(jié)論

第4篇:模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

【關(guān)鍵詞】橋型選擇;模糊綜合評判法;隸屬度矩陣

Study of Bridge Type Selection Based on the Fuzzy Comprehensive Evaluation Method

TIAN Chang-sheng ZHANG Qi

(CCCC Highway Survey & Design Co., Ltd., of Fhec, Beijing 100024, China)

【Abstract】As for the phenomenon of subjective desire and insufficient systematic evaluation existed in the selection of bridge type, a theoretical derivation based on fuzzy comprehensive assessment method is established in this passage. Meanwhile, the influence of security, feasibility, economical efficiency ,durability, aesthetics and environment protection are considered and a membership function matrix was established. Then, the contrastive analysis in corporate with practical engineering based on the continuous beam bridge, continuous rigid frame bridge and half-through concrete filled steel tube arch bridge is carried out, so that the quantitative value of each alternative bridge type could be obtained, and the appropriate type is determined.

【Key words】Bridge type selection;Fuzzy comprehension assessment method;Membership function matrix

0 引言

橋梁工程的建設(shè)對我國經(jīng)濟(jì)的飛速發(fā)展起到舉足輕重的地位。目前我國的橋梁建設(shè)中,橋型選擇僅有在橋梁養(yǎng)護(hù)規(guī)范中提到了橋梁評定的概念,且存在不完善之處,因此對橋型適應(yīng)性與橋型選擇技術(shù)是一個(gè)值得深入和系統(tǒng)研究的課題。

針對橋型的選擇,國外的學(xué)者做出了研究,葛耀君等[1]從橋梁美學(xué)設(shè)計(jì)、概念設(shè)計(jì)出發(fā)同時(shí)結(jié)合橋梁結(jié)構(gòu)防災(zāi)和耐久性、橋梁結(jié)構(gòu)體系及其關(guān)鍵力學(xué)問題以及新材料新工藝新設(shè)備等多因素對橋梁設(shè)計(jì)及選型進(jìn)行了分析,彌補(bǔ)中國橋梁在創(chuàng)新理念、工程質(zhì)量和美學(xué)三方面的不足;周念先[2]對典型中小跨、大跨度、超大跨度橋梁的設(shè)計(jì)方案選擇進(jìn)行了系統(tǒng)論述,提出了依據(jù)橋位具體條件進(jìn)行橋型方案合理選擇的基本原則;孫吉書等[3]以模糊數(shù)學(xué)理論為基礎(chǔ),建立模糊綜合評判模型,將橋梁美學(xué)、施工難度等定性指標(biāo)用隸屬度和權(quán)重來合理定量化,實(shí)現(xiàn)定量化的綜合分析,最終得到最佳橋型方案;馬士賓等[4]根據(jù)突變理論,建立橋型方案突變模型,通過對評價(jià)目標(biāo)進(jìn)行多層次分解,根據(jù)突變論歸一公式進(jìn)行量化遞歸運(yùn)算,分別計(jì)算出不同橋型方案總突變隸屬函數(shù)值,從而實(shí)現(xiàn)對橋型方案的分析與評判;姜忻良等[5]引入改進(jìn)層次分析法的綜合評價(jià)指標(biāo)法,與灰色選型理論和模糊理論作比較,定性與定量相結(jié)合,計(jì)算簡便、判讀準(zhǔn)確,是一種較科學(xué)、合理的橋梁型式選擇方法。

以上研究都是針對國內(nèi)的公路橋梁的橋型適應(yīng)性研究主要局限于單座橋或單個(gè)項(xiàng)目,沒有全國范圍內(nèi)具有較普遍意義的研究成果;對影響橋型適應(yīng)性因素研究不夠深入,缺乏系統(tǒng)性評價(jià)方法,主觀性較強(qiáng),難以準(zhǔn)確地評價(jià)橋型的適應(yīng)性。

因此本文在建立適合我國的公路橋梁橋型適應(yīng)性評價(jià)方法與評價(jià)指標(biāo)的基礎(chǔ)上,運(yùn)用模糊綜合評判法,進(jìn)一步分析環(huán)境條件對于橋型選擇的影響,研究具體橋型綜合適應(yīng)性評價(jià)在橋型選擇過程中的應(yīng)用,通過逐層分析,歸納演繹,建立橋型選擇模型,從而建立適合我國國情的公路橋梁橋型選擇原則與選擇方法。

1 模糊綜合評判法

1.1 單級模糊綜合評判

模糊綜合評判是模糊決策中最常用的一種有效方法,在實(shí)際中,常常需要對一個(gè)事物做出評價(jià)(或評估),一般都涉及到多個(gè)因素或多個(gè)指標(biāo)。它是以模糊數(shù)學(xué)理論為基礎(chǔ),建立模糊綜合評判模型,將橋梁美學(xué)、施工難度等定性指標(biāo)用隸屬度和權(quán)重來合理定量化,實(shí)現(xiàn)定量化的綜合分析,最終得到最佳橋型方案[6]。

模糊綜合評判法的實(shí)質(zhì)在于先利用模糊數(shù)學(xué)理論中的隸屬度函數(shù)確定方法先確定出隸屬度矩陣,在結(jié)合模糊算子,得出分?jǐn)?shù)值,根據(jù)分?jǐn)?shù)值的大小進(jìn)行評判[7-8]。

單級模糊綜合評判的一般方法步驟:

(1)確定因素集U={u1,u2,…,un},即被評判的對象的品質(zhì)是由哪些因素確定的;

(2)確定評判集V={v1,v2,…,vm},為諸因素的m種評判所構(gòu)成的評判集(或評語集、評價(jià)集);

(3)求出評判矩陣R=(rij)n×m,R可以看為集合U到集合V的模糊關(guān)系,即對每個(gè)因素ui根據(jù)評判集作一個(gè)評判(ri1,ri2,…,rim),rij∈[0,1],i=1,2,…,n從而確定出評判矩陣R=(rij)n×m,并且稱(U,V,R)為模糊綜合評判模型,U,V,R稱為該模型的三要素;

(4)綜合評判:對于權(quán)重A=(a1,a2,…,an),用模型M(∧,∨)取大-取小合成運(yùn)算,可以得到綜合評判B=A。R(bj=■ai∧rij)j=1,2,…m)。

1.2 多級模糊綜合評判

由于實(shí)際問題的復(fù)雜性,運(yùn)用1.1中的一級模糊綜合評判法得不到準(zhǔn)確的結(jié)果。在對復(fù)雜問題進(jìn)行分析時(shí),由于要考慮的因素較多,且各因素往往層次不同并具有模糊性,采用一般的單級模糊綜合評判法只能解決單指標(biāo)層的方案選擇問題,即首先分為一級指標(biāo)層,一級指標(biāo)層中保護(hù)若干影響因素,然后一級指標(biāo)層中的因素又可以細(xì)分為二級指標(biāo),最后先將每個(gè)因素拿出來單獨(dú)對其評判,評判完后,再用模糊綜合評判法對各級準(zhǔn)則層中的每個(gè)因素實(shí)施評判,最后得到想要的評判結(jié)果[7]。

多級模糊綜合評判的一般方法步驟:

(1)將因素集U={u1,u2,…,un}分成若干組U1,U2,Uk(1≤k≤n)使得U=■U■,且U■∩Uj=Φ(i≠j),稱U={u1,u2,…,uk}為一級指標(biāo)層的因素集。不妨設(shè):

Ui={u1(i),u2(i),…,u■(i)}(i=1,2,…k;■n■=n) (1)

我們稱Ui為二級指標(biāo)層的因素集。

(2)設(shè)評判集V={v1,v2,…,vm},由上述可知Ui={u1(i),u2(i),…,u■(i)},我們對Ui中的ni個(gè)因素以某種方法(專家調(diào)研法或者隸屬度函數(shù)法)進(jìn)行單因素評判以后,即建立f:UiF(V),uj(i)fi(uj(i))=(rj1(i),rj2(i),…,rjm(i))(j=1,2,…ni)于是得到模糊綜合評判中的隸屬度矩陣為:

Ri = ■ (2)

設(shè)Ui={u1(i),u2(i),…,u■(i)}權(quán)重集表示為Ai={a1(i),a2(i),…,a■(i)},由上述兩個(gè)集合可得模糊綜合評價(jià)矩陣Bi為:Bi=Ai 。Ri{b1(i),b2(i),…,bm(i)}(i=1,2,…k),其中bj(i)由模型M(∧,∨)確定,或根據(jù)模糊綜合算子M(?,∨)、M(∧,+)、M(?,+)運(yùn)算得到綜合評判矩陣B=A。R(b1,b2,…,bm)∈F(V)。

(3)進(jìn)行綜合評價(jià)

通過權(quán)系數(shù)矩陣W與評價(jià)矩陣R的模糊變換得到模糊評判集S。設(shè)W=(μ)1×m,R=(rij)m×n那么:

S=w?R=(μ1,μ2,…,μm)? ■=(S1,S2,…,Sn) (3)

其中“ ?!睘槟:阕?,我們只有用適合的模糊算子才能對矩陣進(jìn)行模糊變換,為我們常用的幾種模糊算子類型如下所示:

①M(fèi)(∧,∨)算子

Sk=■μj∧rjk)=■{min(μj,rjk)} ,k=1,2,…n (4)

符號“∧”為取小,“∨”為取大。運(yùn)算過程為首先對每個(gè)下標(biāo)j求出μj與rjk的最小值,然后從這些最小值里面取最大值。

②M(?,∨)算子

Sk=■μj?rjk)=■{μj?rjk}, k=1,2,…n (5)

③M(∧,?茌)算子

“?茌”是有界限的和運(yùn)算,即比普通的加法運(yùn)算多了個(gè)條件界限。對t個(gè)實(shí)數(shù)x1,x2,…,xt有x1?茌x2 ?茌…?茌xt =min1,■x■,利用M(∧,?茌)算子,有

Sk=min1,■min(μj,rjk), k=1,2,…n (6)

④M(?,?茌)算子

Sk=min1,■μj rjk, k=1,2,…n (7)

上述四種模糊綜合評價(jià)算子的優(yōu)缺點(diǎn)如下表1所示:

表1 綜合評價(jià)算子

Table 1 Comprehensive assessment operator

2 工程實(shí)際

2.1 工程概況

某橋橋位中心線與河流成860右交角??缭胶恿?,高速公路規(guī)劃路,二環(huán)路。主橋全長為234m。該河為淺灘型河流,為中順聯(lián)圍內(nèi)河流,其水位、流量受聯(lián)圍控制,橋位處河面寬約140m,河道最深處高程-3.11m,兩側(cè)直立漿砌片石護(hù)岸,沒有明顯高堤壩。地層由海陸交互沉積巖(Q4mc)、沖洪積層(Q4al+pl)、下伏加里東期(Pzl)和燕山期(AY) 基層組成石英、云母,巖芯呈柱狀、塊狀。本橋采用樁基礎(chǔ),選擇中風(fēng)化花崗巖作為樁端持力層。

2.2 主要技術(shù)標(biāo)準(zhǔn)

①公路等級:高速公路。

②設(shè)計(jì)車速:100km/h。

③設(shè)計(jì)車輛荷載:公路Ⅰ級。

④橋面寬度:全橋按六車道設(shè)計(jì),由分離式左、右幅橋組成,橋面凈寬2×15.40m,兩幅橋間凈距離0.7m。橋面內(nèi)外側(cè)設(shè)0.5m墻式防撞護(hù)欄,全橋總寬度33.50m。

⑤設(shè)計(jì)洪水頻率:1/100。

⑥地震烈度:地震峰值加速度為0.1g,反應(yīng)譜特征周期為0.40s,相應(yīng)地震烈度為Ⅶ度。主橋按Ⅷ度進(jìn)行抗震計(jì)算。

⑦通航要求:為Ⅳ級航道,航道凈寬90m,凈空8m。

2.3 方案擬定

該公路等級為高速公路,所處的橋位斷面屬于淺灘型,有通航要求,地基條件良好,有中風(fēng)化花崗巖做為持力層,本橋無特殊景觀要求,現(xiàn)選定三種橋型作為比較橋型:

方案一:三跨連續(xù)梁橋,跨徑62m+110m+62m

方案二:三跨連續(xù)剛構(gòu)橋,跨徑62m+110m+62m

方案三:中承式系桿拱結(jié)構(gòu),跨徑17m+200m+17m

表2 三種橋型比較

Table 2 Comparative analysis of three bridge types

3 橋型評價(jià)指標(biāo)體系權(quán)重的確定

利用專家評價(jià)法構(gòu)造兩兩比較矩陣[9]。

表3 一級指標(biāo)層各因素的兩兩比較表

Table 3 Pairwise comparison of factors in first-grade index

表4 二級指標(biāo)層各因素的兩兩比較表

Table 4 Pairwise comparison of factors in second-grade index

4 模糊綜合評價(jià)值的計(jì)算

(1)本文是將定性的評價(jià)指標(biāo)通過定量來進(jìn)行描述。評價(jià)的結(jié)果是評語集C中的一個(gè)評語,最后將得到的各個(gè)指標(biāo)的評語通過以下根據(jù)實(shí)際經(jīng)驗(yàn)和推理得到的一個(gè)Fuzzy映射,得到評判矩陣R。

表5 由因素集到評語集的Fuzzy映射

Table 5 Fuzzy mapping from factor gather to comment gather

表6 隸屬度評價(jià)指標(biāo)量化表

Table 6 The assessment index quantification of membership

注:上表Fuzzy映射是根據(jù)實(shí)際經(jīng)驗(yàn)和推理得到的。

(2)連續(xù)梁橋、連續(xù)剛構(gòu)橋和拱橋的評語表[7-11]

表7 種橋型評價(jià)等級匯總

Table 7 The assessment grade summarizing of

three bridge types

(3)由表5和表6同時(shí)結(jié)合公式(3)可得連續(xù)梁橋的隸屬度矩陣

S1= ■ = ■

得出了模糊評價(jià)矩陣后,進(jìn)行模糊矩陣的復(fù)合運(yùn)算,這里采用M(?,?茌)加權(quán)平均型算子通過:

Y1=W*S1=(0.309,0.168,0.121,0.229,0.086,0.086)*

=(0.0142,0.0782,0.2267,0.3722,0.3076)

最后得出連續(xù)梁橋的模糊綜合評價(jià)分?jǐn)?shù):

F1=Y1*N=(0.0142,0.0782,0.2267,0.3722,0.3076)*■=0.8808

同理可得連續(xù)剛構(gòu)橋的分?jǐn)?shù)值為0.8424,拱橋的分?jǐn)?shù)值為0.7493。

綜上,采用多級模糊綜合評價(jià)法評價(jià),通過加權(quán)平均型算子計(jì)算結(jié)果如下:

表8 比選橋型的模糊綜合評價(jià)分值

Table 8 Fuzzy comprehensive assessment grades of

three bridge type comparison

通過對三個(gè)橋型的對比分析發(fā)現(xiàn)連續(xù)梁橋的模糊綜合值最高為0.8808,連續(xù)鋼構(gòu)次之為0.8224,拱橋最后為0.7493,該橋型選擇結(jié)果與實(shí)際相符合。

5 結(jié)論

本文運(yùn)用模糊綜合評價(jià)法對特定環(huán)境下的備選橋型進(jìn)行評價(jià)打分,得出以下結(jié)論:

(1)將定性分析與定量分析結(jié)合起來。把橋型適應(yīng)性選擇中的所有定性的問題通過科學(xué)的數(shù)學(xué)定量的辦法來刻畫,利用模糊運(yùn)算又轉(zhuǎn)化為怎么樣定性地表示各個(gè)指標(biāo)層地評價(jià)等級的問題,這樣可以把定性分析的問題與定量分析問題的方法有機(jī)地結(jié)合起來,這樣解決問題就保證了橋型適應(yīng)性評價(jià)過程中的客觀實(shí)際性;

(2)現(xiàn)有統(tǒng)計(jì)信息的不完善性使得對鋼筋混凝土橋梁橋型選擇的還存在一定的不確定性,但是這些不確定性又是在實(shí)際的分析過程中不可或缺的;

(3)通過三個(gè)方案的比較以及結(jié)合工程實(shí)際來分析,得到利用算出的模糊綜合值來對選擇橋型是比較符合實(shí)際的;

(4)本文所給出的是以專家評價(jià)為基礎(chǔ),通過工程調(diào)研以及理論計(jì)算得出的計(jì)算結(jié)果,在此過程中是以抽樣的形式進(jìn)行,難免會(huì)存在一定的誤差,這將是我們下一步研究的重點(diǎn)。

【參考文獻(xiàn)】

[1]葛耀君,項(xiàng)海帆.橋梁工程可持續(xù)發(fā)展的理念與使命[C]//第全國橋梁學(xué)術(shù)會(huì)議論文集(上冊).2010.GE Yao-jun,XIANG Hai-fan.The philosophy and mission of bridge engineering sustainable development [C]//The 19th national Bridge academic conference proceedings(volume one).2010.

[2]周念先.橋梁方案比選[M].上海:同濟(jì)大學(xué)出版社,1997:10.ZHOU Nian-xian.Bridge scheme comparison[M].Shanghai:Tongji University Press,1997:10.

[3]孫吉書,楊春風(fēng),艾忠華,等.模糊綜合評價(jià)方法在橋型多方案選擇中的應(yīng)用[J].河北工業(yè)大學(xué)學(xué)報(bào),2009,38(4):99-102. SUN Ji-shu, YANG Chun-feng,AI Zhong-hua,ZHOU Ji.Application of Fuzzy Comprehensive Evaluation Method in Bridge Type Multi-scheme Selection[J].JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGY,2009,38(4):99-102.

[4]馬士賓,王選倉,魏連雨,等.突變優(yōu)選理論在選擇橋型方案中的應(yīng)用[J].公路交通科技,2007,4(10):68-71.MA Shi-bin,WANG Xuan-cang,WEI Lian-yu,CUN Hong-jun.Bridge Scheme Selection Based on Mutation Theory[J]. JOURNAL OF HIGHWAY AND TRANSPORTATION RESEARCH AND DEVELOPMENT,2007,24(10):68-71.

[5]姜忻良,王丙興,竇遠(yuǎn)明,等.綜合評價(jià)指標(biāo)體系在橋梁選型中的應(yīng)用研究[J].土木工程學(xué)報(bào),2009,42(7):65-68.Jiang Xin-liang, Wang Bing-xing, Dou Yuan-ming, Sun Li-shan. Application of comprehensive indicator system for optimization of bridge schemes [J]. China Civil Engineering Journal,2009,42(7):65-68.

[6]郭釗.模糊信息下既有鋼筋混凝土橋梁時(shí)變可靠度評估[D].長沙:長沙理工大學(xué),2012.Guo Zhao. Time-Dependent Reliability Assessment of Existing Reinforced Concrete Bridge under Fuzzy Information[D].Changsha:Changsha University of Science and Technology,2012.

[7]陳貽源.模糊數(shù)學(xué)[M].武漢:華中工學(xué)院出版社,1984.Chen Yi-yuan.Fuzzy mathematics[M].Wuhan:Huazhong institute of technology press,1984.

[8]尹宏賓,徐建閩,黃仕進(jìn).基于模糊神經(jīng)網(wǎng)絡(luò)的信號交叉通量預(yù)測方法研究[J].中國公路學(xué)報(bào),2000,13(3):78-81.YIN Hong-bin,XU Jian-min,HUANG Shi-jin.Traffic flow prediction of signalized intersections using fuzzy-neural approach[J]. CHINA JOURNAL OF HIGHWAY AND TRANSPORT,2000,13(3):78-81.

[9]葉珍.基于AHP的模糊綜合評價(jià)方法研究及應(yīng)用[D].廣州:華南理工大學(xué),2010.Ye Zhen. Study and application of fuzzy comprehensive evaluation based on AHP[D].Guangzhou:south China university of technology,2010.

[10]陳守煜.工程水文水資源系統(tǒng)模糊集分析理論與實(shí)踐[M].大連:大連理工大學(xué)出版社,1998:65-69.Chen Shou-Yu. The Fuzzy Sets Theory and Practice For Engineering Hydrology and Water Resources System[M].Dalian:Dalian university of technology press,1998:65-69.

[11]王怡.基于模糊層次分析法的環(huán)境綜合評價(jià)[J].大慶石油學(xué)院學(xué)報(bào),2008,32(2):100-106.WANG Yi. Comprehensive appraisal of environment based on method of fuzzy and AHP[J]. Journal of Daqing Petroleum Institute,2008,32(2):100-106.