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

模糊化 模糊推理 去模糊模糊集

输入参数

模糊集

输出参数

模糊规则库

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 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

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

p

jj

p

jjj

mo

mo

1

1

)(

)(

模糊控制器试验结果

X=20Y=20Φ=30

X=30Y=10

Φ=220

X=30Y=40Φ=-10

神经网络系统

.

.

.Truck

Emulator

θkΦ k+1

X k+1

Y k+1

Φ k

X k

Y k

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。

222 )()()( yyxx fff

),( 希望的终止点起始点距离卡车轨迹长度

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。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。