15、二型模糊神经网络的控制与语言计算应用

二型模糊神经网络的控制与语言计算应用

1. 二型模糊神经网络在控制中的应用

1.1 控制系统结构

二型模糊神经网络控制系统的典型结构包含多个关键部分。在这个系统中，$y(k)$ 代表被控对象的输出信号，$g(k)$ 是设定点信号，$e(k)$ 和 $\Delta e(k)$ 分别是误差及其变化量，单元 D 用于输出误差差值。

1.2 控制实例

以一个线性时变被控对象为例，其数学模型为：
[
\begin{cases}
(s^2 + s a_1(t) + a_2(t))y_p = u_p \
a_1(t) = \frac{0.1t}{t + 1} \
a_2(t) =
\begin{cases}
0.3, & t \in [0, 40] \
0.1, & t \in [40, 60] \
0.6, & t \in [60, 85] \
0.3, & t \in [85, +\infty]
\end{cases}
\end{cases}
]

采用具有三条模糊 IF - THEN 规则的二型模糊小波神经网络（T2 FWNN）对该对象进行控制。此网络在训练过程中共有 33 个参数需要调整，其中表示高斯隶属函数的参数初始值被设定为在区间 $[-5, 15]$ 内的随机数，参数 $\omega$ 则从 $[-1, 1]$ 中生成。

1.3 训练过程

运用基于梯度的训练算法来更新初始参数，以适应不同的被控对象参考函数。经过大约 100 次迭代后