CN109613825A - 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 - Google Patents
基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 Download PDFInfo
- Publication number
- CN109613825A CN109613825A CN201811527082.XA CN201811527082A CN109613825A CN 109613825 A CN109613825 A CN 109613825A CN 201811527082 A CN201811527082 A CN 201811527082A CN 109613825 A CN109613825 A CN 109613825A
- Authority
- CN
- China
- Prior art keywords
- neuron
- neural network
- formula
- fuzzy neural
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法,包括设计用于控制航向角的自组织模糊神经网络、自组织模糊神经网络在线学习和设计用于智能巡检的轨迹矫正方法,以及利用求解出的控制信号对巡检机器人驱动系统进行控制。其利用自组织模糊神经网络实时调整巡检机器人的航向,实现对巡检机器人轨迹矫正的智能控制,提高了巡检机器人的运行安全性和稳定性;解决了传统机器人轨迹矫正方法参数设置困难、矫正效果易受干扰的问题,该方法还拥有更为快速的响应能力,对复杂巡检环境具有更强的自适应能力,实现巡检机器人的智能轨迹矫正控制,提高矫正有效性和实时性。
Description
技术领域
本发明涉及污水处理中智能设备技术领域,尤其涉及一种基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法。
背景技术
随着我国城镇化水平越来越高,智能化设备的提出也逐渐被科研学者们重视并将其应用于各个领域中。污水处理作为与人们生活息息相关的一部分,在上述背景下,城市污水排放量也逐年攀升,全国各地新建或扩建各类大中型污水处理厂。然而,随着污水处理厂厂区面积的扩大,对厂区的不间断巡检变得尤为重要,但传统的人工巡检难以实现不间断巡检,且更大的巡检区域对于巡检人员也提出更高要求。因此,巡检机器人被越来越多地应用于污水处理厂的日常巡检工作中。在巡检机器人工作过程中,实际道路平整度、惯性等诸多因素使得巡检机器人在运动过程中发生轨迹偏移,故具有轨迹矫正功能的巡检机器人在实际工作环境中更具有实用价值;然而传统的巡检机器人运动控制采用PID控制器,车轮的侧偏系数、两个驱动轮直径和摩擦力的差别等很难确定的诸多变化使得PID控制器的参数全局整定极为困难,在复杂多变的工作环境下难以胜任巡检工作。因此能够自适应调整控制器参数、快速准确执行矫正动作是巡检机器人轨迹矫正的发展趋势,研究污水处理厂智能巡检轨迹矫正方法,通过多种传感器采集巡检环境信息,利用人工神经网络自主学习、自主决策矫正方式,实现巡检机器人的智能巡检轨迹矫正,保证巡检过程高效稳定运行,已成为污水处理厂安全稳定运行的迫切需要。
智能巡检轨迹矫正方法主要是通过实时调整巡检机器人航向,实现不同环境条件下的自主智能轨迹矫正动作,实现规划路线的精确跟踪,利用不同传感器采集更为丰富的环境信息,提高智能矫正的准确性;相比于传统PID轨迹矫正的巡检机器人,智能巡检轨迹矫正方法在轨迹矫正的准确性、稳定性和抗干扰性等方面更具有优势。本发明正是基于上述研究背景下而提出,旨在提供一种能够方便巡检机器人的智能轨迹矫正以期提高巡检机器人的运行稳定性和可靠性。
发明内容
本发明的目的在于:克服现有技术中污水处理中巡检机器人在应用过程中存在的不足,提供一种基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法,其具有设计合理、适应性和抗干扰能力强、运行可靠稳定的优点,具有较高的矫正精度,有效解决了传统机器人轨迹矫正方法参数设置困难、矫正效果易受干扰的问题。
为了达到上述目的,本发明采用如下技术方案实现:
一种基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法,其应用于污水处理厂巡检机器人的运动状态进行控制,该矫正方法以机器人的航向角为控制量,以机器人的运动状态为被控量;该矫正方法包括以下步骤:
(1)设计用于控制航向角的自组织模糊神经网络,自组织模糊神经网络分为四层:输入层、隶属函数层、规则层、输出层;具体为:
①输入层:该层由2个输入神经元组成:
X(t)=[x1(t),x2(t)]T (1)
其中,X(t)表示模糊神经网络的输入,x1(t)为t时刻机器人运动方向与路径方向的误差,x2(t)为t时刻机器人运动方向与路径方向的误差的变化率,T为矩阵的转置;
②隶属函数层:该层有2×M个隶属函数神经元,每个隶属函数神经元代表一个高斯隶属函数,表示如下:
其中,M为规则层神经元个数,1<M≤20;uij(t)表示t时刻第i个输入的第j个隶属函数神经元的输出,0<uij(t)≤1;mij(t)为t时刻第i个输入的第j个隶属函数神经元中心值,0<mij(t);σij(t)为t时刻第i个输入的第j个隶属函数神经元的宽度值;i表示模糊神经网络的输入个数,j表示模糊神经网络的隶属函数神经元个数,i=1,2;j=1,2,…,M;
③规则层:该层有M个规则神经元,每个神经元的输出为:
其中,fj(t)为t时刻第j个规则神经元的输出值,0<fj(t)≤1;
④输出层:该层有1个神经元,其输出表示为:
其中,hj(t)为t时刻第j个后件神经元的输出值,wij(t)为t时刻第i个输入对于第j个后件神经元的权值系数,bj(t)为t时刻第j个后件神经元的偏置,yu(t)为t时刻模糊神经网络的输出,表示机器人航向控制信号,正负表示其向左或向右调整航向,数值大小表示其调整角度大小;
(2)自组织模糊神经网络在线学习,具体如下:
自组织模糊神经网络的在线学习包括结构学习和参数学习两部分;结构学习采用增长-修剪算法,参数学习采用梯度下降算法;
④结构学习增长算法
利用激活强度作为结构增长的判断准则,激活强度AIj定义公式如公式(6)所示,其中,mij和σij分别表示第j个神经元的第i个隶属函数的中心和宽度值;激活强度大小表明该神经元对网络的贡献;激活强度越大,表明该神经元对网络的贡献越大;反之,则说明贡献较小;当输入数据对RBF层中所有神经元的最大激活强度Ig仍小于设定的增长阈值Igth时,表明当前的规则无法对新数据进行有效覆盖,需要增加神经元以满足当前控制环境的要求;
最大激活强度为:
式中:j=1,2,…,p;p(t)表示当前的归一化层神经元数;
若Ig≤Igth,则满足增长条件,需增加一个神经元,即p(t+1)=p(t)+1,;同时新增神经元参数设置为
σnew=σg (9)
式中:cnew、σnew和wnew分别表示新增神经元的参数;g表示距离当前样本欧式距离最小的神经元,cg、σg为神经元g的中心和宽度;yd和y分别为期望输出和网络输出;
⑤结构学习修剪算法
所述结构修剪算法采用了一种基于神经元重要性的网络在线修剪算法,该网络在线修建算法中:初始条件下每个神经元的重要性为1,并设置不活跃阈值ρ;每次计算每神经元的激活强度,若激活强度小于设定的不活跃阈值ρ时,说明该神经元对输出的贡献较小,可以忽略并将该神经元进行一次重要性衰减,其计算公式由式(11)表达;当t时刻满足删减条件(12)时,则删除该神经元;
Ik≤Icth (12)
式中:Ik表示第k个神经元的重要性,初始条件下为1;ρ∈(0,1)是预先设定的不活跃阈值;τ表示衰减常数,Icth∈(0,1)为预先设定的删减阈值,这里ρ=0.01,Icth=0.01;
为保证神经网络输出稳定,减少删除神经元后对网络的影响,对神经网络参数进行补偿,具体参数设置如下:
c′h=ch (13)
σ′h=σh (14)
c's=0 (16)
σ′s=0 (17)
w's=0 (18)
式中:s表示被修剪的神经元;h表示距离神经元s欧式距离较小的神经元;ch和c′h,σh和σ′h,wh和w′h分别是神经元h调整前后的参数,c′s、σ′s、w′s分别是被修剪神经元调整后的参数;x(t)表示当前输入样本;
⑥参数学习
在模糊神经网络参数训练学习中,采用梯度下降算法,通过该算法对网络的中心值、宽度值和权值进行更新;
在参数训练过程中,首先定义一个目标函数:
式中:yd(k)和y(k)分别表示系统期望输出和实际的神经网络输出;参数学习的目的是使得期望目标函数J(k)达到最小;
在梯度下降算法中,各个参数更新公式公式(20)-(25)所示:
式中:
式中:η表示参数学习率;
基于以上分析,自组织模糊神经网络算法具体流程如下:
1)初始条件下模糊神经网络归一化层神经元数为2,并对模糊神经网络的中心、宽度和权值参数进行随机初始化;设置增长阈值Igth、神经元不活跃阈值ρ及修剪阈值Icth;
2)根据式(7)计算最大激活强度,并判断该神经元是否满足增长条件,若满足,则需要增长,并利用式(8)-(10)对新增神经元的中心、宽度和权值进行初始值化设定;否则转向步骤3);
3)根据修剪条件对网络隐含层神经元进行分析,若满足式(11),则对相应的模糊规则重要性进行一次衰减;当满足删减条件式(12)时,则对该模糊规则进行删除,并且神经元参数调整如公式(13)-(18);
4)利用式(19)-(25)对神经网络的参数进行修改;
5)直到所有样本都学习完毕或满足停止条件,否则,转向步骤5)或步骤2)进行重复训练;
(3)设计用于智能巡检的轨迹矫正方法,具体为:
①根据公式(5)计算模糊神经网络的输出;
②判断当前时刻巡检机器人智能轨迹矫正信号的目标函数的大小,如果e(t)>0.01,转到步骤③;如果e(t)≤0.01,转到步骤④;
③根据自组织模糊神经网络在线学习,求解各个参数的更新值,转到步骤①;
④计算当前时刻的控制量uc(t):
uc(t)=yu(t) (8)
⑤t时刻自组织模糊神经网络的输出值uc(t)为巡检机器人驱动系统的实际输入量;
(4)利用求解出的t时刻控制信号uc(t)对巡检机器人驱动系统进行控制,t时刻控制信号uc(t)∈[-1,1],正负表示其向左或向右调整航向,数值大小表示其调整角度大小。
采用本发明的基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法具有如下有益效果:
(1)本发明针对污水处理厂巡检机器人巡检环境是一个开放空间,具有环境复杂多变等特点,巡检机器人需要时刻调整运动姿态,以保证机器按照规划路径前进,完成巡检过程,现有的基于PID的方法无法满足此巡检环境条件下的轨迹矫正要求;利用多种传感器采集环境信息,采用基于自组织模糊神经网络的智能巡检轨迹矫正方法实现巡检机器人的智能巡检轨迹矫正,具有矫正及时,适应性强,抗干扰性强等优点。
(2)本发明采用了基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法对巡检机器人巡检过程进行轨迹矫正控制,该矫正方法充分利用了人工神经网络的自学习能力,针对不同巡检环境均可实现良好的矫正效果;解决了巡检机器人在复杂多变的污水处理厂生产环境下的及时准确矫正,安全完成巡检任务的问题。
附图说明
附图1为本发明基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法控制结构示意图。其中,箭头是表示用误差更新矫正神经网络参数的一种通用表示方法。
附图2是本发明的自组织模糊神经网络结构图。
附图3是本发明的控制巡检机器人轨迹矫正结果图;其中,X轴:时间,单位:秒,Y轴:机器人航向角度,单位:rad;黑色实线为机器人偏移角度,黑色虚线为机器人航向修正角。
附图4是本发明的控制巡检机器人轨迹矫正结果误差图;其中,X轴:时间,单位:秒;Y轴:矫正角度误差值,单位:度。
附图5显示运行过程中自组织神经网络的规则数变化情况,无单位。
具体实施方式
下面结合附图1-4对本发明基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法作以详细说明。
一种基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法,其应用于污水处理厂巡检机器人的运动状态进行控制,该矫正方法以机器人的航向角为控制量,以机器人的运动状态为被控量;该矫正方法包括以下步骤:
(1)设计用于控制航向角的自组织模糊神经网络,自组织模糊神经网络分为四层:输入层、隶属函数层、规则层、输出层;具体为:
①输入层:该层由2个输入神经元组成:
X(t)=[x1(t),x2(t)]T (1)
其中,X(t)表示模糊神经网络的输入,x1(t)为t时刻机器人运动方向与路径方向的误差,x2(t)为t时刻机器人运动方向与路径方向的误差的变化率,T为矩阵的转置;
②隶属函数层:该层有2×M个隶属函数神经元,每个隶属函数神经元代表一个高斯隶属函数,表示如下:
其中,M为规则层神经元个数,1<M≤20;uij(t)表示t时刻第i个输入的第j个隶属函数神经元的输出,0<uij(t)≤1;mij(t)为t时刻第i个输入的第j个隶属函数神经元中心值,0<mij(t);σij(t)为t时刻第i个输入的第j个隶属函数神经元的宽度值;i表示模糊神经网络的输入个数,j表示模糊神经网络的隶属函数神经元个数,i=1,2;j=1,2,…,M;
③规则层:该层有M个规则神经元,每个神经元的输出为:
其中,fj(t)为t时刻第j个规则神经元的输出值,0<fj(t)≤1;
④输出层:该层有1个神经元,其输出表示为:
其中,hj(t)为t时刻第j个后件神经元的输出值,wij(t)为t时刻第i个输入对于第j个后件神经元的权值系数,bj(t)为t时刻第j个后件神经元的偏置,yu(t)为t时刻模糊神经网络的输出,表示机器人航向控制信号,正负表示其向左或向右调整航向,数值大小表示其调整角度大小;
(2)自组织模糊神经网络在线学习,具体如下:
自组织模糊神经网络的在线学习包括结构学习和参数学习两部分;结构学习采用增长-修剪算法,参数学习采用梯度下降算法;
⑦结构学习增长算法
利用激活强度作为结构增长的判断准则,激活强度AIj定义公式如公式(6)所示,其中,mij和σij分别表示第j个神经元的第i个隶属函数的中心和宽度值;激活强度大小表明该神经元对网络的贡献;激活强度越大,表明该神经元对网络的贡献越大;反之,则说明贡献较小;当输入数据对RBF层中所有神经元的最大激活强度Ig仍小于设定的增长阈值Igth时,表明当前的规则无法对新数据进行有效覆盖,需要增加神经元以满足当前控制环境的要求;
最大激活强度为:
式中:j=1,2,…,p;p(t)表示当前的归一化层神经元数;
若Ig≤Igth,则满足增长条件,需增加一个神经元,即p(t+1)=p(t)+1,;同时新增神经元参数设置为
σnew=σg (9)
式中:cnew、σnew和wnew分别表示新增神经元的参数;g表示距离当前样本欧式距离最小的神经元,cg、σg为神经元g的中心和宽度;yd和y分别为期望输出和网络输出;
⑧结构学习修剪算法
所述结构修剪算法采用了一种基于神经元重要性的网络在线修剪算法,该网络在线修建算法中:初始条件下每个神经元的重要性为1,并设置不活跃阈值ρ;每次计算每神经元的激活强度,若激活强度小于设定的不活跃阈值ρ时,说明该神经元对输出的贡献较小,可以忽略并将该神经元进行一次重要性衰减,其计算公式由式(11)表达;当t时刻满足删减条件(12)时,则删除该神经元;
Ik≤Icth (12)
式中:Ik表示第k个神经元的重要性,初始条件下为1;ρ∈(0,1)是预先设定的不活跃阈值;τ表示衰减常数,Icth∈(0,1)为预先设定的删减阈值,这里ρ=0.01,Icth=0.01;
为保证神经网络输出稳定,减少删除神经元后对网络的影响,对神经网络参数进行补偿,具体参数设置如下:
c′h=ch (13)
σ′h=σh (14)
c's=0 (16)
σ′s=0 (17)
w's=0 (18)
式中:s表示被修剪的神经元;h表示距离神经元s欧式距离较小的神经元;ch和c′h,σh和σ′h,wh和w′h分别是神经元h调整前后的参数,c′s、σ′s、w′s分别是被修剪神经元调整后的参数;x(t)表示当前输入样本;
⑨参数学习
在模糊神经网络参数训练学习中,采用梯度下降算法,通过该算法对网络的中心值、宽度值和权值进行更新;
在参数训练过程中,首先定义一个目标函数:
式中:yd(k)和y(k)分别表示系统期望输出和实际的神经网络输出;参数学习的目的是使得期望目标函数J(k)达到最小;
在梯度下降算法中,各个参数更新公式公式(20)-(25)所示:
式中:
式中:η表示参数学习率;
基于以上分析,自组织模糊神经网络算法具体流程如下:
1)初始条件下模糊神经网络归一化层神经元数为2,并对模糊神经网络的中心、宽度和权值参数进行随机初始化;设置增长阈值Igth、神经元不活跃阈值ρ及修剪阈值Icth;
2)根据式(7)计算最大激活强度,并判断该神经元是否满足增长条件,若满足,则需要增长,并利用式(8)-(10)对新增神经元的中心、宽度和权值进行初始值化设定;否则转向步骤3);
3)根据修剪条件对网络隐含层神经元进行分析,若满足式(11),则对相应的模糊规则重要性进行一次衰减;当满足删减条件式(12)时,则对该模糊规则进行删除,并且神经元参数调整如公式(13)-(18);
4)利用式(19)-(25)对神经网络的参数进行修改;
5)直到所有样本都学习完毕或满足停止条件,否则,转向步骤5)或步骤2)进行重复训练;
(3)设计用于智能巡检的轨迹矫正方法,具体为:
①根据公式(5)计算模糊神经网络的输出;
②判断当前时刻巡检机器人智能轨迹矫正信号的目标函数的大小,如果e(t)>0.01,转到步骤③;如果e(t)≤0.01,转到步骤④;
③根据自组织模糊神经网络在线学习,求解各个参数的更新值,转到步骤①;
④计算当前时刻的控制量uc(t):
uc(t)=yu(t) (8)
⑤t时刻自组织模糊神经网络的输出值uc(t)为巡检机器人驱动系统的实际输入量;
(4)利用求解出的t时刻控制信号uc(t)对巡检机器人驱动系统进行控制,t时刻控制信号uc(t)∈[-1,1],正负表示其向左或向右调整航向,数值大小表示其调整角度大小。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (1)
1.一种基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法,其应用于污水处理厂巡检机器人的运动状态进行控制,其特征在于,该矫正方法以机器人的航向角为控制量,以机器人的运动状态为被控量;该矫正方法包括以下步骤:
(1)设计用于控制航向角的自组织模糊神经网络,自组织模糊神经网络分为四层:输入层、隶属函数层、规则层、输出层;具体为:
①输入层:该层由2个输入神经元组成:
X(t)=[x1(t),x2(t)]T (1)
其中,X(t)表示模糊神经网络的输入,x1(t)为t时刻机器人运动方向与路径方向的误差,x2(t)为t时刻机器人运动方向与路径方向的误差的变化率,T为矩阵的转置;
②隶属函数层:该层有2×M个隶属函数神经元,每个隶属函数神经元代表一个高斯隶属函数,表示如下:
其中,M为规则层神经元个数,1<M≤20;uij(t)表示t时刻第i个输入的第j个隶属函数神经元的输出,0<uij(t)≤1;mij(t)为t时刻第i个输入的第j个隶属函数神经元中心值,0<mij(t);σij(t)为t时刻第i个输入的第j个隶属函数神经元的宽度值;i表示模糊神经网络的输入个数,j表示模糊神经网络的隶属函数神经元个数,i=1,2;j=1,2,…,M;
③规则层:该层有M个规则神经元,每个神经元的输出为:
其中,fj(t)为t时刻第j个规则神经元的输出值,0<fj(t)≤1;
④输出层:该层有1个神经元,其输出表示为:
其中,hj(t)为t时刻第j个后件神经元的输出值,wij(t)为t时刻第i个输入对于第j个后件神经元的权值系数,bj(t)为t时刻第j个后件神经元的偏置,yu(t)为t时刻模糊神经网络的输出,表示机器人航向控制信号,正负表示其向左或向右调整航向,数值大小表示其调整角度大小;
(2)自组织模糊神经网络在线学习,具体如下:
自组织模糊神经网络的在线学习包括结构学习和参数学习两部分;结构学习采用增长-修剪算法,参数学习采用梯度下降算法;
①结构学习增长算法
利用激活强度作为结构增长的判断准则,激活强度AIj定义公式如公式(6)所示,其中,mij和σij分别表示第j个神经元的第i个隶属函数的中心和宽度值;激活强度大小表明该神经元对网络的贡献;激活强度越大,表明该神经元对网络的贡献越大;反之,则说明贡献较小;当输入数据对RBF层中所有神经元的最大激活强度Ig仍小于设定的增长阈值Igth时,表明当前的规则无法对新数据进行有效覆盖,需要增加神经元以满足当前控制环境的要求;
最大激活强度为:
式中:j=1,2,…,p;p(t)表示当前的归一化层神经元数;
若Ig≤Igth,则满足增长条件,需增加一个神经元,即p(t+1)=p(t)+1,;同时新增神经元参数设置为
σnew=σg (9)
式中:cnew、σnew和wnew分别表示新增神经元的参数;g表示距离当前样本欧式距离最小的神经元,cg、σg为神经元g的中心和宽度;yd和y分别为期望输出和网络输出;
②结构学习修剪算法
所述结构修剪算法采用了一种基于神经元重要性的网络在线修剪算法,该网络在线修建算法中:初始条件下每个神经元的重要性为1,并设置不活跃阈值ρ;每次计算每神经元的激活强度,若激活强度小于设定的不活跃阈值ρ时,说明该神经元对输出的贡献较小,可以忽略并将该神经元进行一次重要性衰减,其计算公式由式(11)表达;当t时刻满足删减条件(12)时,则删除该神经元;
Ik≤Icth (12)
式中:Ik表示第k个神经元的重要性,初始条件下为1;ρ∈(0,1)是预先设定的不活跃阈值;τ表示衰减常数,Icth∈(0,1)为预先设定的删减阈值,这里ρ=0.01,Icth=0.01;
为保证神经网络输出稳定,减少删除神经元后对网络的影响,对神经网络参数进行补偿,具体参数设置如下:
c'h=ch (13)
σ'h=σh (14)
c's=0 (16)
σ's=0 (17)
w's=0 (18)
式中:s表示被修剪的神经元;h表示距离神经元s欧式距离较小的神经元;ch和c'h,σh和σ'h,wh和w'h分别是神经元h调整前后的参数,c's、σ's、w's分别是被修剪神经元调整后的参数;x(t)表示当前输入样本;
③参数学习
在模糊神经网络参数训练学习中,采用梯度下降算法,通过该算法对网络的中心值、宽度值和权值进行更新;
在参数训练过程中,首先定义一个目标函数:
式中:yd(k)和y(k)分别表示系统期望输出和实际的神经网络输出;参数学习的目的是使得期望目标函数J(k)达到最小;
在梯度下降算法中,各个参数更新公式公式(20)-(25)所示:
式中:
式中:η表示参数学习率;
基于以上分析,自组织模糊神经网络算法具体流程如下:
1)初始条件下模糊神经网络归一化层神经元数为2,并对模糊神经网络的中心、宽度和权值参数进行随机初始化;设置增长阈值Igth、神经元不活跃阈值ρ及修剪阈值Icth;
2)根据式(7)计算最大激活强度,并判断该神经元是否满足增长条件,若满足,则需要增长,并利用式(8)-(10)对新增神经元的中心、宽度和权值进行初始值化设定;否则转向步骤3);
3)根据修剪条件对网络隐含层神经元进行分析,若满足式(11),则对相应的模糊规则重要性进行一次衰减;当满足删减条件式(12)时,则对该模糊规则进行删除,并且神经元参数调整如公式(13)-(18);
4)利用式(19)-(25)对神经网络的参数进行修改;
5)直到所有样本都学习完毕或满足停止条件,否则,转向步骤5)或步骤2)进行重复训练;
(3)设计用于智能巡检的轨迹矫正方法,具体为:
①根据公式(5)计算模糊神经网络的输出;
②判断当前时刻巡检机器人智能轨迹矫正信号的目标函数的大小,如果e(t)>0.01,转到步骤③;如果e(t)≤0.01,转到步骤④;
③根据自组织模糊神经网络在线学习,求解各个参数的更新值,转到步骤①;
④计算当前时刻的控制量uc(t):
uc(t)=yu(t) (8)
⑤t时刻自组织模糊神经网络的输出值uc(t)为巡检机器人驱动系统的实际输入量;
(4)利用求解出的t时刻控制信号uc(t)对巡检机器人驱动系统进行控制,t时刻控制信号uc(t)∈[-1,1],正负表示其向左或向右调整航向,数值大小表示其调整角度大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527082.XA CN109613825A (zh) | 2018-12-13 | 2018-12-13 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527082.XA CN109613825A (zh) | 2018-12-13 | 2018-12-13 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109613825A true CN109613825A (zh) | 2019-04-12 |
Family
ID=66009107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811527082.XA Pending CN109613825A (zh) | 2018-12-13 | 2018-12-13 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109613825A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125907A (zh) * | 2019-12-23 | 2020-05-08 | 河南理工大学 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
CN112130450A (zh) * | 2020-09-03 | 2020-12-25 | 北京工业大学 | 城市污水处理自动控制虚拟仿真实验教学系统 |
CN115019413A (zh) * | 2022-07-02 | 2022-09-06 | 深圳市海曼科技股份有限公司 | 自动化巡检管理的方法、装置以及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049791A (zh) * | 2011-10-13 | 2013-04-17 | 何阳 | 模糊自组织神经网络的训练方法 |
CN103198720A (zh) * | 2013-04-03 | 2013-07-10 | 大连海事大学 | 一种基于广义自组织神经网络的船舶领域模型的修正方法 |
CN105676649A (zh) * | 2016-04-09 | 2016-06-15 | 北京工业大学 | 一种基于自组织神经网络的污水处理过程控制方法 |
CN108127241A (zh) * | 2017-12-18 | 2018-06-08 | 武汉捷众汽车零部件有限公司 | 一种焊接机器人智能控制系统 |
WO2018179191A1 (ja) * | 2017-03-29 | 2018-10-04 | 株式会社日立製作所 | 制御装置及び制御システム |
-
2018
- 2018-12-13 CN CN201811527082.XA patent/CN109613825A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049791A (zh) * | 2011-10-13 | 2013-04-17 | 何阳 | 模糊自组织神经网络的训练方法 |
CN103198720A (zh) * | 2013-04-03 | 2013-07-10 | 大连海事大学 | 一种基于广义自组织神经网络的船舶领域模型的修正方法 |
CN105676649A (zh) * | 2016-04-09 | 2016-06-15 | 北京工业大学 | 一种基于自组织神经网络的污水处理过程控制方法 |
WO2018179191A1 (ja) * | 2017-03-29 | 2018-10-04 | 株式会社日立製作所 | 制御装置及び制御システム |
CN108127241A (zh) * | 2017-12-18 | 2018-06-08 | 武汉捷众汽车零部件有限公司 | 一种焊接机器人智能控制系统 |
Non-Patent Citations (4)
Title |
---|
YIMING ZHANG ET AL.: "Research on car parking trajectory based on SO-FNN", 《INTERNATIONAL JOURNAL OF SCIENCE》 * |
刘艳菊 等: "SCARA机器人自组织模糊聚类神经网络控制器", 《微计算机信息》 * |
王宏旭: "一种基于模糊神经网络的智能车横向控制方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
许进超 等: "基于自组织模糊神经网络溶解氧控制方法研究", 《智能系统学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125907A (zh) * | 2019-12-23 | 2020-05-08 | 河南理工大学 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
CN111125907B (zh) * | 2019-12-23 | 2023-09-01 | 河南理工大学 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
CN112130450A (zh) * | 2020-09-03 | 2020-12-25 | 北京工业大学 | 城市污水处理自动控制虚拟仿真实验教学系统 |
CN115019413A (zh) * | 2022-07-02 | 2022-09-06 | 深圳市海曼科技股份有限公司 | 自动化巡检管理的方法、装置以及计算机设备 |
CN115019413B (zh) * | 2022-07-02 | 2023-06-23 | 深圳市海曼科技股份有限公司 | 自动化巡检管理的方法、装置以及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613825A (zh) | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 | |
CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
CN110299008B (zh) | 一种基于强化学习的交通流多步预测方法 | |
CN111103220B (zh) | 一种对大气污染物浓度的预测调控方法及系统 | |
CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
CN109131348A (zh) | 一种基于生成式对抗网络的智能车驾驶决策方法 | |
DE102019215902A1 (de) | Verfahren zur Bestimmung eines Gütegrades von Daten-Sätzen von Sensoren | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
RU2012132893A (ru) | Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа | |
CN102200787A (zh) | 机器人行为多层次集成学习方法及系统 | |
CN107219759A (zh) | 一种温室环境控制方法及装置 | |
CN108921044A (zh) | 基于深度卷积神经网络的驾驶员决策特征提取方法 | |
CN109534486B (zh) | 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法 | |
CN114781249A (zh) | 基于多维评分模型的高密度澄清池加药量预测及控制方法 | |
Wang et al. | Remote control system based on the Internet and machine vision for tracked vehicles | |
DE102019209457A1 (de) | Verfahren zum Trainieren eines künstlichen neuronalen Netzes, künstliches neuronales Netz, Verwendung eines künstlichen neuronalen Netzes sowie entsprechendes Computerprogramm, maschinenlesbares Speichermedium und entsprechende Vorrichtung | |
Qun | Intelligent control technology of agricultural greenhouse operation robot based on fuzzy PID path tracking algorithm. | |
EP3741518A1 (de) | Verfahren und vorrichtung für eine automatisierte beeinflussung eines aktuators | |
Xu et al. | Actor–critic reinforcement learning for autonomous control of unmanned ground vehicles | |
Carlevarino et al. | An incremental growing neural network and its application to robot control | |
CN115139315A (zh) | 一种采摘机械臂抓取运动规划方法 | |
CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
Yongjun et al. | The application of Quantum-inspired ant colony algorithm in automatic segmentation of tomato image | |
DE102019115092A1 (de) | Bestimmen einer Objekterkennungsrate eines künstlichen neuronalen Netzes zur Objekterkennung für ein automatisiertes Kraftfahrzeug | |
Simsek et al. | ESTIMATION OF NUTRIENT CONCENTRATIONS IN RUNOFF FROM BEEF CATTLE FEEDLOT USING ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |