神經模糊控制在SAW壓力傳感器溫度補償中的應用

鑒于BP神經網絡訓練過程需要對所有權值和閥值進行修正，是一種全局逼近神經網絡，但訓練速度較慢，不適用實時性較強場合，故采取了局部逼近網絡——徑向基網絡。算法訓練關系式如下：

節點輸出為

式中a1為節點輸出;b為神經元閥值;Wij為接點連接權值;f為傳遞函數。

權值修正

式中z為新學習因子;h為動量因子;Ej為計算誤差。

誤差計算

式中tPI為i節點期望輸出值;aPI為i節點計算輸出值。

由于神經網絡的神經元個數不確定性，經大量數據的實驗驗證，本文選取輸入層有2個神經元，隱含層有4個神經元。輸出層只有1個神經元。采用只有1個隱含層的三層網絡對控制基進行學習記憶。把每條控制規則作為神經網絡的樣本進行訓練學習，從而能實現這個規則基的神經網絡權系數。

基于神經網絡在推理方面不足，故借助于模糊控制強大的推理功能，提取有效的條件語句，進而加快網絡的訓練速度。選取偏差E和偏差變化率△E作為輸入和控制量U作為輸出。偏差E和偏差變化率△E的模糊量分別為大(L)，中(M)，小(S)，創立描述條件推理表格如表1。

橫行元素表示E的模糊量，豎行表示△E的模糊量，兩者交叉為控制量U的模糊量。根據表中數據，可知共有3×3種推理語句，采用推理法將條件語句表簡化得出以下4條語句：

將產生貢獻的語句選出，可能存在的個數為20，21，…，2n。這樣，減少了冗余的推理語句，有利于網絡訓練速度的快速進行。