模糊神经控制系统-解释

栏: 快速模糊逻辑实时控制

当控制界的工程师们忙于从传统的机电和模拟电子控制技术迁移到结合计算机化分析和决策算法的数字机电控制系统时，新的计算机技术已经出现在地平线上，可能会改变更多的事情。神经网络和模糊逻辑已经得到应用，可能很快就会彻底改变机器控制系统的设计和编程方式。

传统计算机采用冯·诺依曼体系结构，该体系结构基于显式指令的顺序处理和执行。另一方面，人工神经网络(ANNs)依赖于非冯·诺依曼架构。它们由极其简单的处理单元组成，组合在一个大型并行系统中，遵循基于识别外部数据源数据输入模式的隐式指令。

模糊逻辑同样颠覆了传统智慧。而不是沿着唯一定义的维度(如“温度为23

定义

使用这些概念的计算机(或者更准确地说是“推理引擎”)被证明能够敏捷地克服传统系统无法克服的控制系统挑战。

根据维基百科的说法，人工神经网络(ANN)是“一组相互连接的人工‘神经元’，它使用基于连接主义计算方法的数学模型或计算模型进行信息处理。”

在大多数情况下，人工神经网络是一种自适应系统，它根据流经网络的外部或内部信息改变其结构。最有用的是，人工神经网络模拟输入和输出之间的复杂关系，或者在数据中找到模式，而不是根据数值输入产生数值结果。

简单的节点(被称为“神经元”、“神经单元”、“处理单元”或“单元”)连接在一起形成节点网络。它们的有用性来自于它们体现推理算法的能力，这些算法可以改变网络连接的强度或权重，以产生所需的信号流。

最有趣的是学习的可能性，这在实践中意味着优化一些数量，通常称为“成本”，它代表给定问题上下文的结果的适当性。

例如，在经典的旅行推销员问题中，成本是在销售区域内完成一圈、在所有要求的地点停留并到达起点所需的时间。较短的路线可以提供更好的解决方案。

为了解决这个问题，冯·诺依曼计算机必须识别所有可能的路线，然后依次分别沿着每条路线前进，加上时间延迟来确定这条路线的总和。在计算完所有可能路径的总数后，计算机简单地选择最短的一条。

在这个人工神经网络的例子中，变量h，一个三维向量，依赖于输入变量x。然后g，一个二维矢量变量，依赖于h，最后，f，输出变量，依赖于g。

另一方面，ann并行地查看所有的路由，以找到最小化总路由时间的模式。然后应用这些模式可以最小化生成的路由。学习包括确定经验显示的模式，以提供路线优化策略。

模糊逻辑(再次根据维基百科)源于模糊集理论，它处理的推理是近似的而不是精确的。模糊真值表示模糊定义集合中的隶属度。模糊逻辑可以根据不精确定义但仍然非常重要的特征做出决策。模糊逻辑允许将隶属度值设置在0到1之间(包括)，以及不精确的概念，如“稍微”、“相当”和“非常”。具体来说，它允许集合中的部分成员。

一个基本的应用程序可以描述连续变量的子范围。例如，防抱死刹车的温度测量可能有几个独立的隶属函数，定义适当控制刹车所需的特定温度范围。每个函数都将相同的温度值映射到0到1范围内的真值。这些真值可以用来决定如何控制刹车。

图像处理

基于模糊逻辑进行决策的神经网络可以创建一个强大的控制系统。很明显，这两个概念可以很好地结合在一起:通过使用真值(0.8,0.2,0.0)作为三个神经元的输入，可以在硬件上实现具有三种模糊状态(例如冷、热、热)的推理算法，每个真值代表三个集合中的一个。然后，每个神经元将对其输入值应用一个函数以获得一个输出值，然后该输出值将成为第二层神经元的输入，等等。

例如，神经网络图像处理器可以将应用程序从视频采集、照明和硬件设置方面的众多限制中解放出来。这种自由度是可能的，因为神经网络允许你通过学习例子来构建引擎。因此，可以训练它在明亮和黑暗的照明条件下，在不同的方向上定位，识别好或坏的部分等。推理引擎首先“评估”照明条件(换句话说，为系统知道如何处理的不同照明条件分配亲和值)，然后应用基于这些照明条件的标准来对图像内容做出判断。由于系统将照明条件视为模糊概念，推理引擎自然地在已知条件之间插入以处理新条件。

系统学习的例子越多，引擎就会变得越专业。自动化这一学习过程非常容易，例如，预先将零件分类为相似类别集，以学习找出相似和不同之处。这些观察到的相似性和差异可以通知人工神经网络，其任务是将传入的部件分类。成功的关键已经从设备的成本转移到训练和构建强大引擎所需的大量图像。

神经网络图像处理器适用于诊断依赖于操作员的经验和专业知识，而不是模型和算法的应用。处理器可以从操作员所做的简单图像标注构建识别引擎，然后从标注对象中提取特征或特征向量，并将其发送到神经网络。描述视觉对象的特征向量可以像原始像素值、直方图或强度分布、强度分布或沿相关轴的梯度一样简单。更高级的特性可以包括来自小波和FFT变换的组件。

在这幅图中，冷、暖、热是跨越一个温标的集合。这个尺度上的一个点有三个“真值”——三个集合中的每一个都有一个——表示每个集合的相对“亲和力”。对于所示的特定温度，三个真值(o.8, 0.2, 0.0)可以解释为将温度描述为“相当冷”、“略热”和“不热”。

概括

一旦用例子进行教学，神经网络就能够泛化，并通过将它们与相似的学习情况相关联来对从未见过的情况进行分类。另一方面，如果一个引擎有过于自由和过度概括情况的倾向，它可以在任何时候通过教它反例来纠正。

从神经网络的角度来看，该操作包括减少现有神经元的影响场，以适应与现有决策空间映射冲突的新示例。

接受人工神经网络的关键是无监督和自适应学习。这意味着设备必须能够在最少或没有操作员干预的情况下学习物体。例如，未来的娃娃可能有能力记住第一次打开它们的孩子的脸，并询问孩子的名字。对于手机来说，无监督学习可能包括学习初次用户的指纹。通过在同一台设备上结合人脸、指纹和语音识别，还可以加强所有者的身份验证。

在无监督学习的背景下，设备必须建立自己的识别引擎，以最适合其操作环境。例如，智能娃娃必须识别它的第一次主人，无论她的皮肤和头发颜色，地点和一年中的季节。

首先，引擎必须使用它所知道的所有特征提取技术。它将生成一系列子引擎，每个子引擎都用于识别相同类别的物体，但基于对不同特征(颜色、颗粒度、对比度、边缘密度等)的观察。然后，全局引擎可以评估子引擎，选择那些提供最佳吞吐量和/或准确性的子引擎。

鱼类分类示例

双鱼VMK为船上和海上设施制造鱼类加工设备。它的客户是全年在北海和大西洋进行各种鱼类捕捞的鱼类加工船。这些用户希望用最少的人员以最快的速度捕获最高质量的鱼。

通常情况下，鱼是通过渔网被带到船上的，然后沿着传送带将它们放入口袋里，然后通过清洗、切割和切片机。异常包括错误的品种，损坏的鱼，在一个口袋中存在多条鱼，以及在鱼进入切割机之前不正确的定位。这种类型的检测不容易使用传统的图像处理工具进行，因为鱼的大小、形状和鳞片很难在数学上建模。此外，它们的外观可能会根据探险地点和季节而变化。

双鱼座公司已经安装了20多个基于Matrox公司的虹膜智能相机和General Vision公司的CogniSight识别引擎的系统。摄像机安装在传送带上方，这样鱼就可以在到达鱼片机之前通过它。它连接到西门子Simatic S7-224 CPU可编程逻辑控制器(PLC)和局域网(LAN)。安装在摄像头旁边的频闪灯每次在摄像头视野中出现一个新口袋时就会被触发。相机连接到局域网需要进行三个操作:传感器设置以确保图像聚焦和良好对比，训练识别引擎，以及访问统计数据，连续报告可接受和不可接受的鱼的数量。

传感器设置只发生一次:在防水外壳内安装摄像头时。训练操作发生在每一次新探险的开始，方法是用捕获的第一条鱼来教授例子，或者通过加载预先存在的知识文件。

一旦相机有了知识库，它就可以开始自动识别鱼类，而不需要连接到PC。人工神经网络将它们分为接受、拒绝、回收和空类别。这个信号进入PLC, PLC控制两个刷将适当的鱼发送到垃圾桶或回收箱。PLC还连接到磁传感器，每次检测到摄像头前有口袋经过时，磁传感器就会产生采集触发器。

双鱼座目前在挪威、冰岛、苏格兰和丹麦的5个不同的船队中安装了20多个系统。该系统每分钟检查鲱鱼线上的360个输送带袋，但速度可以更快。它使用80个神经元对16吨鱼进行分类，准确率达到98%。渔民们喜欢它，因为它的可靠性、灵活性和易用性。它们的好处是更短的探险时间、更高的捕捞质量和更少渔民分享的收入。

在离散制造环境中，神经网络已应用于车辆控制、雷达系统的模式识别、人脸识别、物体识别、手写文本以及手势和语音识别。

模糊逻辑已经应用于控制汽车和其他车辆子系统，如自动刹车系统(ABS)和巡航控制、空调、摄像机、数字图像处理、视频游戏人工智能和遥感系统中的模式识别。

这种“软计算”技术也被用于为呼吸器建立可靠的电池充电器(见第XX页)。在连续和批处理工业中，模糊逻辑和神经网络是一些自调谐控制器的核心。一些微控制器和微处理器甚至针对模糊逻辑处理进行了优化，因此系统可以运行得更快(参见下面的“用于实时控制的快速模糊逻辑”)。

作者信息

C. G. Masi是控制工程．可以在……找到他charlie.masi@reedbusiness.com．

快速模糊逻辑实时控制

虽然任何MCU或计算机都可以在软件中实现模糊逻辑算法，但这在典型的数字计算机或MCU上往往效率低下，需要大量的程序空间和执行时间。飞思卡尔半导体运输和标准产品集团微控制器部门的汽车产品系统工程师Jim Sibigtroth表示，该公司的HC12和HCS12微控制器通过添加四条专门用于高效实现模糊逻辑推理引擎主要部分的指令来解决这一问题。

“处理非加权规则的通用模糊逻辑推理引擎的主程序大约需要57字节的目标代码(大约24行汇编代码)，”他说。

他指出，25mhz的HCS12可以在大约20μs的时间内为2输入1输出系统执行一个完整的推理序列，每个输入和每个输出都有7个标签。在8mhz的MC68HC11中，一个等效的程序(不含模糊逻辑指令)大约需要250字节的目标代码和750 μs来执行。即使MC68HC11可以和HCS12一样快，模糊逻辑指令仍然使程序比HCS12小4倍，比HCS12快12倍。这些快速的推理时间允许模糊逻辑用于实时控制应用程序，而无需昂贵的计算硬件或大型程序。

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。