1、洗衣机的神经网络模糊控制器的设计研究 忻 州 师 范 学 院计算机系本科毕业（设计）论文课题名称洗衣机的神经网络模糊控制器的设计研究专 业计 算 机 科 学 与 技 术姓 名学 号指导教师二零一零年六月目 录1 引 言 11.1 课题的意义及发展现状 11.2 神经网络模糊控制器在洗衣机中的应用 21.3 论文的主要内容及组织结构 32 BP神经网络模糊控制 42.1 BP神经网络概述 42.1.1 BP算法描述 42.1.2 BP算法具体实现步骤 42.1.3 BP神经网络的局限性 52.2 BP神经网络模糊控制器的结构和特征 53 洗衣机的神经网络模糊控制器 73.1 洗衣机的模糊控制 7
2、3.2 洗衣机的神经网络模糊控制器的设计 84 应用MATLAB进行仿真实验 114.1 仿真实验的数据样本 114.2 BP神经网络训练 124.3 构建神经网络函数 124.4 MATLAB仿真实验 134.5 结果与分析 165 结束语 18致 谢 19参考文献 19洗衣机的神经网络模糊控制器的设计研究摘 要：洗衣机的耗水费电已成为人们生活中一个重要的问题，如何降低洗衣机的耗水费电是一项重要的工作。通过对洗衣机神经网络模糊控制器进行研究，基于模糊逻辑和神经网络及其学习算法，将BP神经网络与模糊控制相结合，并且运用MATLAB进行仿真实验。预设洗衣机水位、水流强度和洗涤时间，自动生成模糊控
3、制规则和隶属度函数，在整个过程中实时调整这些参数，提高洗衣机的性能，达到较好的节水省电的洗衣效果。关键词：模糊神经网络 洗衣机 控制器Abstract： Wasting of electric and water ,when we use washing machine,has become an important issue in life, how to reduce water consumption charge electric washing machine is an important task. Through studing the washing machine fuz
4、zy controller neural network research, based on fuzzy logic and neural network and its learning algorithm, the BP neural network is combined with fuzzy control and simulation experiments using MATLAB. Pre-washing water level, flow intensity and the washing time, automatically generate fuzzy control
5、rules and membership functions, real-time throughout the process to adjust these parameters to improve the performance of washing machines, to achieve better water-saving effect of energy saving laundry .Keywords：Fuzzy Neural Network Washing Machine Controller1 引 言1.1 课题的意义及发展现状洗衣机作为家庭中必不可少的电器，其年耗电量
6、已超过空调、电视机和电冰箱。耗水量更是家用电器中的第一。洗衣机用电已成为国内的耗电大户，是否节能成为了洗衣机质量好坏的重要标准。由于洗衣机广泛应用于宾馆、饭店、医院、部队、学校、车站、客运码头等洗涤衣物量大的场合，特别是工业洗衣机洗涤时要耗费大量的水和电。在我国淡水资源日益匮乏、能源需求急剧增加的今天，耗水、耗电的减少对保护环境、造福人民有着深远的意义。因此，若能对洗衣机神经网络模糊控制器进行研究，把模糊控制器和神经网络更好的相结合，提高洗衣机的性能，达到节水省电的洗衣效果。 模糊控制器自1974年问世以来，其设计方法一直没有大的变化，它的基本设计思路就是借助人工操作的经验，通过合成关系，把输
7、入的模糊量和关系矩阵合成，推导出控制量。但是，近年来,随着神经网络理论的迅速发展，一些研究人员尝试将神经网络引入到模糊控制器中，并取得了不错的效果，控制器得到了进一步的提高，可以说，将模糊控制器和神经网络两者结合组成的神经网络模糊控制技术是控制理论研究者们关注的焦点之一，主要研究神经网络的模糊控制原理和神经模糊控制器的MATLAB的实现01。洗衣机的主要参量为洗涤时间和水流，而影响输出参量的主要因素是被洗物的浑浊程度和浑浊性质，浑浊性质可用浑浊度的变化率来描述。在洗涤过程中，油污的浑浊度变化率小，泥污的浑浊度变化率大。因此，将浑浊度及其变化率作为控制系统的输入参量，洗涤时间和水流强度作为控制量
8、。但是，在传统的模糊控制系统中，控制规则的获取完全按照设计者和操作人员的经验进行。在某些系统中，由于设计者和操作人员经验的局限性，造成模糊控制器的设计无法保证最优或次优控制性能。然而，如果利用专家知识进行控制决策，往往容易实现优化控制，这就是在洗衣机中引入模糊控制技术的主要原因之一。将神经网络与模糊控制相结合，为模糊控制提供了良好的学习功能，并自动生成模糊控制规则。通过神经网络实现的模糊控制，对于知识的表达并不是通过显式的一条条的规则，而是把这些规则隐含地分布在整个网络之中。在控制应用时，不必进行复杂的规则搜索和推理，只需要通过高速并行的分布计算就可产生输出结果。1.2 神经网络模糊控制器在洗
9、衣机中的应用目前，洗衣机已成为人们生活中必不可少的电器。近年来，随着其神经网络的迅速发展，以及人们对洗衣机功能的更高要求，研究人员尝试将神经网络引入到模糊控制器中，并且取得不错的效果，主要表现为洗涤时间和水流强度，而影响这一参量的主要因子是被洗涤物的浑浊程度和浑浊性质，后者可用浑浊程度的变化率来描述。在洗涤过程中，油污的浑浊度变化率越小，污泥的浑浊度变化率越大。因此，浑浊度及其变化率可以作为控制系统的输入量，而洗涤时间和水流强度可作为控制量，即系统的输出。实际上，洗衣过程中的输入和输出很难用一定的数学模型进行描述，系统在运行过程中具有较大的不稳定性，控制过程中的难度很大，难以达到洗衣机的模糊控
10、制器最优或次优的性能。将神经网络和模糊控制相结合，应用神经网络控制器的技术，自动生成模糊控制规则和隶属度函数，通过预设洗衣机水位、水流强度和洗涤时间，并在整个过程中实时调整相关参数，以便精确快速的解决问题，从而达到在洗衣的过程中节水省电的效果，为人类可持续发展做出贡献。1.3 论文的主要内容及组织结构主要研究洗衣机神经网络模糊控制器，概述了洗衣机的模糊控制器和BP神经网络的基本原理，在考虑洗衣机本身特性和外部影响因素的基础上，建立神经网络模糊控制模型，并应用MATLAB进行仿真实验。论文组织结构如下：第一章：引言。介绍了洗衣机神经网络模糊控制器研究的意义及发展现状，以及神经网络模糊控制器在洗衣
11、机中的应用。第二章：BP神经网络模糊控制。对BP神经网络进行了简单的概述，同时介绍了BP神经网络模糊控制的结构和特征。第三章：洗衣机的神经网络模糊控制器。简述了洗衣机模糊控制的原理，进一步说明了神经网络模糊控制器的结构和设计。第四章：应用MATLAB进行仿真实验。选取实验样本，构建网络函数，通过BP神经网络进行训练，应用MATLAB进行仿真实验，与目标函数进行比较，分析其误差，并对网络模型中的参量浑浊度、浑浊度变化率以及洗涤时间进行分析讨论，得出神经网络模糊控制器较一般的模糊控制器的优点及实用性。第五章：结束语。对所做工作进行全面总结，指出还需改进的地方。2 BP神经网络模糊控制神经网络模糊控
12、制器是由神经网络和模糊控制共同组成的混合系统，这种系统兼备两种技术的优点。2.1 BP神经网络概述BP神经网络是一种多层前馈神经网络，名字源于网络权值的训练算法采用的是误差反向传播学习算法，即BP学习算法。BP网络是一种具有三层或三层以上神经元的神经网络，包括输入层、中间层(隐含层)、输出层。上下层之间实现全连接，而每层神经元之间无连接。它的传递函数要求必须是可微的，常用的有Sigmoid型的对数、正切函数或线性函数。BP网络的学习，由模式顺传传播，模式逆传传播，记忆训练，学习收敛四个过程组成。2.1.1 BP算法描述BP算法学习过程描述如下。(1) 输入模式正向传播：输入信号从输入层经隐层神
13、经元，传向输出层，在输出端产生输出信号。在信号的向前传递过程中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出，则转入误差信号反向传播。(2) 误差信号反向传播：网络的实际输出与期望输出之间的差值即为误差信号，误差信号由输出端开始逐层向前传播。在误差信号反向传播的过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网络的实际输出更接近期望输出。2.1.2 BP算法具体实现步骤BP算法的具体实现步骤：(1)初始化(2)输入训练样本对，计算各层输出(3)计算网络输出误差(4)计算各层误差信号(5)调整各层权值(6)检查网络总误差是否达到精度要求
14、满足，则训练结束；不满足，则返回步骤(2)2.1.3 BP神经网络的局限性 BP神经网络可以实现任意线性或非线性的函数映射。然而，由于BP神经网络是基于梯度下降的误差反向传播算法进行学习的，所以其网络训练速度通常很慢，易陷入局部极小值点，在设计过程中往往要经过反复的试凑合训练过程，无法严格保证每次训练时BP算法的收敛性和全局最优性。此外，BP网络隐含层神经元的作用机理及其个数选择已成为BP网络研究中的一个难点问题02。 2.2 BP神经网络模糊控制器的结构和特征神经网络控制器的结构一般有3种组合形式，如图2.1所示。这3种组合形式分别对应神经网络在模糊控制的3种作用02。(1) 利用神经网络驱
15、动模糊推理。(2) 利用神经网络记忆模糊控制规则。(3) 利用神经网络优化模糊控制器的参数。(a)(b)(c)图2.1 神经网络与模糊控制器的组合形式一种带有神经网络的模糊控制器结构如图2.2所示。这种结构是利用联想记忆神经来记忆模糊控制规则的。图2.2 神经模糊控制器结构框图BP神经网络的网络结构是一个前向的多层网络，该网络中不仅含有输入层节点和输出层节点，而且还含有一层或多层的隐含层节点。在BP神经网络中，同层的各神经元之间互不连接，相邻层的神经元则通过权值连接。当有信息输入BP神经网络时，信息首先由输入层节点传递到第一层的隐含层节点，经过特征函数(人工神经元)作用之后，再传至下一隐含层，
16、这样一层一层传递下去，直到最终传至输出层进行输出。其间各层的激发函数要求是可微的，一般是选用S型函数03。最基本的BP神经网络是包括输入层，隐含层，输出层这三层节点的前馈网络，其结构图如图2.3所示。图2.3 BP神经网络结构图3 洗衣机的神经网络模糊控制器自神经网络模糊控制应用于洗衣机中，洗衣机就可以自动判断衣物的质地软硬程度、衣量多少、脏污程度和性质等，应用神经网络模糊控制技术，自动生成模糊控制规则和隶属函数，预设洗衣水位、水流强度和洗涤时间，在整个洗衣过程中实时调整这些参数，达到最佳效果。3.1 洗衣机的模糊控制洗衣机的主要控制参量为洗涤时间和水流强度，而影响这一输出量的主要因子是被洗物
17、的浑浊程度和浑浊性质，后者可用浑浊度的变化率来描述。在洗涤过程中，油污的浑浊变化率越小，泥污的浑浊度变化率越大。因此，浑浊度及其变化率可以作为控制系统的输入参量，而洗涤时间和水流强度可作为控制量，即系统的输出03。实际上，洗衣过程中的这类输入和输出之间很难用一定的数学模型进行描述。系统运行过程中具有较大的不确定性，控制过程在很大程度上依赖操作者的经验，这样一来，利用常规的控制方法难以奏效。然而，如果利用专家知识进行控制决策，往往容易实现优化控制，这就是在洗衣机中引入模糊控制技术的主要原因之一。根据上述的模糊控制原理，可以得出确定洗涤时间的模糊推理框图如图3.1所示。其输入量为洗涤水的浑浊度及其
18、变化率，输出时间为洗涤时间。考虑到适当的控制性能需要和简化程序，定义输入量浑浊度的模糊词集为清、较浊、浊、很浊，定义浑浊度变化率的模糊词集为零、小、中、大，定义输出变量洗涤时间的模词集为短、较短、标准、长。描述输入和输出的词集都具有模糊特性，可以用模糊结合表示。因此，模糊概念的确定问题就直接转化为求取模糊结合的隶属函数问题。图3.1 确定洗涤时间的模糊推理框图通常定义一个模糊子集，实际上就是确定模糊子集隶属函数形式的过程。将确定的隶属函数曲线离散化，就得到了有限个点上的隶属度，构成了一个相应的模糊子集。如图3.2所示，定义的隶属函数曲线表示论域x中元素x对模糊变量A的隶属程度。设定该隶属函数的
19、论域x为：x=（-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6）则有： A（2）=A (6)=0.2， A（3）=A （5）=0.7，A（4）=1图3.2 模糊变量A的隶属度函数论域x中除了2、3、4、5、6外，各点的隶属度均为0。那么模糊变量A的模糊子集为A=0.2/2+0.7/3+1/4+0.7/5+0.2/6 。通过这个例子可以看出，在隶属函数的曲线确定后，就可以很容易的定义一个模糊变量的子集。洗衣机模糊控制的输入和输出变量的隶属函数如图3-3所示，由此可以相继确定他们的模糊子集。洗衣机的模糊控制规则可以归纳为16条，如表3.1所示。3.2 洗衣机的神经网络模糊控制器的设
20、计洗衣机模糊控制器的控制部分框图如图3.4所示，模糊控制器如图中虚线所示。模糊控制的过程是：表3.1 洗衣机模糊控制规则洗涤时间浑浊度清较浊浊很浊变化率零很小中大短标准标准标准较短标准长标准标准标准长长标准标准长长首先，洗衣机获取的浑浊度信息由传感器送到信息处理单元，分为浑浊度和浑浊变化率送入控制器。对于输入的模糊量，需要将其转化成模糊变量，通过单片机，利用查表法按照模糊推理法则作出决策，结果被认为是模糊变量，经过去模糊化单元处理，再由执行机构去修改洗涤时间，这样就完成了一次模糊控制的算法过程。 图3.4 模糊控制的控制部分框图一般的模糊控制洗衣机将“专家经验”通过模糊控制规则表现体现出来，运
21、行中通过查表作出控制决策，这比需要操作者设定程序的电脑控制洗衣机前进了一大步。但是，这种洗衣机由于规则表需要占用大量的内存空间，查表反应速度慢，只能够按照已经编入的规则进行控制，因此不够理想。而把神经网络和模糊控制器相结合，则能够解决这些问题。洗衣机的神经网络模糊控制器的控制系统中含有多个神经模糊环节。我们主要通过研究浑浊度和浑浊度变化率为输入参量来确定洗涤时间。神经网络模糊控制器如图3.5所示，神经网络结构如图3.6所示。图3.5 神经网络模糊控制器的控制框图 图3.6 浑浊度神经网络过结构4 应用MATLAB进行仿真实验4.1 仿真实验的数据样本为了检验模糊神经网络对洗衣机仿真的有效性，利
22、用MATLAB工具对洗衣机进行仿真实验。神经网络控制器在输入/输出参量的选择，以及模糊论域和模糊子集的确定方面，与一般模糊控制器没有什么区别，只是在推理手段上引入了神经网络。令x1x7为输入量浑浊度的模糊子集，x8x14为输入量浑浊度变化率的模糊子集，y1y8为输出控制量的模糊子集。共有16条控制规则，每条控制规则都是一对样本，则共有16对样本。例如当浑浊度为“清”，浑浊度变化率为“零”时，洗涤时间应该为“短”这样的样本可以表示为：x=1,0.6,0.1,0,0,0,0,1.0,0.5,0,0,0,0,0T y=1.0,0.5,0,0,0,0,0,0T输入参量模糊量浑浊度清较浊浊很浊1 0.6
23、 0.1 0 0 0 00 0.6 0.6 0 0 0 0 0 0 0.6 1 0 0 0 0 0 0 0 1 0.6 0浑浊度变化率零很小中大1 0.5 0 0 0 0 0 0 0.5 1 0.4 0 0 00 0 0 0.4 1 0.6 00 0 0 0 0 0 0.8洗涤时间短较短标准长1 0.5 0 0 0 0 0 00.4 0.8 1 0.8 0.4 0.2 0 00 0 0 0.2 0.6 1 0.6 0.20 0 0 0 0 0.2 0.5 0.8其中，x中的各元素为对应的隶属函数，即模糊子集的赋值。同理可列出其他15个样本队，并将它们依次送入神经网络进行离线训练，当训练结束后，
24、神经网络记忆了模糊控制的规则，使用时具有联想记忆功能。每一个输入参量的模糊量如表4.1所示。表4.1 输入参量的模糊量目标样本: T=1 0.5 0 0 0 0 0 0; 0 0 0 0.2 0.6 1 0.6 0.2; 0 0 0 0.2 0.6 1 0.6 0.2; 0 0 0 0.2 0.6 1 0.6 0.2; 0.4 0.8 1 0.8 0.4 0.2 0 0; 0 0 0 0.2 0.6 1 0.6 0.2; 0 0 0 0 0 0.2 0.5 0.8; 0 0 0 0.2 0.6 1 0.6 0.2; 0 0 0 0.2 0.6 1 0.6 0.2; 0 0 0 0.2 0.6
25、1 0.6 0.2; 0 0 0 0 0 0.2 0.5 0.8; 0 0 0 0 0 0.2 0.5 0.8; 0 0 0 0.2 0.6 1 0.6 0.2; 0 0 0 0.2 0.6 1 0.6 0.2; 0 0 0 0 0 0.2 0.5 0.8; 0 0 0 0 0 0.2 0.5 0.8;4.2 BP神经网络训练前馈型BP神经网络采用单个样本逐一处理的训练方式，即每次训练输入一个样本，然后根据网络误差修改权值，下一次训练输入另外的一个样本，这样按顺序进行，直到所有样本都输入到网络中。通常当训练达1000次，或网络误差减小到一定程度时，就停止学习。不论哪种方式中，对网络进行评估的都
26、是网络误差，如果误差不能减小到一定程度，就认为网络发散，从而停止训练，重新初始化权值再进行学习。本文神经网络的误差界值Emin为0.001，即在计算时误差值E 0.001时，就停止计算，输出结果05。4.3 构建神经网络函数在MATLAB神经网络工具箱中，有很方便的构建神经网络的函数。对于BP网络的实现，其提供了四个基本函数：(1) 新建：newff创建一个BP网络，这个函数有四个参数分别为，输入向量的范围、网络结构、各层转移函数和训练算法，确定了这些参数也即建立了我们所要求的BP网络。(2) 训练：trainBP网络初始化以后，就可对之进行训练了。函数train采用的是批处理方式进行网络连接
27、权值和阈值的更新，要对其参数进行设置，如学习步长，误差目标等，同时在网络训练过程中，还用图形显示网络误差随学习次数的变化。(3) 仿真：sim利用此函数，可以在网络训练前后分别进行输入输出的仿真，以此比较，从而对网络进行修改评价。(4) 绘图：plot仿真结束后，采用plot对仿真出来的数据进行绘图，与实际的历史曲线图进行比较06。4.4 MATLAB仿真实验(1) 建立网络%根据Kolmogorov定理由于输入层有142上结点，所以中间层有29个结点%中间层神经元的传递函数为tansig%输出层有8个结点，其神经元传递函数为logsig%训练函数采用traingdxnet=newff(min
28、max(P),29,8,tansig,logsig,traingdx);在使用“newff”，建立网络时，对权值和阈值进行初始化是随机的。(2) 网络训练net.trainParam.epochs=10000; %训练的步数为10000net.trainParam.goal=0.001; %误差0.001net=train(net,P,T); %P为输入向量，T为输出向量Y=sim(net,P); %求训练值在每一个点上的误差训练结果为：TRAINGDX, Epoch 0/1000, MSE 0.34484/0.001, Gradient 0.0932404/1e-006TRAINGDX, E
29、poch 25/1000, MSE 0.34167/0.001, Gradient 0.0941182/1e-006TRAINGDX, Epoch 50/1000, MSE 0.331398/0.001, Gradient 0.096924/1e-006TRAINGDX, Epoch 75/1000, MSE 0.292917/0.001, Gradient 0.104688/1e-006TRAINGDX, Epoch 100/1000, MSE 0.163575/0.001, Gradient 0.0782731/1e-006TRAINGDX, Epoch 125/1000, MSE 0.0
30、774625/0.001, Gradient 0.0208932/1e-006TRAINGDX, Epoch 150/1000, MSE 0.0480671/0.001, Gradient 0.00789182/1e-006TRAINGDX, Epoch 175/1000, MSE 0.0396982/0.001, Gradient 0.00460771/1e-006TRAINGDX, Epoch 200/1000, MSE 0.00574098/0.001, Gradient 0.0104253/1e-006TRAINGDX, Epoch 225/1000, MSE 0.00115385/0
31、.001, Gradient 0.00177577/1e-006TRAINGDX, Epoch 241/1000, MSE 0.00098956/0.001, Gradient 0.00236394/1e-006TRAINGDX, Performance goal met.TRAINGDX, Performance goal met.可见，经过241次训练后，网络误差达到要求，结果如图4.1所示。图4.1 训练结果 （3）仿真训练好的网络需要进行测试才可以判定是否可以投入实际应用，才可以在实验中及时调整参数，达到最佳的洗衣效果。所以应该改变输入的参量，得出实验数据。当目标函数值和实验函数值的差小于0.2时，就达到了最佳的效果。目标样本误差曲线图如图4.2所示。图4.2 目标网络误差曲线图实验样本误差曲线图如图4.3所示。 图4.
