《智能控制》2023年5月第八章智能控制中的現(xiàn)代優(yōu)化方法主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法的基本原理遺傳算法GA(GeneticAlgorithm)是一種根據(jù)生物進(jìn)化思想的啟發(fā)、不依賴具體問(wèn)題的直接搜索方法；在人工智能研究中，現(xiàn)在人們認(rèn)為“遺傳算法、自適應(yīng)系統(tǒng)、細(xì)胞自動(dòng)機(jī)、混沌理論與人工智能一樣，都是對(duì)今后十年的計(jì)算技術(shù)有重大影響的關(guān)鍵技術(shù)?！边z傳算法的概念最早是由BagleyJ.D在1967年提出的；理論和方法系統(tǒng)性研究始于1975年，這一開(kāi)創(chuàng)性工作是由Michigan大學(xué)的J.H.Holland所實(shí)行。當(dāng)時(shí)，其主要目的是說(shuō)明自然和人工系統(tǒng)的自適應(yīng)過(guò)程。在模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、圖像處理、機(jī)器學(xué)習(xí)、工業(yè)優(yōu)化控制、自適應(yīng)控制、生物科學(xué)、社會(huì)科學(xué)等方面都得到應(yīng)用；遺傳算法的生物學(xué)基礎(chǔ)1．遺傳與變異生物在自然界中的生存繁衍，顯示出了其對(duì)自然環(huán)境的優(yōu)異自適應(yīng)能力。世間的生物從其親代繼承特性或性狀，這種生命現(xiàn)象就稱為遺傳(Heredity)。遺傳信息是由基因(Gene)組成的，生物的各種性狀由其相應(yīng)的基因所控制，基因是遺傳的基本單位。細(xì)胞通過(guò)分裂具有自我復(fù)制的能力，在細(xì)胞分裂的過(guò)程中，其遺傳基因也同時(shí)被復(fù)制到下一代，從而其性狀也被下一代所繼承。在進(jìn)行細(xì)胞復(fù)制時(shí)，雖然概率很小，但也有可能產(chǎn)生某些復(fù)制差錯(cuò)，從而使DNA發(fā)生某種變異(Mutation)，產(chǎn)生出新的染色體。這些新的染色體表現(xiàn)出新的性狀。通過(guò)自然選擇，優(yōu)秀的基因保留下來(lái)。遺傳算法的生物學(xué)基礎(chǔ)2．進(jìn)化生物在其延續(xù)生存的過(guò)程中，逐漸適應(yīng)于其生存環(huán)境，使得其品質(zhì)不斷得到改良，這種生命現(xiàn)象稱為進(jìn)化(Evolution)。生物的進(jìn)化是以群體(Population)的形式共同進(jìn)行的。每一個(gè)個(gè)體對(duì)其生存環(huán)境都有不同的適應(yīng)能力，這種適應(yīng)能力稱為個(gè)體的適應(yīng)度(Fitness)。3遺傳與進(jìn)化的系統(tǒng)觀生物的所有遺傳信息都包含在其染色體中、染色體決定了生物的性狀。染色體是由基因及其有規(guī)律的排列所構(gòu)成的，遺傳進(jìn)化過(guò)程發(fā)生在染色體上。生物的繁殖過(guò)程是由其基因的復(fù)制過(guò)程來(lái)完成的。通過(guò)同源染色體之間的交叉或染色體的變異會(huì)產(chǎn)生新的物種，使生物呈現(xiàn)新的性狀。對(duì)環(huán)境適應(yīng)性好的基因或染色體經(jīng)常比適應(yīng)性差的基因或染色體有更多的機(jī)會(huì)遺傳到下一代。遺傳算法的基本概念串(String)個(gè)體(Individual)的形式，在算法中為二進(jìn)制串，并且對(duì)應(yīng)于遺傳學(xué)中的染色體(Chromosome)。群體(Population)個(gè)體的集合稱為群體，串是群體的元素?；?Gene)基因是串中的元素，基因用于表示個(gè)體的特征。例如有一個(gè)串S＝1011，則其中的1，0，1，1這4個(gè)元素分別稱為基因。基因位置(GenePosition)一個(gè)基因在串中的位置稱為基因位置，有時(shí)也簡(jiǎn)稱基因位?；蛭恢糜纱淖笙蛴矣?jì)算，例如在串S＝1101中，0的基因位置是3?；蛭恢脤?duì)應(yīng)于遺傳學(xué)中的地點(diǎn)(Locus)?；蛱卣髦?GeneFeature)在用串表示整數(shù)時(shí)，基因的特征值與二進(jìn)制數(shù)的權(quán)一致；例如在串S=1011中，基因位置3中的1，它的基因特征值為2；基因位置1中的1，它的基因特征值為8。串結(jié)構(gòu)空間SS在串中，基因任意組合所構(gòu)成的串的集合?；虿僮魇窃诮Y(jié)構(gòu)空間中進(jìn)行的。串結(jié)構(gòu)空間對(duì)應(yīng)于遺傳學(xué)中的基因型(Genotype)的集合。參數(shù)空間SP這是串空間在物理系統(tǒng)中的映射，它對(duì)應(yīng)于遺傳學(xué)中的表現(xiàn)型(Phenotype)的集合。非線性遺傳學(xué)中的異位顯性(Epistasis)。適應(yīng)度(Fitness)表示某一個(gè)體對(duì)于環(huán)境的適應(yīng)程度。遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異遺傳算法通過(guò)對(duì)個(gè)體編碼的操作，不斷搜索出適應(yīng)度較高的個(gè)體，并在群體中逐漸增加其數(shù)量，最終尋求出問(wèn)題的最優(yōu)解或近似最優(yōu)解。在遺傳算法中，把一個(gè)問(wèn)題的可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的轉(zhuǎn)換方法就稱為編碼。編碼方法還決定了個(gè)體從搜索空間的基因型變換到解空間的表現(xiàn)型時(shí)的解碼方法，同時(shí)也影響到交叉操作、變異操作等遺傳操作的運(yùn)算方法。編碼原則有意義積木塊編碼原則：應(yīng)使用能易于產(chǎn)生與所求問(wèn)題相關(guān)的但具有低階、短定義長(zhǎng)度模式的編碼方案。最小字符集編碼原則：應(yīng)使用能使問(wèn)題得到自然表示或描述的具有最小編碼字符集的編碼方案。適應(yīng)度遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異模仿生物的遺傳和自然進(jìn)化過(guò)程，對(duì)群體中的個(gè)體進(jìn)行優(yōu)勝劣汰操作用來(lái)確定如何從父代群體中按某種方法選取哪些個(gè)體遺傳到下一代群體中目的：避免基因缺失、提高全局收斂性和計(jì)算效率。適應(yīng)度比例選擇ProportionalModel最優(yōu)保存策略ElitistModel隨機(jī)聯(lián)賽選擇StochasticTournamentModel排序選擇Rank-basedModel各個(gè)個(gè)體被選中的概率與其適應(yīng)度大小成正比。適應(yīng)度最好的個(gè)體要盡可能地保留到下一代群體中基于個(gè)體適應(yīng)度之間大小關(guān)系的選擇方法對(duì)群體中的所有個(gè)體按其適應(yīng)度大小進(jìn)行排序，基于這個(gè)排序來(lái)分配各個(gè)個(gè)體被選中的概率用迄今為止的最好個(gè)體替換掉當(dāng)前群體中的最差個(gè)體每次從群體里選取幾個(gè)個(gè)體，適應(yīng)度最高的一個(gè)個(gè)體遺傳到下一代群體中遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異首先對(duì)群體中的個(gè)體進(jìn)行配對(duì)。常用策略為隨機(jī)配對(duì)。對(duì)兩個(gè)相互配對(duì)的染色體按某種方式相互交換其部分基因，從而形成兩個(gè)新的個(gè)體。適應(yīng)度單點(diǎn)交叉(One-pointCrossover)個(gè)體編碼串中只隨機(jī)設(shè)置一個(gè)交叉點(diǎn)，然后在該點(diǎn)相互交換兩個(gè)配對(duì)個(gè)體的部分染色體。雙點(diǎn)交叉(Two-pointCrossover)個(gè)體編碼串中隨機(jī)設(shè)置了兩個(gè)交叉點(diǎn)，然后再進(jìn)行部分基因交換。多點(diǎn)交叉(Multi-pointCrossover)多點(diǎn)交叉是指在個(gè)體編碼串中隨機(jī)設(shè)置了多個(gè)交叉點(diǎn)，然后進(jìn)行基因交換。算術(shù)交叉(ArithmeticCrossover)操作對(duì)象一般是由浮點(diǎn)數(shù)編碼所表示的個(gè)體，兩個(gè)個(gè)體的線性組合產(chǎn)生出兩個(gè)新的個(gè)體。經(jīng)驗(yàn)交叉(HeuristicCrossover)經(jīng)驗(yàn)交叉是惟一一個(gè)用到適應(yīng)度信息的操作，它產(chǎn)生父類個(gè)體的線性外插。

遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異變異是指將個(gè)體染色體編碼串中的某些基因座上的基因值用該基因座的其他等位基因來(lái)替換，從而形成一個(gè)新的個(gè)體。適應(yīng)度基本位變異(SimpleMutation)均勻變異(UniformMutation)分別用符合某一范圍內(nèi)均勻分布的隨機(jī)數(shù)，以某一較小的概率來(lái)替換個(gè)體編碼串中各個(gè)基因座上的原有基因值。邊界變異(BoundaryMutation)隨機(jī)地取基因座的二個(gè)對(duì)應(yīng)邊界基因值之一去替代原有基因值。非均勻變異(Non-uniformMutation)對(duì)每個(gè)基因座都以相同的概率進(jìn)行變異運(yùn)算之后，相當(dāng)于整個(gè)解向量在解空間中作了一個(gè)輕微的變動(dòng)。多點(diǎn)非均勻變異(Multi-non-uniformMutation)非均勻變異操作的一個(gè)變形遺傳算法。遺傳算法的基本實(shí)現(xiàn)編碼選擇交叉變異遺傳算法在進(jìn)化搜索中基本上不用外部信息，僅用目標(biāo)函數(shù)即適應(yīng)度函數(shù)為依據(jù)。在具體應(yīng)用中，適應(yīng)度函數(shù)的設(shè)計(jì)要結(jié)合求解問(wèn)題本身的要求而定。適應(yīng)度函數(shù)評(píng)估是選擇操作和某些交叉操作和變異交叉的基礎(chǔ)的依據(jù)。適應(yīng)度函數(shù)直接影響到遺傳算法的性能。適應(yīng)度遺傳算法實(shí)現(xiàn)的基本步驟

交叉對(duì)于選中用于繁殖下一代的個(gè)體，隨機(jī)地選擇兩個(gè)個(gè)體的相同位置，按交叉概率P在選中的位置實(shí)行交換。這個(gè)過(guò)程反映了隨機(jī)信息交換；目的在于產(chǎn)生新的基因組合，也即產(chǎn)生新的個(gè)體。交叉時(shí)，可實(shí)行單點(diǎn)交叉或多點(diǎn)交叉。一般而言，交叉概率P取值為0.25～0.75。全局最優(yōu)收斂當(dāng)最優(yōu)個(gè)體的適應(yīng)度達(dá)到給定的閥值，或者最優(yōu)個(gè)體的適應(yīng)度和群體適應(yīng)度不再上升時(shí)，則算法的迭代過(guò)程收斂、算法結(jié)束。否則，用經(jīng)過(guò)選擇、交叉、變異所得到的新一代群體取代上一代群體，并返回到第（2）步即選擇操作處繼續(xù)循環(huán)執(zhí)行。變異根據(jù)生物遺傳中基因變異的原理，以變異概率Pm對(duì)某些個(gè)體的某些位執(zhí)行變異。在變異時(shí)，對(duì)執(zhí)行變異的串的對(duì)應(yīng)位求反，即把1變?yōu)?，把0變?yōu)?。變異概率Pm與生物變異極小的情況一致，所以，Pm的取值較小，一般取0.01～0.2。遺傳算法的特點(diǎn)是一類可用于復(fù)雜系統(tǒng)優(yōu)化計(jì)算的魯棒搜索算法，有下述幾個(gè)特點(diǎn)：遺傳算法以決策變量的編碼作為運(yùn)算對(duì)象遺傳算法直接以目標(biāo)函數(shù)值作為搜索信息遺傳算法僅使用由目標(biāo)函數(shù)值變換來(lái)的適應(yīng)度函數(shù)值，避開(kāi)了目標(biāo)函數(shù)求導(dǎo)的障礙。直接利用個(gè)體適應(yīng)度，把搜索范圍集中到適應(yīng)度較高的部分搜索空間中，提高了搜索效率。遺傳算法同時(shí)使用多個(gè)搜索點(diǎn)的搜索信息傳統(tǒng)的優(yōu)化算法往往是單個(gè)搜索點(diǎn)，搜索過(guò)程易陷于局部最優(yōu)解而停滯不前。遺傳算法從由很多個(gè)體所組成的群體開(kāi)始最優(yōu)解的搜索過(guò)程，這是其所特有的一種隱含并行性。遺傳算法使用概率搜索技術(shù)傳統(tǒng)的優(yōu)化算法往往使用的是確定性的搜索方法，一個(gè)搜索點(diǎn)到另一個(gè)搜索點(diǎn)的轉(zhuǎn)移有確定的轉(zhuǎn)移方法和轉(zhuǎn)移關(guān)系。遺傳算法屬于一種自適應(yīng)概率搜索技術(shù)，其選擇、交叉、變異等運(yùn)算都是以一種概率的方式來(lái)進(jìn)行的，從而增加了其搜索過(guò)程的靈活性。遺傳算法的應(yīng)用遺傳算法提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問(wèn)題的通用框架，對(duì)問(wèn)題的種類有很強(qiáng)的魯棒性，所以廣泛應(yīng)用于很多學(xué)科。其應(yīng)用的基礎(chǔ)理論是圖式定理。圖式(Scheme)一個(gè)基因串用符號(hào)集{0，1，*}表示，則稱為一個(gè)因式；其中*可以是0或1。例如：H=1xx0xx是一個(gè)圖式。圖式的階和長(zhǎng)度圖式中0和1的個(gè)數(shù)稱為圖式的階，并用0(H)表示。圖式中第1位數(shù)字和最后位數(shù)字間的距離稱為圖式的長(zhǎng)度，并用δ(H)表示。對(duì)于圖式H＝1xx0xx，有0(H)＝2，δ(H)＝4。Holland圖式定理低階，短長(zhǎng)度的圖式在群體遺傳過(guò)程中將會(huì)按指數(shù)規(guī)律增加。當(dāng)群體的大小為n時(shí)，每代處理的圖式數(shù)目為0(n3)。遺傳算法這種處理能力稱為隱含并行性(ImplicitParallelism)。它說(shuō)明遺傳算法其內(nèi)在具有并行處理的特質(zhì)。遺傳算法的應(yīng)用遺傳算法在應(yīng)用中最關(guān)鍵的問(wèn)題有如下3個(gè)：（1）串的編碼方式這本質(zhì)是問(wèn)題編碼。一般把問(wèn)題的各種參數(shù)用二進(jìn)制編碼，構(gòu)成子串；然后把子串拼接構(gòu)成“染色體”串。串長(zhǎng)度及編碼形式對(duì)算法收斂影響極大。（2）適應(yīng)函數(shù)的確定適應(yīng)函數(shù)(FitnessFunction)也稱對(duì)象函數(shù)(ObjectFunction)，這是問(wèn)題求解品質(zhì)的測(cè)量函數(shù)；往往也稱為問(wèn)題的“環(huán)境”。一般可以把問(wèn)題的模型函數(shù)作為對(duì)象函數(shù)；但有時(shí)需要另行構(gòu)造。（3）遺傳算法自身參數(shù)設(shè)定遺傳算法自身參數(shù)有3個(gè)，即群體大小n、交叉概率Pc和變異概率Pm。群體大小n太小時(shí)難以求出最優(yōu)解，太大則增長(zhǎng)收斂時(shí)間。一般n＝30-160。交叉概率Pc太小時(shí)難以向前搜索，太大則容易破壞高適應(yīng)值的結(jié)構(gòu)。一般取Pc=0.25-0.75。變異概率Pm太小時(shí)難以產(chǎn)生新的基因結(jié)構(gòu)，太大使遺傳算法成了單純的隨機(jī)搜索。一般取Pm＝0.01—0.2。遺傳算法總結(jié)遺傳算法雖然可以在多種領(lǐng)域都有實(shí)際應(yīng)用，并且也展示了它潛力和寬廣前景。遺傳算法的不足：在變量多，取值范圍大或無(wú)給定范圍時(shí)，收斂速度下降可找到最優(yōu)解附近，但無(wú)法精確確定最優(yōu)解位置遺傳算法的參數(shù)選擇尚未有定量方法遺傳算法有待解決的問(wèn)題：數(shù)學(xué)基礎(chǔ)理論、硬件化的遺傳算法、通用編程和形式等。主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用以冶金行業(yè)中使用的某型號(hào)兩段式步進(jìn)梁式加熱爐為例加熱爐可分為4段：爐尾段、預(yù)熱段、加熱段、均熱段。1表示上預(yù)熱帶，2表示上加熱帶，3表示上均熱帶，4表示下預(yù)熱帶，5表示下加熱帶，6表示下均熱帶。在加熱爐入口側(cè)，裝鋼機(jī)將板坯裝入加熱爐內(nèi)，當(dāng)板坯溫度滿足軋制溫度時(shí)，出口側(cè)的抽鋼機(jī)動(dòng)作將板坯抽出加熱爐。遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用加熱爐本身是一個(gè)非常復(fù)雜的系統(tǒng)，加熱爐模型有如下特點(diǎn)：系統(tǒng)多輸入多輸出：具有空氣、燃料12路輸入、溫度6路輸出。強(qiáng)互耦：加熱爐下游環(huán)節(jié)受上游環(huán)節(jié)的影響，例如：加熱爐預(yù)熱段在理論上受其他各段的影響，因?yàn)槠渌鞫蔚娜紵龔U氣都要從本段排出。典型的非線性：加熱爐系統(tǒng)具有眾多的典型非線性環(huán)節(jié)，例如各閥門特性、閥門到噴嘴的之間的燃料、空氣流動(dòng)引起的純滯后、閥門噴嘴到熱電偶純滯后等。多種強(qiáng)干擾：火焰形狀不確定，飄忽不定的火焰對(duì)于熱電偶溫度測(cè)量是一種隨機(jī)干擾，造成各段測(cè)量溫度振蕩劇烈。加熱爐裝鋼、抽鋼也是一種有色噪聲干擾。各種模型的計(jì)算誤差：加熱爐內(nèi)所能測(cè)量的只有各段局部點(diǎn)溫度，加熱爐其他點(diǎn)的溫度均依靠模型計(jì)算得到；加熱爐內(nèi)各段均有多塊板坯，各板坯溫度依靠模型計(jì)算得到，計(jì)算本身有一定的誤差，這些因素造成加熱爐對(duì)象模型一定的誤差。大滯后：加熱爐本身是大滯后系統(tǒng)，滯后量有十幾分鐘。分布參數(shù)：加熱爐各段溫度分布是不均勻的，整個(gè)空間是一個(gè)三維的溫度場(chǎng)，具有明顯的分布參數(shù)特點(diǎn)。時(shí)變系統(tǒng)：加熱爐對(duì)象隨時(shí)間推移，模型參數(shù)、結(jié)構(gòu)均會(huì)發(fā)生一定的變化，造成這種變化的原因是多方面的，例如：爐體不同的溫度、不同的板坯、非線性等，均影響系統(tǒng)的模型結(jié)構(gòu)和參數(shù)。因?yàn)榧訜釥t對(duì)象有如此眾多的非線性、干擾、耦合等因素，加熱爐對(duì)象建模是一項(xiàng)非常困難的事。遺傳算法建模原理采用遺傳算法來(lái)建立常微分方程組建模的困難模型結(jié)構(gòu)形式難以選擇；即使是模型結(jié)構(gòu)確定之后，由于其參數(shù)選取不當(dāng)，仍會(huì)導(dǎo)致所建立的系統(tǒng)不穩(wěn)定。以傳統(tǒng)的設(shè)計(jì)方法為基礎(chǔ)，提出應(yīng)用遺傳算法優(yōu)化模型結(jié)構(gòu)，并且在遺傳建模的每一代采用遺傳算法優(yōu)化模型參數(shù)，進(jìn)而與數(shù)據(jù)的預(yù)處理、模型的簡(jiǎn)潔化和規(guī)范化、系統(tǒng)的預(yù)測(cè)等輔助步驟相結(jié)合可實(shí)現(xiàn)常微分方程組的建模。利用遺傳算法可實(shí)現(xiàn)動(dòng)態(tài)系統(tǒng)的常微分方程組建模過(guò)程自動(dòng)化，該算法能在合理運(yùn)行時(shí)間內(nèi)由計(jì)算機(jī)自動(dòng)發(fā)現(xiàn)多個(gè)較優(yōu)的常微分方程組模型，和現(xiàn)有的建模方法（如灰色系統(tǒng)方法）相比較，它具有建模過(guò)程智能化與自動(dòng)化、模型結(jié)構(gòu)更加靈活多樣、方法適用性更廣、數(shù)據(jù)擬合和預(yù)測(cè)的精度更高等優(yōu)點(diǎn)。加熱爐對(duì)象的遺傳算法建模通過(guò)所采集的現(xiàn)場(chǎng)數(shù)據(jù)，并定義模型變量、模型結(jié)構(gòu)，通過(guò)大量加熱爐遺傳算法建模實(shí)驗(yàn)來(lái)尋找模型輸入、輸出之間的關(guān)系。模型變量包括模型輸入、輸出變量。模型輸入變量x1預(yù)熱帶上部燃?xì)饬髁縳2預(yù)熱帶下部燃?xì)饬髁縳3加熱帶上部燃?xì)饬髁縳4加熱帶下部燃?xì)饬髁縳5均熱帶上部燃?xì)饬髁縳6均熱帶下部燃?xì)饬髁縳7預(yù)熱帶板坯吸熱能力x8加熱帶板坯吸熱能力x9均熱帶板坯吸熱能力y1(t-1)前一時(shí)刻預(yù)熱帶上部溫度y2(t-1)前一時(shí)刻預(yù)熱帶下部溫度y3(t-1)前一時(shí)刻加熱帶上部溫度y4(t-1)前一時(shí)刻加熱帶下部溫度y5(t-1)前一時(shí)刻均熱帶上部溫度y6(t-1)前一時(shí)刻均熱帶下部溫度模型輸出變量y1(t)當(dāng)前時(shí)刻預(yù)熱帶上部溫度y2(t)當(dāng)前時(shí)刻預(yù)熱帶下部溫度y3(t)當(dāng)前時(shí)刻加熱帶上部溫度y4(t)當(dāng)前時(shí)刻加熱帶下部溫度y5(t)當(dāng)前時(shí)刻均熱帶上部溫度y6(t)當(dāng)前時(shí)刻均熱帶下部溫度假設(shè)模型結(jié)構(gòu)y1(t)=f1(x1,x2,x3,x4,x5,x6,x7,x8,x9,y1(t-1),y2(t-1),y3(t-1),y4(t-1),y5(t-1),y6(t-1))y2(t)=f2(x1,x2,x3,x4,x5,x6,x7,x8,x9,y1(t-1),y2(t-1),y3(t-1),y4(t-1),y5(t-1),y6(t-1))y3(t)=f3(x3,x4,x5,x6,x8,x9,y3(t-1),y4(t-1),y5(t-1),y6(t-1))y4(t)=f4(x3,x4,x5,x6,x8,x9,y3(t-1),y4(t-1),y5(t-1),y6(t-1))y5(t)=f5(x5,x6,x9,y5(t-1),y6(t-1))y6(t)=f6(x5,x6,x9,y5(t-1),y6(t-1))遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證取前800組數(shù)據(jù)進(jìn)行遺傳算法建模，得到模型后再對(duì)后600組數(shù)據(jù)進(jìn)行預(yù)測(cè)，考察模型的外推性。得到的建模效果用擬合誤差和預(yù)測(cè)誤差來(lái)度量。所建模型如下：1、預(yù)熱帶上部溫度模型結(jié)構(gòu)：y1(i,1)=1000*((18.805/(((x8(i,1)+(-15.553))*(x1(i,1)-(-16.187)))-((-48.623)-(x1(i,1)*(-19.890)))))+1.225413)；預(yù)熱帶上部溫度仿真遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證2、預(yù)熱帶下部溫度模型結(jié)構(gòu)：y2(i,1)=1000*(((((x8(i,1)/(-2.059))-(13.495-x3(i,1)))/6.558)/13.908)+1.225992)；3、加熱帶上部溫度模型結(jié)構(gòu)：y3(i,1)=1000*((((5.680-x4(i,1))+(-6.282))/((x8(i,1)*2.000)*(-12.904)))+1.226543)；預(yù)熱帶下部溫度仿真加熱帶上部溫度仿真遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證4、加熱帶下部溫度模型結(jié)構(gòu)：y4(i,1)=1000*((((x3(i,1)-0.159)*((y3(i-1,1)-1.226543)/x9(i,1)))/((x5(i,1)/x4(i,1))+(1.847-(y5(i-1,1)-1.227660))))+1.227092)；5、均熱帶上部溫度模型結(jié)構(gòu)：y5(i,1)=1000*((((y6(i-1,1)-1.228157)*(y6(i-1,1)-1.228157))*(x5(i,1)*x6(i,1)))+1.227660)；加熱帶下部溫度仿真均熱帶上部溫度仿真遺傳算法建模實(shí)驗(yàn)及仿真驗(yàn)證6、均熱帶下部溫度模型結(jié)構(gòu)：y6(i,1)=1000*(((-0.044)/(x5(i,1)+0.254))+1.228157)；均熱帶下部溫度仿真結(jié)論利用遺傳算法建立加熱爐對(duì)象模型是一種探索性的研究，遺傳算法本身是一種發(fā)展中的技術(shù)。可以看出：遺傳算法建模適用的范圍廣，建模具有一定的精度，是一種很有前途的技術(shù)。另外，目前遺傳算法建模發(fā)展還不是很成熟，建模過(guò)程中存在模型結(jié)構(gòu)不確定、模型難解釋等問(wèn)題。主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用在工業(yè)過(guò)程控制中存在著大量復(fù)雜的不確定系統(tǒng)，而人們對(duì)控制性能的要求卻不斷提高。傳統(tǒng)的控制理論是依靠精確的數(shù)學(xué)模型來(lái)實(shí)現(xiàn)對(duì)控制系統(tǒng)的設(shè)計(jì)的，因此常常不能得到理想的控制效果。模糊控制中，控制量的大小僅決定于系統(tǒng)的狀態(tài)，而與模型無(wú)關(guān)，因此也就成了人們研究的熱點(diǎn)。隸屬度函數(shù)的細(xì)化及比例因子的選擇在模糊控制中是一個(gè)很關(guān)鍵的因素。在基于合成推理方法的設(shè)計(jì)中，近年來(lái)人們提出了基于BP算法的多層前饋人工神經(jīng)網(wǎng)絡(luò)來(lái)記憶和優(yōu)化模糊推理規(guī)則，得到了很好的效果。但是當(dāng)目標(biāo)函數(shù)不可微時(shí)便無(wú)法用BP算法實(shí)現(xiàn)隸屬度函數(shù)的細(xì)化和比例因子的尋優(yōu)，而GA是用適應(yīng)度函數(shù)來(lái)進(jìn)行評(píng)價(jià)的，它不要求適應(yīng)度函數(shù)的可微性，因此可以用來(lái)進(jìn)行模糊控制器的設(shè)計(jì)。遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用

遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用

ENBNMNSZEPSPMPBECNBNBNBNMNMNSNSNENMNBNMNMNSNSZEPSNSNMNMNSNSZEPSPSZENMNSNSZEPSPSPMPSNSNSZEPSPSPMPMPMNSZEPSPSPMPMPBPBZEPSPSPMPMPBPB本控制器所采用的模糊控制規(guī)則模糊控制規(guī)則的基本思想是：若當(dāng)前輸出誤差為負(fù)且仍向負(fù)的方向發(fā)展時(shí)，則減小控制量；若當(dāng)前輸出誤差為正且仍向正的方向發(fā)展時(shí)，則增加控制量。根據(jù)誤差及誤差變化的不同，分別進(jìn)行不同的修正。遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用遺傳算法設(shè)置： N1=10，N3=30，Pc=0.9，Pm=0.001，采用二進(jìn)制編碼和單點(diǎn)交換法。依遺傳算法的原理，進(jìn)行以下幾個(gè)方面的改進(jìn)和特殊處理對(duì)解進(jìn)行編碼

遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用對(duì)解進(jìn)行尋優(yōu)按下面的方法對(duì)GA進(jìn)行改進(jìn)并設(shè)計(jì)模糊控制器：（1)用初始解構(gòu)成一條染色體，然后對(duì)這條染色體的參數(shù)加或減很小的隨機(jī)數(shù)，產(chǎn)生N1條染色體，分別以其作為解構(gòu)造模糊控制器應(yīng)用到系統(tǒng)中。選擇某一穩(wěn)定時(shí)刻T，計(jì)算各自輸出誤差ei，對(duì)每條染色體定義一個(gè)表示其“壽命”的變量age，并賦予初始值1。（2)根據(jù)每個(gè)解的誤差，分別計(jì)算其適應(yīng)度函數(shù)fi，定義fi=1/(ei-a*emin)，其中，a為0.8～0.9，emin為N1個(gè)解中的最小誤差。設(shè)每個(gè)解應(yīng)復(fù)制的數(shù)目為ni，這樣定義適應(yīng)度函數(shù)，能保證當(dāng)染色體群集表示的解構(gòu)成的模糊控制器，其輸出誤差變化比較小時(shí)，它們的適應(yīng)度值都有比較大的差異，以利于性能較優(yōu)的染色體有更多的復(fù)制機(jī)會(huì)。（3)產(chǎn)生新的染色體以交換概率Pc，從N2條染色體中隨機(jī)地選擇兩條染色體進(jìn)行交換操作；以變異概率Pm，隨機(jī)地選擇一條染色體進(jìn)行變異，即隨機(jī)地對(duì)某個(gè)基因位求反。反復(fù)進(jìn)行，直到產(chǎn)生的染色體數(shù)目為N3。（4)將上一代性能最好的一個(gè)，加入到N3中去，形成N3+1條染色體，對(duì)新的染色體集進(jìn)行評(píng)價(jià)，若有滿足問(wèn)題的解，則結(jié)束；否則，計(jì)算各自的適應(yīng)度值fi。為防止“近親繁殖”而出現(xiàn)退化或早熟的現(xiàn)象，對(duì)于兩個(gè)很“相似”的染色體（兩個(gè)解向量之間的空間距離很?。瑑H保留適應(yīng)度值大的一個(gè)。經(jīng)過(guò)這樣的選擇，若剩余的染色體少于N1，則按1)的方法，產(chǎn)生新的染色體；否則，保留性能最優(yōu)的N1個(gè)作為新的一代。（5)保存群體中性能最優(yōu)的解，并對(duì)最優(yōu)解的age進(jìn)行加1操作。加1后如果其值大于10，則把它作為局部最優(yōu)解從染色體群中刪去，以加快系統(tǒng)的收斂速度。（6)達(dá)到一定數(shù)目代的進(jìn)化，則結(jié)束；否則，返回到2)繼續(xù)。遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用通過(guò)給定系統(tǒng)的E，EC，△U語(yǔ)言值隸屬度函數(shù)初始狀態(tài)，其中：eq=kee，ecq=kec，△u=△u/k。初始狀態(tài)相應(yīng)的比例因子選擇為：ke=3，kec=20，ku=105。對(duì)式(8-12)描述的模型進(jìn)行仿真，經(jīng)過(guò)100代，選擇輸出誤差最小的解，用它構(gòu)造模糊控制器，得到相應(yīng)的隸屬度函數(shù)曲線，取比例因子為：ke=3.1143，kec=19.8539，ku=0.2670。從得出的系統(tǒng)對(duì)于單位階躍函數(shù)的響應(yīng)特性可得出結(jié)論如下：采用改進(jìn)的GA設(shè)計(jì)的模糊控制器比傳統(tǒng)方法設(shè)計(jì)的控制器上升時(shí)間要小一個(gè)數(shù)量級(jí)。對(duì)式(8-13)描述的模型進(jìn)行仿真，經(jīng)過(guò)100代，選擇輸出誤差最小的解，用它構(gòu)造模糊控制器，得到相應(yīng)的隸屬度函數(shù)曲線，取比例因子為：ke=218496，kec=2015260，ku=010613，通過(guò)數(shù)字仿真可以得到結(jié)論如下：采用改進(jìn)的GA設(shè)計(jì)的模糊控制器比傳統(tǒng)方法設(shè)計(jì)的控制器的超調(diào)量要小，調(diào)節(jié)時(shí)間也要小。將遺傳算法應(yīng)用到模糊控制器的設(shè)計(jì)中可使系統(tǒng)具有良好的動(dòng)態(tài)品質(zhì)。由于遺傳算法處理的是字符串，因此非常適合于模糊控制規(guī)則的自校正和量化因子的尋優(yōu)，克服了在傳統(tǒng)設(shè)計(jì)中僅僅依靠操作者的經(jīng)驗(yàn)或?qū)I(yè)人員的理論知識(shí)，造成設(shè)計(jì)過(guò)程不僅費(fèi)時(shí)而且設(shè)計(jì)的控制器缺乏適應(yīng)性這一缺陷。主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用神經(jīng)網(wǎng)絡(luò)為什么需要遺傳算法遺傳算法適用于ANN結(jié)構(gòu)設(shè)計(jì)。描述一個(gè)ANN模型結(jié)構(gòu)的主要參數(shù)有：網(wǎng)絡(luò)層數(shù)、每層單元數(shù)、單元間的互聯(lián)方式等。ANN結(jié)構(gòu)設(shè)計(jì)問(wèn)題歸結(jié)于根據(jù)某個(gè)性能評(píng)價(jià)準(zhǔn)則確定適合于解決某個(gè)問(wèn)題或某類問(wèn)題的參數(shù)的組合。當(dāng)待解決的問(wèn)題比較復(fù)雜時(shí)，設(shè)計(jì)缺乏通用規(guī)則，缺乏有效的理論分析技術(shù)優(yōu)化網(wǎng)絡(luò)的性能。遺傳算法以啟發(fā)式的思想提供了有效的解決途徑。遺傳算法適用于ANN網(wǎng)絡(luò)權(quán)重的學(xué)習(xí)。評(píng)價(jià)一個(gè)學(xué)習(xí)算法的標(biāo)準(zhǔn)是：簡(jiǎn)單性、可塑性和有效性。遺傳算法具有魯棒性強(qiáng)、隨機(jī)性、全局性以及適于并行處理的優(yōu)點(diǎn)，能夠取代一些傳統(tǒng)的學(xué)習(xí)算法，利用GA的尋優(yōu)能力來(lái)獲取最佳聯(lián)接權(quán)值。遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用網(wǎng)絡(luò)的學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)1．遺傳算法在網(wǎng)絡(luò)學(xué)習(xí)中的應(yīng)用遺傳算法在兩個(gè)方面起作用：(1)學(xué)習(xí)規(guī)則的優(yōu)化。用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則實(shí)現(xiàn)自動(dòng)優(yōu)化，從而提高學(xué)習(xí)速率。(2)網(wǎng)絡(luò)權(quán)系數(shù)的優(yōu)化。用遺傳算法的全局優(yōu)化及隱含并行性的特點(diǎn)提高權(quán)系數(shù)優(yōu)化速度。遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主要反映在3個(gè)方面遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用網(wǎng)絡(luò)的學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)2．遺傳算法在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中的應(yīng)用用遺傳算法設(shè)計(jì)一個(gè)優(yōu)秀的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，首先是要解決網(wǎng)絡(luò)結(jié)構(gòu)的編碼問(wèn)題；然后才能以選擇、交叉、變異操作得出最優(yōu)結(jié)構(gòu)。主要有下列3種：(1)直接編碼法。這是把神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)直接用二進(jìn)制串表示，在遺傳算法中，“染色體”實(shí)質(zhì)上和神經(jīng)網(wǎng)絡(luò)是一種映射關(guān)系。通過(guò)對(duì)“染色體”的優(yōu)化就實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)的優(yōu)化。(2)參數(shù)化編碼法。參數(shù)化編碼采用的編碼較為抽象，編碼包括網(wǎng)絡(luò)層數(shù)、每層神經(jīng)元數(shù)、各層互聯(lián)方式等信息。一般對(duì)進(jìn)化后的優(yōu)化“染色體”進(jìn)行分析，然后產(chǎn)生網(wǎng)絡(luò)的結(jié)構(gòu)。(3)繁衍生長(zhǎng)法。這種方法不是在“染色體”中直接編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，而是把一些簡(jiǎn)單的生長(zhǎng)語(yǔ)法規(guī)則編碼入“染色體”中；然后，由遺傳算法對(duì)這些生長(zhǎng)語(yǔ)法規(guī)則不斷進(jìn)行改變，最后生成適合所解的問(wèn)題的神經(jīng)網(wǎng)絡(luò)。這種方法與自然界生物地生長(zhǎng)進(jìn)化相一致。遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主要反映在3個(gè)方面主要內(nèi)容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統(tǒng)建模中的應(yīng)用遺傳算法在模糊控制器設(shè)計(jì)中的應(yīng)用8.4遺傳算法在神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)中的應(yīng)用8.5其他現(xiàn)代優(yōu)化方法其他現(xiàn)代優(yōu)化方法現(xiàn)代優(yōu)化算法主要包括蟻群算法、禁忌搜索算法等。由于這些算法在求解時(shí)不依賴于梯度信息，因而特別適用于傳統(tǒng)方法解決不了的大規(guī)模復(fù)雜問(wèn)題。

蟻群算法基本思想1蟻群算法

蟻群算法是意大利學(xué)者M(jìn).Dorigo等人首先提出的一種新型的模擬進(jìn)化算法，稱為蟻群系統(tǒng)(AntColonySystem)。采用該方法求解旅行商問(wèn)題(TSP)、任務(wù)分配問(wèn)題(AssignmentProblem)、JobShop調(diào)度問(wèn)題，取得了一系列較好的實(shí)驗(yàn)結(jié)果。

蟻群算法通過(guò)候選解組成的群體的進(jìn)化過(guò)程來(lái)尋求最優(yōu)解，該過(guò)程包含兩個(gè)基本階段：適應(yīng)階段和協(xié)同工作階段。在適應(yīng)階段，各候選解根據(jù)積累的信息不斷調(diào)整自身結(jié)構(gòu)；在協(xié)同工作階段，候選解之間通過(guò)信息交流，以期產(chǎn)生性能更好的解。蟻群算法

蟻群算法

蟻群算法

禁忌搜索算法

禁忌搜索算法

禁忌搜索算法禁忌搜索算法主要步驟(1)產(chǎn)生初始解Xint；(2)設(shè)當(dāng)前解Xcurrent=Xint，當(dāng)前最好解Xbest=Xint；(3)重復(fù)下列步驟1）～6），直到滿足停止條件； 1）在Xint的鄰域內(nèi)產(chǎn)生Ns個(gè)測(cè)試解Xi，1≤i≤Ns； 2）求出目標(biāo)函數(shù)f(Xi)； 3）判斷測(cè)試解是否在禁忌表中，若不在禁忌表或在禁忌表中但其目標(biāo)函數(shù)值比Xbest還好，則把它作為

新的當(dāng)前解Xcurrent并轉(zhuǎn)到4）；否則，繼續(xù)測(cè)試下一個(gè)測(cè)試解。若所有測(cè)試解都在禁忌表中，則轉(zhuǎn)到1）； 4）Xbest=Xcurrent； 5）若禁忌表已滿，則按先進(jìn)先出的原則更新禁忌表； 6）把當(dāng)前解Xcurrent插入禁忌表；(4)記下最優(yōu)解Xbest，結(jié)束算法。兩種算法的特點(diǎn)蟻群算法的特點(diǎn)蟻群算法具有很強(qiáng)的發(fā)現(xiàn)較好解的能力。由于算法本身采用了正反饋原理，加快了進(jìn)化過(guò)程，且不易陷入局部最優(yōu)解；蟻群算法具有很強(qiáng)的并行性，個(gè)體之間不斷進(jìn)行信息交流和傳遞，有利于發(fā)現(xiàn)較好解。存在的問(wèn)題是該算法本身很復(fù)雜，一般需要較長(zhǎng)的搜索時(shí)間；容易出現(xiàn)停滯現(xiàn)象，即搜索進(jìn)行到一定程度后，所有個(gè)體所發(fā)現(xiàn)的解完全一致，不能對(duì)解空間進(jìn)一步進(jìn)行搜索，不利于發(fā)現(xiàn)更好的解。禁忌搜索算法的特點(diǎn)禁忌搜索算法的特點(diǎn)是采用了禁忌技術(shù)，即禁止重復(fù)前面的工作，避免了局部鄰域搜索陷入局部最優(yōu)的主要不足。禁忌搜索算法的缺陷是對(duì)于初始解具有較強(qiáng)的依賴性，一個(gè)較好的初始解可使禁忌搜索在解空間中搜索到更好的解，而一個(gè)較差的初始解則會(huì)降低禁忌搜索的收斂速度，搜索到的解也相對(duì)較差；此外，其搜索在搜索過(guò)程中初始解只能有一個(gè)，在每代也只是把一個(gè)解移動(dòng)到另一解。兩種算法的特點(diǎn)蟻群算法和禁忌搜索算法是模擬自然現(xiàn)象和人類思維的兩種隨機(jī)算法。這些算法在解決實(shí)際問(wèn)題中得到了廣泛的應(yīng)用，但這兩種算法還都存在一些需要進(jìn)一步研究的問(wèn)題。要從理論和實(shí)驗(yàn)上研究算法的計(jì)算復(fù)雜性，證明它們的全局收斂性問(wèn)題，探討禁忌搜索算法的禁忌表長(zhǎng)度和鄰域大小的確定；蟻群算法的氣味矩陣的構(gòu)造及蟻群大小的選擇。加強(qiáng)算法搜索的目的性，遺傳算法、蟻群算法、禁忌搜索算法的搜索過(guò)程不是完全盲目的，而帶有一定的目的性，如果引入一些啟發(fā)式策略，可對(duì)搜索過(guò)程給予更加明確的引導(dǎo)。進(jìn)一步研究算法的并行性，以提高計(jì)算效率。本章結(jié)束《智能控制》2023年5月第九章控制系統(tǒng)數(shù)據(jù)處理的智能方法主要內(nèi)容數(shù)據(jù)挖掘與信息處理的基本概念9.19.29.3基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合9.4基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例數(shù)據(jù)挖掘與信息處理的基本概念數(shù)據(jù)挖掘的基本概念簡(jiǎn)單地說(shuō)，數(shù)據(jù)挖掘就是從大量的數(shù)據(jù)中提取或挖掘知識(shí)。近似的術(shù)語(yǔ)——知識(shí)發(fā)現(xiàn)數(shù)據(jù)清理（消除噪聲或不一致數(shù)據(jù)）。數(shù)據(jù)集成（組合多種不同的數(shù)據(jù)源）。數(shù)據(jù)選擇（檢索與分析任務(wù)相關(guān)的數(shù)據(jù)）。數(shù)據(jù)變換（通過(guò)匯總或聚集操作，將數(shù)據(jù)變換成適合挖掘的形式）。數(shù)據(jù)挖掘（使用智能方法提取數(shù)據(jù)模式）。數(shù)據(jù)評(píng)估（根據(jù)某種興趣度來(lái)度量、識(shí)別表示知識(shí)的真正有用模式）。知識(shí)表示（向用戶提供挖掘的知識(shí)）。信息處理的基本概念信息處理是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際數(shù)據(jù)中，提取出隱含在其中的、人們事先不知道的、但又有潛在價(jià)值的信息和知識(shí)的過(guò)程。基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘數(shù)據(jù)挖掘中常用技術(shù)

神經(jīng)網(wǎng)絡(luò)(NN)技術(shù)、決策樹技術(shù)、遺傳算法等。神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)常用于處理兩類問(wèn)題：分類和回歸。在結(jié)構(gòu)上，可以把一個(gè)神經(jīng)網(wǎng)絡(luò)劃分為輸入層、輸出層和隱含層（見(jiàn)圖9-1）。輸入層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)個(gè)的預(yù)測(cè)變量。輸出層的節(jié)點(diǎn)對(duì)應(yīng)目標(biāo)變量，可有多個(gè)。在輸入層和輸出層之間是隱含層（對(duì)神經(jīng)網(wǎng)絡(luò)使用者來(lái)說(shuō)不可見(jiàn)），隱含層的層數(shù)和每層節(jié)點(diǎn)的個(gè)數(shù)決定了神經(jīng)網(wǎng)絡(luò)的復(fù)雜度。圖9-1一個(gè)神經(jīng)元網(wǎng)絡(luò)基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘除了輸入層的節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)的每個(gè)節(jié)點(diǎn)都與很多其前面的節(jié)點(diǎn)（稱為此節(jié)點(diǎn)的輸入節(jié)點(diǎn)）連接在一起，每個(gè)連接對(duì)應(yīng)一個(gè)權(quán)重，此節(jié)點(diǎn)的值就是通過(guò)它所有輸入節(jié)點(diǎn)的值與對(duì)應(yīng)連接權(quán)重乘積的和作為一個(gè)函數(shù)的輸入而得到，把這個(gè)函數(shù)稱為活動(dòng)函數(shù)或擠壓函數(shù)。如圖9-2中節(jié)點(diǎn)4輸出到節(jié)點(diǎn)6的值可通過(guò)如下方式計(jì)算得到：節(jié)點(diǎn)1的值+節(jié)點(diǎn)2的值。圖9-2帶權(quán)重的神經(jīng)元網(wǎng)絡(luò)基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘調(diào)整節(jié)點(diǎn)間連接的權(quán)重就是在建立（也稱訓(xùn)練）神經(jīng)網(wǎng)絡(luò)時(shí)要做的工作。最早的也是最基本的權(quán)重調(diào)整方法是BP算法，現(xiàn)在較新的有變化坡度法、類牛頓法、Levenberg-Marquardt法和遺傳算法等。無(wú)論采用哪種訓(xùn)練方法，都需要有一些參數(shù)來(lái)控制訓(xùn)練的過(guò)程，如防止訓(xùn)練過(guò)度和控制訓(xùn)練的速度?？梢哉J(rèn)為BP訓(xùn)練法是變化坡度法的簡(jiǎn)化：（1）前向傳播：數(shù)據(jù)從輸入到輸出的過(guò)程是一個(gè)從前向后的傳播過(guò)程，后一節(jié)點(diǎn)的值通過(guò)它前面相連的節(jié)點(diǎn)傳過(guò)來(lái)，然后把值按照各個(gè)連接權(quán)重的大小加權(quán)輸入活動(dòng)函數(shù)再得到新的值，進(jìn)一步傳播到下一個(gè)節(jié)點(diǎn)。（2）回饋：當(dāng)節(jié)點(diǎn)的輸出值與預(yù)期的值不同，也就是發(fā)生錯(cuò)誤時(shí)，神經(jīng)網(wǎng)絡(luò)就要“學(xué)習(xí)”（從錯(cuò)誤中學(xué)習(xí)）。可以把節(jié)點(diǎn)間連接的權(quán)重看成后一節(jié)點(diǎn)對(duì)前一節(jié)點(diǎn)的“信任”程度（它自己向下一個(gè)節(jié)點(diǎn)的輸出更容易受他前面那個(gè)節(jié)點(diǎn)輸入的影響）。基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘決策樹決策樹提供了一種展示類似在什么條件下會(huì)得到什么值這類規(guī)則的方法。比如，在貸款申請(qǐng)中，要對(duì)申請(qǐng)的風(fēng)險(xiǎn)大小做出判斷，圖9-3是為了解決這個(gè)問(wèn)題而建立的一棵決策樹，從中可以看到?jīng)Q策樹的基本組成部分：決策節(jié)點(diǎn)、分支和葉子。圖9-3一棵簡(jiǎn)單的決策樹基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘決策樹中最上面的節(jié)點(diǎn)稱為根節(jié)點(diǎn)，是整個(gè)決策樹的開(kāi)始。決策樹的每個(gè)節(jié)點(diǎn)子節(jié)點(diǎn)的個(gè)數(shù)與決策樹使用的算法有關(guān)。如CART算法得到的決策樹每個(gè)節(jié)點(diǎn)有兩個(gè)分支，這種樹稱為二叉樹。允許節(jié)點(diǎn)含有多于兩個(gè)子節(jié)點(diǎn)的樹稱為多叉樹。每個(gè)分支要么是一個(gè)新的決策節(jié)點(diǎn)，要么是樹的結(jié)尾，稱為葉子。沿著決策樹從上到下遍歷的過(guò)程就是利用決策樹進(jìn)行分類的過(guò)程，利用幾個(gè)變量（每個(gè)變量對(duì)應(yīng)一個(gè)問(wèn)題）來(lái)判斷所屬的類別（最后每個(gè)葉子會(huì)對(duì)應(yīng)一個(gè)類別）。圖9-3一棵簡(jiǎn)單的決策樹基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘數(shù)據(jù)挖掘的功能特性四種常見(jiàn)的發(fā)現(xiàn)任務(wù)。（1）數(shù)據(jù)總結(jié)其目的是對(duì)數(shù)據(jù)進(jìn)行濃縮，給出它的緊湊描述。（2）分類其目的是學(xué)會(huì)一個(gè)分類函數(shù)或分類模型（也稱作分類器），該模型能把數(shù)據(jù)庫(kù)的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)。（3）聚集把一組個(gè)體按照相似性歸類，即“物以類聚”。它的目的是使屬于同一類別的個(gè)體之間的距離盡可能地小，而不同類別的個(gè)體間的距離盡可能地大。（4）關(guān)聯(lián)規(guī)則形式如下的一種規(guī)則，“在購(gòu)買面包和黃油的顧客中，有90％的人同時(shí)也買了牛奶”（面包+黃油+牛奶）。關(guān)聯(lián)規(guī)則發(fā)現(xiàn)的思路還可以用于序列模式發(fā)現(xiàn)。用戶在購(gòu)買物品時(shí)，除了具有上述關(guān)聯(lián)規(guī)律，還有時(shí)間或序列上的規(guī)律。。一般用兩個(gè)參數(shù)描述關(guān)聯(lián)規(guī)則的屬性：（1）可信度(Confidence)：可信度即是“值得信賴性”。設(shè)A、B是項(xiàng)集，對(duì)于事務(wù)集D，A∈D，B∈D，A∩B=Ф，A

B的可信度定義為：可信度（A

B）=包含A和B的元組數(shù)/包含A的元組數(shù)可信度表達(dá)的就是在出現(xiàn)項(xiàng)集A的事務(wù)集D中，項(xiàng)集B也同時(shí)出現(xiàn)的概率。如上面的例子中購(gòu)買錘子的顧客中有80%也同時(shí)購(gòu)買了釘子，即是關(guān)聯(lián)規(guī)則：錘子

釘子的可信度為80%。（2）支持度(Support)支持度（A

B）=包含A和B的元組數(shù)/元組總數(shù)。支持度描述了A和B這兩個(gè)項(xiàng)集在所有事務(wù)中同時(shí)出現(xiàn)的概率。例如在一個(gè)商場(chǎng)中，某天共有1000筆業(yè)務(wù)，其中有100筆業(yè)務(wù)同時(shí)買了錘子和釘子，則其

錘子

釘子

關(guān)聯(lián)規(guī)則的支持度為10%?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)挖掘基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘下面用一個(gè)例子更詳細(xì)的解釋這些概念：總交易筆數(shù)（事務(wù)數(shù)）：1,000包含“錘子”：50包含“釘子”：80包含“鉗子”：20包含“錘子”和“釘子”：15包含“鉗子”和“釘子”：10包含“錘子”和“鉗子”：10包含“錘子”、“鉗子”和“釘子”：5

則可以計(jì)算出：

“錘子和釘子”的支持度=1.5%（15/1,000）“錘子、釘子和鉗子”的支持度=0.5%（5/1,000）“錘子==>釘子”的可信度=30%（15/50）“釘子==>錘子”的可信度=19%（15/80）“錘子和釘子==>鉗子”的可信度=33%（5/15）“鉗子==>錘子和釘子”的可信度=25%（5/20）基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘給定一個(gè)事務(wù)集D，挖掘關(guān)聯(lián)規(guī)則問(wèn)題就是產(chǎn)生支持度和可信度分別大于用戶給定的最小支持度和最小可信度的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的種類：(1)基于規(guī)則中處理變量的類型，關(guān)聯(lián)規(guī)則可以分為布爾型和數(shù)值型。布爾型考慮的是項(xiàng)集的存在與否，而數(shù)值型則是量化的關(guān)聯(lián)。例如：教育=“大?！?/p>

職業(yè)=“秘書”

布爾型教育=“大專”

平均收入=２０００

數(shù)值型(2)基于規(guī)則中數(shù)據(jù)的抽象層次，可以分為單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則。單層關(guān)聯(lián)規(guī)則指所有的變量都沒(méi)有考慮到現(xiàn)實(shí)的數(shù)據(jù)具有多個(gè)層次。而多層關(guān)聯(lián)規(guī)則考慮了數(shù)據(jù)的多層性。(3)基于規(guī)則中涉及到的數(shù)據(jù)的維數(shù)，關(guān)聯(lián)規(guī)則可分為單維的和多維的。在單維的關(guān)聯(lián)規(guī)則中，只涉及到數(shù)據(jù)的一個(gè)維，如用戶購(gòu)買的物品。在多維的關(guān)聯(lián)規(guī)則中，要處理的數(shù)據(jù)會(huì)涉及到多個(gè)維。例如：錘子（物品）

鉗子（物品）單維的關(guān)聯(lián)規(guī)則教育=“大?！?/p>

職業(yè)=“秘書”

多維的關(guān)聯(lián)規(guī)則基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則挖掘的經(jīng)典算法：Apriori算法是一個(gè)挖掘數(shù)據(jù)庫(kù)中項(xiàng)集間的關(guān)聯(lián)規(guī)則的重要方法，其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。Apriori使用一種逐層掃描的迭代方法，k項(xiàng)集用于尋找(k＋1)項(xiàng)集。首先，找出頻繁１項(xiàng)集的集合，該集合記為L(zhǎng)1。L1用于尋找頻繁2項(xiàng)集的集合L2，而L2用于找L3。循環(huán)直到找不到頻繁k項(xiàng)集。將所有支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集，或簡(jiǎn)稱項(xiàng)集。而同時(shí)滿足最小支持度閾值和最小可信度閾值的規(guī)則稱為強(qiáng)規(guī)則。算法的基本思想是，首先找出所有的頻集，這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持度一樣。然后由頻集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度和最小可信度?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)挖掘不產(chǎn)生候選挖掘頻繁項(xiàng)集的方法:FP-樹頻集算法采用分而治之的策略，在經(jīng)過(guò)第一遍掃描之后，把數(shù)據(jù)庫(kù)中的頻集壓縮進(jìn)一棵頻繁模式樹(FP-tree)，同時(shí)依然保留其中的關(guān)聯(lián)信息，隨后再將FP-tree分化成一些條件庫(kù)，每個(gè)庫(kù)和一個(gè)長(zhǎng)度為1的頻集相關(guān)，然后再對(duì)這些條件庫(kù)分別進(jìn)行挖掘。當(dāng)原始數(shù)據(jù)量很大的時(shí)候，也可以結(jié)合劃分的方法，使得一個(gè)FP-tree可以放入主存中。實(shí)驗(yàn)表明，F(xiàn)P-樹頻集算法對(duì)不同長(zhǎng)度的規(guī)則都有很好的適應(yīng)性，同時(shí)在效率上較之Apriori算法有很大的提高。Apriori算法的缺點(diǎn):可能產(chǎn)生大量的候選集。例如，如果有104個(gè)頻繁1項(xiàng)集，則Apriori算需要產(chǎn)生107個(gè)候選2項(xiàng)集，并累計(jì)和檢查它們的頻繁性；為發(fā)現(xiàn)長(zhǎng)度為100的頻繁模式，它必須產(chǎn)生多達(dá)1030個(gè)候選?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合數(shù)據(jù)校正的目的是消除隨機(jī)誤差和剔除過(guò)失誤差。數(shù)據(jù)校正數(shù)據(jù)校正的步驟可以分為三步：變量分類：確定變量的可觀/不可觀、冗余性等。過(guò)失誤差的檢測(cè)：辨識(shí)過(guò)失誤差的位置，并進(jìn)行剔除或補(bǔ)償。參數(shù)估計(jì)和數(shù)據(jù)協(xié)調(diào)：對(duì)可觀但沒(méi)有能測(cè)量的變量進(jìn)行參數(shù)估計(jì)，利用數(shù)據(jù)協(xié)調(diào)改善對(duì)過(guò)程的認(rèn)識(shí)，兩者可同時(shí)進(jìn)行。基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合3．顯著誤差的檢測(cè)

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合4．動(dòng)態(tài)過(guò)程數(shù)據(jù)校正。主要方法是濾波方法和以模型為基礎(chǔ)的非線性規(guī)劃技術(shù)。濾波方法的目的是為了獲得滿足動(dòng)態(tài)模型方程的最小方差估計(jì)，并提供過(guò)程的輸入輸出變量的估計(jì)值，使性能指標(biāo)或所有變量的估計(jì)方差最小化。在已知測(cè)量和過(guò)程噪聲協(xié)方差矩陣的情況下進(jìn)行參數(shù)整定，計(jì)算非常有效，并能在線實(shí)現(xiàn)。由于濾波方法基于線性模型或局部線性化的模型，模型的誤差會(huì)導(dǎo)致明顯的偏差。此外還需要進(jìn)行參數(shù)的調(diào)整和掌握有關(guān)測(cè)量值的協(xié)方差陣及過(guò)程噪聲等先驗(yàn)知識(shí)。

非線性規(guī)劃技術(shù)在參數(shù)變化時(shí)的響應(yīng)、模型存在誤差時(shí)的魯棒性及系統(tǒng)存在嚴(yán)重非線性時(shí)，相對(duì)于前者有明顯的優(yōu)越性，但計(jì)算時(shí)間長(zhǎng)。基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合5．基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)校正技術(shù)應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)校正，包括隨機(jī)誤差和過(guò)失誤差的校正。網(wǎng)絡(luò)結(jié)構(gòu)采用一般的前向網(wǎng)絡(luò)，網(wǎng)絡(luò)學(xué)習(xí)采用監(jiān)督式學(xué)習(xí)法，因此需要目標(biāo)值。如果是仿真數(shù)據(jù)，過(guò)程變量的真實(shí)值已知，可作為網(wǎng)絡(luò)的目標(biāo)值用于網(wǎng)絡(luò)訓(xùn)練，以求得估計(jì)值；但對(duì)于實(shí)際過(guò)程，過(guò)程變量的真實(shí)值是未知的為求得訓(xùn)練用的目標(biāo)值，可采用迭代方法。具體步驟如下：計(jì)算所有樣本的中各變量的平均值作為目標(biāo)值；以此目標(biāo)值與樣本中的變量值構(gòu)成樣本組進(jìn)行訓(xùn)練；將樣本輸入訓(xùn)練好的網(wǎng)絡(luò)，得到各變量的校正值；求得校正值的平均值作為網(wǎng)絡(luò)目標(biāo)值；重復(fù)步驟2）～4），直到校正變量的均方差不再改變?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合數(shù)據(jù)融合1．?dāng)?shù)據(jù)融合的定義數(shù)據(jù)融合比較確切的定義可概括為：充分利用不同時(shí)間與空間的多傳感器信息資源，采用計(jì)算機(jī)技術(shù)對(duì)按時(shí)序獲得的多傳感器觀測(cè)信息在一定準(zhǔn)則下加以自動(dòng)分析、綜合、支配和使用，獲得對(duì)被測(cè)對(duì)象的一致性解釋和描述，以完成所需的決策和估計(jì)任務(wù)，使系統(tǒng)獲得比它的各組成部分更優(yōu)越的性能。因此，多傳感器系統(tǒng)是數(shù)據(jù)融合的硬件基礎(chǔ)，多源信息是數(shù)據(jù)融合的加工對(duì)象，協(xié)調(diào)優(yōu)化和綜合處理是數(shù)據(jù)融合的核心?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合2.數(shù)據(jù)融合的級(jí)別數(shù)據(jù)融合有不同的層次，其為數(shù)據(jù)層（像素層）融合、特征層融合和決策層融合。（1）像素層融合像素層融合是直接在采集到的原始數(shù)據(jù)層上進(jìn)行融合，在各種傳感器的原始測(cè)報(bào)未經(jīng)預(yù)處理前就進(jìn)行數(shù)據(jù)的綜合和分析。這是最低層次的融合，如成像傳感器中通過(guò)對(duì)包含若干像素的模糊圖像進(jìn)行圖像處理和模式識(shí)別來(lái)確認(rèn)目標(biāo)屬性的過(guò)程就屬于像素層融合。（2）特征層融合特征層融合屬于中間層次，它先對(duì)來(lái)自傳感器的原始信息進(jìn)行特征提取，然后對(duì)特征信息進(jìn)行綜合分析和處理。（3）決策層融合決策層融合是一種高層次融合，其結(jié)果為指揮控制決策提供依據(jù)?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合3．?dāng)?shù)據(jù)融合系統(tǒng)的應(yīng)用（1）智能檢測(cè)系統(tǒng)：利用智能檢測(cè)系統(tǒng)的多傳感器進(jìn)行數(shù)據(jù)融合，可以消除單個(gè)或單類傳感器檢測(cè)的不確定性，提高檢測(cè)系統(tǒng)的可靠性，獲得對(duì)檢測(cè)對(duì)象更準(zhǔn)確的認(rèn)識(shí)。（2）工業(yè)過(guò)程監(jiān)視：工業(yè)過(guò)程監(jiān)視是一個(gè)明顯的數(shù)據(jù)融合應(yīng)用領(lǐng)域。融合的目的是識(shí)別引起系統(tǒng)狀態(tài)超出正常運(yùn)行范圍的故障條件，并據(jù)此觸發(fā)若干報(bào)警器。（3）工業(yè)機(jī)器人：隨著使用靈活、價(jià)格便宜、結(jié)構(gòu)合理的傳感器的不斷發(fā)展，可在機(jī)器人上設(shè)置更多的傳感器，使機(jī)器人更自由靈活地動(dòng)作。而計(jì)算機(jī)則根據(jù)多傳感器的觀測(cè)信息完成各種數(shù)據(jù)融合，控制機(jī)器人的動(dòng)作，實(shí)現(xiàn)機(jī)器人的功能。（4）空中交通管制：在目前的空中交通管制系統(tǒng)中，主要由雷達(dá)和無(wú)線電提供空中圖像并由空中交通管制器承當(dāng)數(shù)據(jù)處理的任務(wù)。（5）全局監(jiān)視：監(jiān)視較大范圍內(nèi)的人和事物都可以運(yùn)用數(shù)據(jù)融合技術(shù)。（6）軍事應(yīng)用：數(shù)據(jù)融合在軍事上應(yīng)用最早、范圍最廣，涉及戰(zhàn)術(shù)或戰(zhàn)略上的檢測(cè)、指揮、控制、通信和情報(bào)任務(wù)的各個(gè)方面?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合4．?dāng)?shù)據(jù)融合方法簡(jiǎn)介（1）判斷或檢查檢測(cè)理論該理論是通過(guò)把被測(cè)對(duì)象的測(cè)量值與被選假設(shè)進(jìn)行比較，以確定哪個(gè)假設(shè)能最佳地描述觀測(cè)值。（2）估計(jì)理論一個(gè)參數(shù)的估計(jì)要使用多個(gè)觀測(cè)變量的測(cè)量值，而這些觀測(cè)量又直接與該參量相關(guān)。最小二乘法、極大似然估計(jì)法、卡爾曼濾波等方法都是估計(jì)理論的有效理論依據(jù)。(3）數(shù)據(jù)關(guān)聯(lián)對(duì)于多傳感器數(shù)據(jù)源，可以將測(cè)量值按來(lái)源不同分成不同的集合實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。要實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)，首先必須進(jìn)行相關(guān)處理，對(duì)所有的測(cè)量值的相關(guān)性進(jìn)行定量的度量，在相關(guān)性度量的基礎(chǔ)上把測(cè)量值按數(shù)據(jù)源準(zhǔn)確地分為若干個(gè)集合。基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合5.智能數(shù)據(jù)融合專家系統(tǒng)在多傳感器數(shù)據(jù)融合中的應(yīng)用專家系統(tǒng)匯聚人類專家在某一技術(shù)領(lǐng)域的專業(yè)知識(shí)，利用計(jì)算機(jī)的強(qiáng)大軟件功能，根據(jù)專家知識(shí)和經(jīng)驗(yàn)導(dǎo)出一系列規(guī)則，由計(jì)算機(jī)代替、模仿人類專家做出系統(tǒng)決策，如圖9-4所示。圖9-4專家系統(tǒng)的基本結(jié)構(gòu)基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合圖9.5給出了一個(gè)使用專家系統(tǒng)技術(shù)的數(shù)據(jù)融合系統(tǒng)框圖。數(shù)據(jù)融合系統(tǒng)的數(shù)據(jù)源有兩類：一類是多傳感器的觀測(cè)結(jié)果，另一類是消息（源數(shù)據(jù)）。為處理消息，系統(tǒng)配備了一個(gè)自然語(yǔ)言處理機(jī)，該處理機(jī)可使系統(tǒng)通過(guò)理解輸入的文本語(yǔ)法，確定文本的語(yǔ)義并賦予文本一個(gè)計(jì)算機(jī)可理解的意義，比如以英語(yǔ)形式對(duì)系統(tǒng)輸入指令與信息。圖中的概率方法用于從各個(gè)數(shù)據(jù)集推斷結(jié)論，所使用的方法主要有Bayes、D-S證據(jù)推理、模糊集合論、聚類分析、估計(jì)理論以及熵等數(shù)據(jù)融合方法。對(duì)輸入的數(shù)據(jù)進(jìn)行標(biāo)識(shí)和分類后，可以將數(shù)據(jù)進(jìn)行組合。圖9-5一個(gè)使用了ES技術(shù)的數(shù)據(jù)融合系統(tǒng)基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例TBM介紹全斷面大型掘進(jìn)裝備（TunnelBoringMachine,TBM）是一種能用于機(jī)械切削圍巖、出碴、成洞、注漿并支護(hù)實(shí)行連續(xù)挖掘作業(yè)的綜合設(shè)備，是集機(jī)械、電氣、液壓、控制等技術(shù)一體化的大型工廠化隧道施工作業(yè)系統(tǒng)，具有掘進(jìn)速度快、施工工期短、作業(yè)環(huán)境好、對(duì)生態(tài)環(huán)境影響小、綜合效益高等優(yōu)點(diǎn)，是國(guó)內(nèi)外地鐵隧道、國(guó)防工程、鐵路隧道等施工的重要方法之一，具有非常廣闊的市場(chǎng)前景?；跀?shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例基于TPI和FPI指數(shù)的數(shù)據(jù)分類與統(tǒng)計(jì)

基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例(a)(b)圖9-6硬巖地質(zhì)區(qū)域分類TPI越大表明在產(chǎn)生相同的每轉(zhuǎn)切深下，需要的扭矩越大，則表明當(dāng)前掘進(jìn)的巖石比較堅(jiān)硬；而TPI越小則表明產(chǎn)生同樣的貫入度所需要的刀盤扭矩較小，當(dāng)前掘進(jìn)的巖石較軟。對(duì)于FPI則可表明產(chǎn)生同樣的貫入度所需推力的大小，從而可以反映出當(dāng)前地質(zhì)下的圍巖的軟硬程度。基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例基于TPI和FPI參數(shù)對(duì)數(shù)據(jù)進(jìn)行聚類分析，由于采集到的數(shù)據(jù)并不一定包含所有的巖石類型，因此按照巖石的堅(jiān)硬程度和實(shí)際巖石的情況嘗試將數(shù)據(jù)聚類為2-5類，最終證明將數(shù)據(jù)分為三類可以較好的表征實(shí)際的巖石情況。將數(shù)據(jù)稀疏化后，聚類結(jié)果如圖9-9所示，用于后續(xù)掘進(jìn)參數(shù)統(tǒng)計(jì)特性的分析。圖9-9TPI/FPI聚類結(jié)果基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例根據(jù)工操作人員在不同地質(zhì)條件下TBM掘進(jìn)參數(shù)的選擇經(jīng)驗(yàn)，我們可以得到不同聚類結(jié)果下主要參考的掘進(jìn)參數(shù)的調(diào)整范圍，如表9-7所示。表9-7不同聚類結(jié)果施工參數(shù)范圍

刀盤扭矩刀盤平均電流推進(jìn)速度總推力類別11200-2100KN.M100-160A10-28mm/min17000-19000kN類別21000-2300KN.M80-250A20-55mm/min15000-18000kN類別3800-1600KN.M100-150A46-128mm/min9000-15000kN2.掘進(jìn)參數(shù)分布范圍統(tǒng)計(jì)分析基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例考慮TBM掘進(jìn)性能的多目標(biāo)優(yōu)化