基于BP神经网络电力系统稳定器的设计.docx
《基于BP神经网络电力系统稳定器的设计.docx》由会员分享，可在线阅读，更多相关《基于BP神经网络电力系统稳定器的设计.docx（23页珍藏版）》请在冰豆网上搜索。
基于BP神经网络电力系统稳定器的设计
摘要
采用一种自组织模糊神经网络设计电力系统稳定器，该稳定器能通过结构和参数的学习，克服传统模糊控制器设计过程中存在的盲目性及拚凑性，避免模糊控制器中模糊逻辑规则的冗余或欠缺。
仿真表明该电力系统稳定器具有良好控制性能。
由于一般的模糊神经网络电力系统稳定器在输入量的论域、模糊子集、节点数及节点函数的选取有过分依赖于先验知识之嫌，另外，一经设计完毕后，模糊神经网络的结构是固定不变的，不便于模糊逻辑规则及节点的增减，有可能造成模糊逻辑规则的冗余或欠缺，为了克服以上的缺点，可采用一种自组织模糊神经网络作为电力系统稳定器。
关键词:
自组织模糊神经网络；电力系统稳定器；BP神经网络
目录
第一章绪论1
1.1神经网络发展现状1
1.2神经网络应用现状1
1.3神经网络发展趋势及研究热点2
1.3.1神经网络研究动向2
1.3.2研究热点3
1.4 神经网络与模糊逻辑的结合5
1.5神经网络的实现和展望6
1.6本章小结6
第二章BP神经网络的应用设计7
2.1BP神经网络概述7
2.2BP神经网络的设计7
2.2.1 BP神经网络隐层数的确定7
2.2.2 各层神经元个数的确定8
2.2.3 BP神经网络的改进算法9
2.3 BP神经网络的设计实例10
2.4 本章小结11
第三章基于自组织模糊神经网络电力系统稳定器的设计12
3.1 模糊神经网络的基本结构12
3.2 结构的调整13
3.3 模糊逻辑规则的产生15
3.4 自组织模糊神经网络电力系统稳定器的设计16
3.5 仿真研究17
3.6 本章小结18
致谢19
参考文献20
第一章绪论
1.1神经网络发展现状
神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作出的，他们提出的MP模型拉开了神经网络研究的序幕。
神经网络的发展大致经过三个阶段:
1947～1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则，如MP模型、HEBB学习规则和感知器等；1970～1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。
在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。
1984年，Hiton教授提出Boltzman机模型。
1986年Kumelhar等人提出误差反向传播神经网络，简称ＢＰ网络。
目前，ＢＰ网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮。
神经网络具有以下优点:
（1）具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。
（2）并行处理方法，使得计算快速。
（3）自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。
（4）可以充分逼近任意复杂的非线性关系。
（5）具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。
1.2神经网络应用现状
神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下:
（1）图像处理。
对图像进行边缘监测、图像分割、图像压缩和图像恢复。
（2）信号处理。
能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。
（3）模式识别。
已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。
（4）机器人控制。
对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。
（5）卫生保健、医疗。
比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于ＢＰ网络的波形分类和特征提取在计算机临床诊断中的应用。
（6）焊接领域。
国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。
（7）经济。
能对商品价格、股票价格和企业的可信度等进行短期预测。
（8）另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。
1.3神经网络发展趋势及研究热点
1.3.1神经网络研究动向
神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。
神经网络的应用已经涉及到各个领域，并且在智能控制、模式识别、计算机识别、自适应滤波和信号处理、飞机导弹非线性优化、自动目标识别、连续语音识别、声纳信号的处理、知识处理、传感技术与机器人图像处理、生物医学工程、传感器信号处理、机器人控制、卫生保健、医疗、处理组合优化问题等方面取得了令人鼓舞的发展。
（1）自动控制领域。
神经网络方法已经覆盖了控制理论中的绝大多数问题，主要有系统建模与辨识、PID参数整定、极点配置、内模控制、优化设计、预测控制、最优控制、自适应控制、滤波与预测容错控制、模糊控制和学习控制等。
（2）处理组合优化问题。
最典型的例子是成功地解决了ＴＳＰ问题，即旅行推销员问题，另外还有最大匹配问题、装箱问题和作业调度等。
（3）模式识别。
已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器图像识别及地震信号的鉴别。
（4）图像、信号处理。
对图像进行边缘监测、图像分割、图像压缩和图像恢复能分别对通讯、语音、心电和脑电信号进行处理分类。
（5）传感器信号处理。
传感器输出非线性特性的矫正、传感器故障检测、滤波与除噪、环境影响因素的补偿、多传感器信息融合。
（6）机器人控制。
对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及应移动机器人的导航。
（7）焊接领域。
国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。
近几年来，神经网络理论引起世界各国企业家和科学家的重视。
他们正在组织和实施与此有关的重大研究项目。
如美国的DAPPA计划，日本的HFSP计划、法国的“尤里卡”计划、德国的“欧洲防御”计划和俄罗斯的“高技术发展”计划。
我国在1990年举办神经网络的学术年会，研究工作已在高等院校和研究单位开展。
（8）增强神经网络的可理解性是神经网络界需要解决的一个重要问题。
这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。
神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。
1.3.2研究热点
（1）神经网络与遗传算法的结合。
遗传算法与神经网络的结合主要体现在以下几个方面:
网络连接权重的进化训练；网络结构的进化计算；网络结构和连接权重的同时进化；训练算法的进化设计。
基于进化计算的神经网络设计和实现已在众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性能和结果。
但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研究有待于加强提高。
神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。
（2）神经网络与灰色系统的结合。
灰色系统理论是一门极有生命力的系统科学理论，自1982年华中理工大学的邓聚龙教授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预测、决策、控制、评估为纲的技术体系。
目前，国内外对灰色系统的理论和应用研究已经广泛开展，受到学者的普遍关注。
灰色系统理论在在处理不确定性问题上有其独到之处，并能以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字精确描述的复杂系统问题。
神经网络与灰色系统的结合方式有:
（1）神经网络与灰色系统简单结合；
（2）串联型结合；（3）用神经网络增强灰色系统；（4）用灰色网络辅助构造神经网络；（5）神经网络与灰色系统的完全融合。
（3）神经网络与专家系统的结合。
基于神经网络与专家系统的混合系统的基本出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络或专家系统实现。
其研究的主要问题包括:
混合专家系统的结构框架和选择实现功能子系统方式的准则两方面。
由于该混合系统从根本上抛开了神经网络和专家系统的技术限制，是当前研究的热点。
把粗集神经网络专家系统用于医学诊断，表明其相对于传统方法的优越性。
（4）神经网络与模糊逻辑的结合
模糊逻辑是一种处理不确定性、非线性问题的有力工具。
它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。
但它缺乏有效的自学习和自适应能力。
而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。
同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。
模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。
模糊神经控制的未来研究应集中于以下几个方面:
（1）研究模糊逻辑与神经网络的对应关系，将对模糊控制器的调整转化为等价的神经网络的学习过程，用等价的模糊逻辑来初始化神经网络；
（2）完善模糊神经控制的学习算法，以提高控制算法的速度与性能，可引入遗传算法、ＢＣ算法中的模拟退火算法等，以提高控制性能；
（3）模糊控制规则的在线优化，可提高控制器的实时性与动态性能；
（4）需深入研究系统的稳定性、能控性、能观性以及平衡吸引子、混沌现象等非线性动力学特性。
关于神经网络与模糊逻辑相结合的研究已有很多，比如，用于氩弧焊、机器人控制等。
（5）神经网络与小波分析的结合
小波变换是对Fourier分析方法的突破。
它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。
利用小波变换的思想初始化小波网络，并对学习参数加以有效约束，采用通常的随机梯度法分别对一维分段函数、二维分段函数和实际系统中汽轮机压缩机的数据做了仿真试验，并与神经网络、小波分解的建模做了比较，说明了小波网络在非线性系统黑箱建模中的优越性。
小波神经网络用于机器人的控制，表明其具有更快的收敛速度和更好的非线性逼近能力。
1.4 神经网络与模糊逻辑的结合
模糊逻辑是一种处理不确定性、非线性问题的有力工具。
它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。
但它缺乏有效的自学习和自适应能力。
神经网络具有并行计算、分布式信息存储、容错能力强以及具备自适应学习能力等一系列优点。
但一般来说，神经网络不适于表达基于规则的知识，因此在对神经网络进行训练时，由于不能很好地利用已有的经验知识，常常只能将初始值取为零或随机数，从而增加了网络的训练时间或者陷入非要求的局部极值。
而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。
同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。
模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。
模糊神经控制包括以下两个方面:
（1）基于神经网络的模糊控制。
它将模糊系统设计方法与神经网络的连接主义结构和学习方法结合起来，把模糊系统表达成连接主义方式的网络结构，模糊控制的模糊化、模糊推理和解模糊化三个基本过程全都用神经网络来实现；
（2）模糊神经网络。
它在传统的神经网络中增加一些模糊部分，除了具有神经网络的功能外，还能处理模糊信息，完成模糊推理功能。
1.5神经网络的实现和展望
人工神经网络的实现目前主要采用两种方法:
一种是利用现代高性能的数字计算机，加上各种硬件加速板的运算设备，形成具有模拟能力的通用软件来完成神经网络的预期功能。
另一种是利用硬件直接完成，目前采用较多是大规模集成电路和光神经网络两种方法。
随着新器件的发展，分子器件、超导器件也可能成为硬件实行人工神经网络的方向。
近年来，人工神经网络无论在理论研究上，还是在实际应用中，都取得了突飞猛进的发展。
但必须清醒地认识到，人工神经网络只是对人脑的简单模拟，尚有许多问题有待解决。
为了改善人工神经网络的应用，解决各学科中存在的大量不确定性和模糊性问题，可以采取以下3条途径：
1）与专家系统相结合，实现符号处理与数值处理相结合，使知识的提取、存储、推理和解释更接近人脑；
2）把不同类型的人工神经模型以不同形式组合在一起，构成一个新的综合性人工神经系统；
3）将模糊数学、数理逻辑、拓扑数学等结合到人工神经网络的学习规则中，使其具有求解不确定性、模糊性和似然性推理等问题的能力。
此外，研究人工神经网络硬件芯片以提高运行速度也是有待解决的重要问题。
随着大规模集成电路、光学与分子器件的发展、人工神经计算机的研制，人工神经网络必将会得到越来越广泛的应用和迅猛发展。
1.6本章小结
经过半个多世纪的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，但其理论分析方法和设计方法还有待于进一步发展。
相信随着神经网络的进一步发展，其将在工程应用中发挥越来越大的作用。
第二章BP神经网络的应用设计
2.1BP神经网络概述
人工神经网络（ArtificialNeuralNetworks）被越来越多地应用在工程技术领域，而BP神经网络是目前应用最多的神经网络，占整个神经网络应用的80%左右。
BP神经网络又称反向传播（BackPropa-gation）网络，这是因为该神经网络的连接权的调整采用的是反向传播的学习算法。
BP神经网络是一种前馈（向）网络，采用最小均方差学习方式。
BP前向网络的主要作用是函数映射，用于模式识别和函数逼近，具体可用于语言综合、识别和自动控制等用途。
其主要优点是:
只要有足够的隐层和隐结点，BP网络可以逼近任意的非线性映射关系；BP网络的学习算法属于全局逼近的方法，因而它具有较好的泛化能力；BP网络有较好的容错性。
其主要缺点是收敛速度慢，局部极小。
针对这些缺点，人们又提出了BP算法的一些改进算法，如加入动量项、学习率自适应、L—M等算法。
2.2BP神经网络的设计
要确定一个神经网络，必须设计出网络的隐层数、每层的神经元个数和算法（BP算法也有许多改进的算法）。
由于人工神经网络尚处于学科发展初期，其理论还没有完善到能提供一套赖以遵循的设计方法，所以BP人工神经网络设计既要以网络理论为依据，又要以试验进行验证。
2.2.1 BP神经网络隐层数的确定
我们知道，只要有足够的隐层和隐结点，BP网络可以逼近任意的非线性映射关系。
那么，怎样的隐层数和隐结点数可以称之为足够呢?
神经网络的隐层数应该怎样确定呢?
许多人证明了，一个隐层的网络，如果隐层的作用函数是连续函数（如Sigmoid函数），则网络输出可以逼近一个连续函数。
具体说，设网络有p个输入，q个输出，则其作用可看作是有p维欧氏空间到q维欧氏空间的一个非线性映射，此结论可叙述如下:
令（·）为有界、非常量的单调增连续函数，Ip代表p维单位超立方体[0，1]p，C（Ip）表示定义在Ip上的连续函数构成的集合，则给定任何函数f∈C（Ip）和ε>0，存在整数M和一组实常数αi，θi和ωij，其中，i=1，…M，j=1，2，…，p，使得网络输出
可任意逼近f（·），即
这个结论说明含一个隐层的BP前馈网络是一种通用的函数逼近器，为逼近一个连续函数，一个隐层是足够的。
当要学习不连续函数时，则需要两个隐层，即隐层数最多两层即可。
上述结论只是理论上的结论，实际上到目前为止，还没有很快确定网络参数（指隐层数和隐层神经元数）的固定方法可循，但通常设计多层前馈网络时，可按下列步骤进行:
（1）对任何实际问题都只选用1个隐层；
（2）使用较少的隐层神经元数；
（3）增加隐层神经元个数，直到获得满意的性能为止，否则，再采用2个隐层。
2.2.2 各层神经元个数的确定
对多层前馈网络而言，隐层神经元数的确定是设计网络的关键之一。
因此，选择隐层神经元数是很重要的问题。
隐层神经元个数太少，则网络所能获取的用以解决问题的信息太少；个数太多，不仅增加训练的时间，难以在人们能够接受的时间内完成训练，更重要的是过多的隐节点，还可能引起所谓的“过度吻合”（over-fitting）问题，即把网络训练集里的一些无关紧要的，非本质的东西也学得惟妙惟肖。
值得注意的是，增加隐层结点可以减少训练误差，但超过某一隐结点数后，测试误差反而增大，即泛化能力下降。
训练误差小并不意味着网络的泛化能力就强。
实际上，隐层神经元数取决于训练样本数的多少，噪声量的大小及网络学习的输入——输出函数关系或分类关系的复杂程度。
就像在函数逼近时，要使用高阶多项式才能获得函数的“起伏”一样，用神经网络作函数映射时，也只有使用较多的隐结点数才能得到波动次数较多、幅度变化较大的映射关系。
对许多应用场合均适用的一条有关确定隐结点数的规则[2]是所谓的几何金字塔规则（geometricpyr-amidrule）:
从输入层到输出层，结点数不断减少，其形好似金字塔，见图2-1。
当然，这个规则介绍的确定隐结点数的规则只是一个粗略的估值。
图2-1 几何金字塔规则
2.2.3 BP神经网络的改进算法
具有相同拓扑结构（隐层数和各层神经元个数相同）的BP神经网络，如果其算法不相同，其网络的性质是不相同的。
针对BP神经网络收敛速度较慢，局部容易产生极小的缺点，人们又提出了BP算法的一些改进算法，如加入动量项、学习率自适应、L—M等算法。
学习率η自适应法。
BP算法的有效性和收敛性在很大程度上取决于学习率η。
学习率η的最优值与具体问题有关，没有对任何问题都适合的学习率η。
即使对一特定问题，也很难找到一个自始自终都适合的学习率η值，训练开始时比较适合的学习率η后来就不一定适合。
为了解决这个问题，采用了自适应学习率算法，其目的是在收敛的前提下尽量缩短训练过程。
动量法的目的也在于加速BP算法的收敛过程。
具体做法是将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上，以作为本次的实际权值调整量，即
ΔW（n）=-ηE（n）+αΔW（n-1）
式中的第二项便是动量项。
动量法降低了网络对于误差曲面局部细节的敏感性，有效地抑制了网络陷于局部极小。
另外还有L-M（Levenberg-Marquardt）算法等
改进算法。
设计一个BP神经网络必须考虑于网络隐层数、神经元个数、算法，一旦于BP神经网络隐层数、神经元个数、算法确定下来了，这个网络也就设计完成了，当然，所设计的网络还必须通过实际的检验。
2.3 BP神经网络的设计实例
设计一个BP神经网络用于智能汽车驾驶员模型研究中的汽车横摆角速度ω的学习和映射。
网络的输入变量为汽车横摆角速度ω，输出变量有7个:
即汽车横摆角速度ω的7个模糊语言变量值。
汽车横摆角速度ω的模糊变量采用三角形隶属度函数来描述。
（1）网络层数的确定
本例中所设计的BP神经网络要映射的函数是三角形隶属度函数，是不连续的函数，BP网络映射一个连续函数，一个隐层是足够的，但当要学习不连续函数时，则需要两个隐层，所以采用2隐层。
另外还需要输入层1层，输出层1层。
因此，设计的为4层的BP神经网络。
（2）每层的神经元的个数
输入的变量只有1个，所以输入层只有1个神经元；输出的变量有7个，所以输出层有7个神经元；为模糊化节点，考虑到把ω归一化到[0，1]，它们模糊化后的语言变量论域元素为{0。
1，0。
2，0。
3，…，1。
0}，用10个神经元来实现其模糊化，所以第1隐层采用10个神经元，第2隐层为了与输出层对应，采用7个神经元。
（3）采用的算法
采用BP算法、L—M算法、动量算法和学习率自适应算法，进行比较。
（4）计算机仿真
仿真平台是MATLAB软件的神经网络（neuralnetwork）工具箱。
在仿真工作开始时，设计的ω网络第1隐层的神经元个数取为10，采用BP算法、L—M算法、动量算法和学习自适应算法，在工作站上训练1000000次均不收敛。
依据神经网络的设计原则，不断的调整，最后确定为神经元个数20个，网络的收敛速度较为理想。
图2-2，图2-3是计算机仿真的结果。
图2-2ω变量隶属度函数映射BP网络的训练误差
图2-3ω变量隶属度函数映射BP网络学习训练后对隶属度函数的映射
注:
“—”为理想隶属度函数，“+”为学习训练后对隶属函数的映射）
从图中可以知道所设计的BP网络能非常好的映射横摆角速度ω变量的隶属度函数，学习的误差较小，收敛速度很快。
同时，又发现在两个语言变量相交点的附近，映射有些干涉，这说明BP网络区分训练点属于语言模糊集，有些“模糊”。
2.4 本章小结
本章从理论和实践的角度对BP神经网络应用设计中的关于网络隐层数、神经元个数、算法等具体问题进行了探讨，为BP神经网络在汽车工程领域中的应用设计提供了有用的参考。
第三章基于自组织模糊神经网络电力系统稳定器的设计
3.1 模糊神经网络的基本结构
模糊神经网络由输入层、模糊化层、模糊逻辑层、模糊归一层、输出层组成，其结构如图1所示，圆圈及实线代表已存在的节点及连接，方框及虚线代表将增加的节点及连接，设a（j）i，b（j）i，N（j）分别为第j层的输入变量、输出变量、节点数，每层节点函数描述如下:
输入层:
节点只起数值传输的作用，无计算功能，即:
模糊化层:
该层每个节点对应于一个语言变量，其节点函数为三角形隶属函数，即:
模糊逻辑层:
该层完成模糊逻辑规则的前提条件匹配运算，输出为匹配度（点火强度）
模糊归一层:
该层实现上层节点的点火强度归一化运算，即:
连续输出层:
完成加归一化后的点火强度与连接权wk线性和的运算，求准确输出值：
3.2 结构的调整
结构的调整是通过模糊逻辑层的点火强度的最大值是否小于某一阀值及模糊化层的节点函数的相似度是否小于某一参数来决定的，其中:
点火强度最大值:
相似度:
f（Tai-new，Tbi-new，Tci-new）为新增加的节点函数，而函数
在TbB≤TbA时，有:
结构调整的具体过程如下:
1）如果MJ>α，跳过结构的调整，转入第六步，否则在模糊化层中对每个xi各增加一个相对应的节点，并各赋予节点函数，xi对应的节点数为:
2）根据节点函数相似度差别是否正确产生节点及其函数，如果deg（i，k）>β，则删去刚产生的且不正确的节点及函数，否则保留新节点及其函数，再回到第二步直至判别完毕。
3）增加模糊逻辑层新节点，新增加点数为:
4）增加归一化层中与模糊逻辑层新节点对应的新节点，增加节点数:
5）按照神经网络的连接方式联接各层新、旧节点，并连接权设为某一初始值。
6）模糊逻辑规则的产生及合成。
3.3 模糊逻辑规则的产生
采用简易的模糊逻辑规则及推理方法，该模糊逻辑规则的前提变量仍为模糊集，而结论变量为某一参数。
当模糊逻辑规则层点火强度的最大值小
升级会员 