第0章 预备知识
本章主要介绍模糊逻辑系统、径向基函数神经网络、非线性系统的稳定性等一些基本知识,以便于本书主要内容的叙述和读者阅读。
0.1 模糊逻辑系统
模糊逻辑系统 (fuzzy logic system, FLS) 包含模糊规则库、模糊化、模糊推理机、解模糊化四部分。模糊控制的基本结构如图 0.1.1 所示。
图0.1.1 模糊控制的基本结构图
模糊推理机使用模糊 IF-THEN 规则实现从输入语言向量 x = [x1, x2, ,xn]T 到输出语言变量 y ∈ V 的映射,第 l 条模糊 IF-THEN 规则可以写成Rl:如果 x1 是 Fl1,x2 是 Fl2, ,xn是Fln,则 y 是Gl,l = 1, 2, ,N 式中,Fl i和 Gl 是对应于模糊隶属函数和 μGl(y) 的模糊集合;N 是模糊规则数。
若采用单点模糊化、乘积推理和中心加权解模糊化方法,则模糊逻辑系统可表示为
(0.1.1)
式中,
定义如下模糊基函数:
(0.1.2)
令,则模糊逻辑系统 (0.1.1) 可表示为
(0.1.3)
引理 0.1.1[1] f(x) 是定义在闭集 Ω 的连续函数,对任意给定的常数 ε > 0,存在模糊逻辑系统 (0.1.3),使得如下不等式成立:
(0.1.4)
定义**参数向量:
(0.1.5)
*小模糊逼近误差 ε 由下式给出:
(0.1.6)
0.2 径向基函数神经网络
径向基函数神经网络由隐含层和输出层两层网络组成,其基本结构如图 0.2.1 所示。隐含层实现不可调参数的非线性转化,即隐含层将输入空间映射到一个新的空间。输出层则在该新的空间实现线性组合。
因此,径向基函数神经网络是一个线性参数化的神经网络,可以表述为
(0.2.1)
式中,x = [x1, x2, , xn]T ∈ Rn 是输入向量,n 是神经网络的输入维数;W = [w1,w2, ,wl]T ∈ Rl 是神经网络权值向量,l > 1 是神经网络节点数;S(x) =[s1(x), s2(x), , sl(x)]T ∈ Rl 是径向基函数向量,si(x) 是基函数。
径向基函数 S(x) 中的 si(x) 通常选取为高斯函数:
(0.2.2)
式中,μi = [μi1, μi2, , μin]T 是基函数的中心;γi 是高斯函数的宽度。
图0.2.1 径向基函数神经网络的基本结构图
引理 0.2.1[2] f(x) 是定义在紧集 Ω ∈ Rn 的连续函数,对任意给定的常数ε> 0,存在常数向量 W,使得如下等式成立:
(0.2.3)
定义**权值 W.:
(0.2.4)
0.3 非线性系统的稳定性及判别定理
0.3.1 半全局一致*终有界
定义 0.3.1[3] 考虑如下非线性系统:
(0.3.1)
对于任何紧集和,如果存在常数 δ > 0 和时间常数T(δ, x0),对于,使得||x(t)|| < δ,则非线性系统 (0.3.1) 的解是半全局一致*终有界的。
引理 0.3.1 对于任何有界初始条件,如果存在一个连续可微且正定的函数V (x, t),满足
且该函数沿着系统 (0.3.1) 的轨迹满足
(0.3.2)