基于知识与数据的自组织二型模糊神经网络设计及控制研究

Data driven method is a powerful tool for the modeling and control of the complex plants, such as the complex production process and the equipments. In order to handle different sources of uncertainties in data and to improve the modeling precision and control performance, this project will study the knowledge and data based design and control methods of self-organizing type-2 fuzzy neural networks (T2FNNs) through utilizing multiple kinds of knowledge and making full use of the merits of T2FNN on dealing with uncertainties, debilitating noisy disturbance and learning ability. In detail, the main contributions of this project are listed as follows: 1) How to encode different kinds of knowledge into T2 FNN will be studied under the same framework, 2) Knowledge and data driven design methods of self-organizing T2FNNs will be developed. The structure self-organization algorithms and parameter learning algorithms will be presented, and the convergence of such algorithms will be proved, 3)The adaptive control method will be developed based on the knowledge driven self-organizing T2 FNN. The control law and the adaptive laws of parameters will be derived, and the stability of the closed-loop control system will be proved, 4)The T2FNN based adaptive control method will be applied to the temperature and humidity control of the HVAC system. Simulations and real applications will be given, and comparisons with other control methods will be made. Theoretically, the results in this project will provide novel directions for the research domain of data driven method and type-2 fuzzy method. And, in the aspect of the real-world applications, our results will provide a new tool for the modeling and control problems.

数据驱动方法是解决复杂生产过程、设备等研究对象建模与控制问题的有力工具。为处理数据驱动建模与控制时面临的各类不确定性、改善建模精度与控制效果，本项目将充分利用各种知识，同时发挥二型模糊神经网络在处理强不确定性、自学习等方面的优势，展开基于知识与数据的自组织二型模糊神经网络设计及控制研究。具体研究内容为：1）在统一框架下探讨各类知识在二型模糊神经网络中的嵌入问题，2）研究知识与数据混合驱动下的自组织二型模糊神经网络设计方法，给出结构自组织与参数自学习算法，并证明其收敛性，3）研究基于知识驱动自组织二型模糊神经网络的自适应控制方法，给出控制律及参数自适应律的设计及系统的稳定性证明，4）实现二型模糊神经自适应控制方法在暖通空调系统温湿度控制中的仿真验证及实际应用，并与其他方法比较。本项目在理论上能够为数据驱动、二型模糊等方向的研究提供新的思路，在应用方面能够为实际问题的建模与控制提供新的工具。

当采用二型模糊方法进行系统建模及控制时，在基于数据的同时充分利用各类知识，将有助于提高所设计的二型模糊模型的性能，取得更好的建模与控制效果。本课题针对上述问题开展了深入研究，取得了系列成果，具体如下：1）给出了知识在二型模糊系统及二型模糊神经网络中的嵌入方法，特别是给出了单调性、对称性、有界性等知识在二型模糊系统及二型模糊神经网络中的嵌入条件。2）给出了知识与数据驱动的二型模糊系统设计方法。在该方法中，将知识与数据驱动的二型模糊系统设计问题转化为了约束优化问题，并进行了求解。最后，通过仿真实验验证了知识与数据混合驱动方法的优势；3）给出了知识与数据驱动的二型模糊神经网络设计方法，并实现了在建筑舒适性预测问题中的应用，取得了良好效果。4）提出了数据驱动的自组织二型模糊神经网络设计方法。该方法在自组织一型模糊神经网络设计基础上给出了二型模糊神经网络结构自组织方案及参数自学习算法，取得了令人满意的模型性能。5）研究了不确定环境下二型模糊自适应控制问题及非线性系统自适应控制问题。结合二型模糊方法和滑模控制方法，给出了自适应二型模糊滑模控制策略，设计了控制律及参数自适应律，并进行了控制系统稳定性分析与证明。另外，提出了室内环境舒适性偏好控制方案用于暖通空调系统的温湿度控制。6）给出了函数权重单输入规则模块模糊推理系统，从理论角度分析了其性能。进而，利用迭代最小二乘算法，给出了其数据驱动设计方法。7）给出了知识与数据驱动的建筑能耗预测深度学习方法。为增强模型的预测性能，结合极限学习机和堆栈自动编码器，给出了一种新型的深度神经网络方法用于能耗预测，进而，利用能耗周期性知识，给出了一种知识与数据混合驱动的深度学习模型，取得了良好的预测效果。本课题的研究在理论方面能够为数据驱动、二型模糊等热点方向的研究提供新的思路，在应用方面，能够为实际问题的建模与控制提供新的工具。