模糊神经网络FNN_fnn8ivm

       分别对调速，调压，综合系统加入FNN控制器，使PID的输出达到最小值。其中关于FNN的理论部分，由于您已经以供了较多的文献资料，这里就不再进行叙述，这里主要说明一下最后的仿真效果和S函数的大致设计流程。这里仅对调速模型进行设计说明。

       为了对比加入FNN控制器后的性能变化，我们同时要对有FNN控制器的模型以及没有FNN控制器的模型进行仿真，仿真结果如下所示：

      非FNN控制器的结构：

    其仿真结果如下所示：

FNN控制器的结构：

    其仿真结果如下所示：

前面的是训练阶段，后面的为实际的输出，为了能够体现最后的性能，我们将两个模型的最后输出进行对比，得到的对比结果所示：

   从上面的仿真结果可知，PID的输出值范围降低了很多，性能得到了进一步提升。

调速TS模型，该模型最后的仿真结果如下所示：

    从上面的仿真结果可知，采用FNN控制器后，其PID的输出在一个非常小的范围之内进行晃动，整个系统的性能提高了80%。这说明采用模糊神经网络后的系统具有更高的性能和稳定性。

即FNN模型在整个系统的结构如上图所示。FNN采用S函数进行设计，这里，关于模糊神经网络的基本设计理论依据，总结如下：

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

模糊神经网络的基本概念：

模糊神经网络的设计主要包括如下几个方面：

(1)选取模糊神经网络控制器输入端和输出端变量；

(2)选取模糊神经网络控制器输入端和输出端变量相关参数；

(3)计算模糊神经网络集隶属函数并总结模糊神经网络控制器控制规则；

(4)确定模糊神经网络控制器模糊化和清晰化集体算法。