温湿度操控现现在现已广泛使用于人们的出产和日子中，怎么可以精确的操控这两个变量一向是人们研讨的问题。传统的办法是通过温度计、湿度计丈量数据然后人为操作仪器升温、加湿、通风、降温文除湿，这种办法不只精确度低、实时性作用差，并且关于操作人员的要求高、劳动强度大，并且浪费时刻和人力。现在选用的是智能化的检测与操控，不光精度和实时性有所进步，并且操作简洁。怎么可以精确实时的将体系操控在抱负的规模是人们一向研讨的问题和尽力的方针。
现在照明职业的LED灯越来越多，高品质的灯需求通过严厉的试验测验才干到达5万小时以上的照明时刻，其间就包含在温湿度环境的烧机试验。本文首要介绍ANFIS，然后将该体系使用到LED温湿度环境的测验操控中。
1 ANFIS的结构
Takagi和Sugeno在1985年提出了一种新的含糊推理模型，称为Takagi—Sugeno(T—S)模型。该体系模型可运用极少数的含糊规矩生成较冗杂巨大的非线性函数，具有核算效率高、输出连续性、不光可以将线性体系理论常识很好的结合并且十分适宜数学剖析的特色。自习惯神经网络含糊推理体系由T—S型含糊推理体系与人工神经网络相结合，该体系具有含糊推理体系和人工神经网络各自的长处，其最大的特色是依据已知数据就可以对操控体系进行建模，因而可以不需求事前知道被控体系的体系特性，或许关于体系特性比较杂乱以及体系特性不显着的操控体系，选用ANFIS往往可以得到比传统的操控办法更好的成果。
依据以上剖析，论文选用依据T—S型含糊推理体系。该体系具有强壮的自学习才能和非线性外推特性，其本质是通过学习练习数据来完成输入变量到输出变量的线性或非线性映射，并在得出该映射联系后给出输出变量的估量值。
图1是一个典型的依据T—S型含糊神经推理体系的两个输入和一个输出的ANFIS的结构图。总共分为5层。
第1层：本层为条件参数。该层的每一个节点都是一个有节点函数的自习惯节点，该层的节点函数是含糊调集的从属度函数，由它确认输入x1(或x2)满意论域A的程度。
Oij=μAji(xj)，i=1，2;j=1，2
论域A的从属度函数包含高斯函数、三角函数和钟型函数等，可所以恣意一种适宜的参数化的从属度函数。下式给出的是gauss从属度函数的表达式：
2 自习惯含糊神经网络的操控算法
减法聚类是一种密度聚类的算法。它是估量一组数据中聚类中心方位和聚类个数的快速的单次算法。减法聚类中每一个数据点都视为潜在的聚类中心，然后依据每个数据点周围数据的密布程度来核算该点被作为聚类中心的可能性。其完成进程如下。
1)核算各个数据点的密度状况。关于m维空间的n个数据点(x1，x2，…，xn)，咱们以为每一个数据点都可能是聚类中心的候选者，所以各个数据点xi处的密度方针界说为：
其间，ya是一个正数并且界说了一个邻域数据点。
2)第1个聚类中心是选取具有最高密度方针的数据点，并且依此批改每一个需求作为聚类中心数据点的密度方针。令Dc为其密度方针，xc为选中的点，则每个数据点xi的密度方针可以通过下式批改，即
其间，yb是一个正数。由上所述接近第1个聚类中心xc1的数据点密度方针会不断削减，因而作为下一个聚类中心这些点是不可能的。
3)选定下一个聚类中心xc2一再次批改数据点的一切密度方针。
重复上述进程，假如上式到达最小值，则聚类完毕。
减法聚类是以密度为聚类的算法，它使用于一个输入、输出数据集，依据数据集的聚类集个数和聚类中心的方位，可以完成将输入空间得到最优的区分，并且确认输入以及输出言语变量的从属度函数的个数和含糊规矩数。本文首要通过减法聚类得到开始始的含糊推理体系，再通过输入输出数据对体系进行进一步的优化，终究得到一个很合理的含糊推理体系。
3 ANFIS的参数学习办法
由自习惯神经含糊推理体系中所触及的参数一般都比较多，故关于ANFIS的条件参数和定论参数的练习和确认，有必要选用一种高效的参数学习办法。本文选用一种“混合算法”，该办法由Jang最早提出的，条件参数的批改运用反向传达，定论参数批改选用线性最小二乘估核算法。其意图是为了进步ANFIS练习数据学习的速度，尽可能快地确认最优的体系参数值，终究使得体系输出成果的差错平方和最小。
混合学习算法的整个学习进程如表1所示。
含糊神经网络的学习算法是通过2步组成：首要将条件参数固定，输入信号沿着网络正向传送至第4层，选用最小二乘法算法预估后件参数，信号持续正向传送至第5层输出层;然后将得到的差错信号沿着通道反向传达，运用BP算法调整条件参数。这样通过梯度下降法不光可以下降查找空间的维数，还可以很好的提高参数的收敛速度。
本网络体系中需求考虑的学习参数首要是条件参数{mji，σji}和定论参数{aji，j==0，1，2;i=1，2}。
界说方针函数为
式中：d为体系希望输出或许教师信号。
差错信号由第5层顺次反向传递至第1层，详细算法：
4 自习惯含糊神经操控器规划
图2为依据自习惯含糊神经网络操控的操控器，此操控器不光坚持了惯例串级操控，并且选用主、副操控器。主操控器运用一个含糊神经操控器和一个智能PI操控器来操控体系，副操控器依然选用P操控器。
输入变量的线性组合为自习惯含糊神经体系的含糊规矩，即：
式中：i=1，2，…，n;j=1，2，…，m;Rj为第j条含糊规矩所表明的含糊包含联系;
为xj的第j个言语变量值，pj的后件网络的衔接权值。假如输入量运用单个含糊化的办法，则关于体系给定的输入x，可以求得关于每条规矩的习惯度为
式中：
是第i个输入重量从属于第j个言语变量含糊调集A的从属度函数。
含糊体系的输出量为每条规矩的输出量的加权均匀，即
aj为关于给定的输入x所求得的关于每条规矩的习惯度。
智能份额积分(PI)操控器是具有PI环节和使能端的逻辑判别子体系的2个模块组成。体系所在的状况通过逻辑判别子体系和的符号来判别，然后操控P1环节是否有用。界说差错e=r-y，差错改变率ec，当e·ec>0或e=0、ec≠0时，PI操控器功用有用，主操控器由含糊神经网络操控器和PI操控器一起作用操控完成，而当e·ec0或ec=0时，PI操控器功用失效，主操控器模块由含糊神经网络操控器独自来操控。结合经历常识，在仿真进程中通过对体系调试，终究确认的参数kp=1.2，ki=100。
5 ANFIS的仿真成果
温度的差错e和差错改变率ec(湿度的差错e和差错改变率ec)为操控器的两个输入变量，E、EC为其对应的含糊化变量，[-6，+6]为E和EC的根本论域。通过查询惯例温度含糊操控体系的练习样本表格和数据，神经含糊推理编辑器将练习所得到的样本数据载入练习数据集，7界说为输入变量的从属度函数的数目，类型为高斯型，输出变量的从属度函数
类型为常数型.假定练习的开始步长为0.01，意图差错为0，终究含糊推理体系通过400步练习后生成。为了构成比照本文对惯例PID操控器和本文所研讨的自习惯含糊神经网络操控器，在无外界扰动和有外界扰动的两种状况下，进行了仿真，仿真成果见图3和图4。
从图片的成果可以看出，自习惯含糊神经网络操控器具有杰出的动、静态特性和抗搅扰才能，一起该操控器功能显着比惯例PID操控器要好，完成起来比传统的PID操控简略且根本没有超调。
6 实践使用
本文选用Sensirion公司的SHT75温湿度传感器，该产品是该公司推出的一种插针式一起具有高精度版别的温湿度传感器。SHT75通过彻底标定，传感器具有高质量以及可以供给高精度数字输出。一起该产品是80uW的低能耗，相对温度作业规模：-40～+125℃，具有±0.3℃的精度。湿度作业规模：0～100%，具有±1.8%RH的精度。
该操控器在现场运用时，依据SHT75丈量的温度值，反应到体系显现界面，依据反应的数值决议设备是作业仍是不作业。终究了解到跟着时刻的不断延伸，自习惯含糊神经网络操控可以将该体系的温度维持在一个比较抱负的规模内。
7 定论
针对温湿度操控体系存在的延时时刻长、惯性强等特色，本文所研讨的自习惯含糊神经网络的操控办法不只克服了惯例PID操控具有的自习惯才能差的缺陷，并且本文选用的含糊操控器处理了惯例的含糊操控器存在的稳态精确度低和含糊体系规矩难以掌握等缺陷。该操控办法不只仅关于本文提出的温湿度操控体系有用，一起关于杂乱的被控目标也能获得比较好的操控作用，可以展现出比较好的体系稳定性、抗外界搅扰性和体系动态特性等长处，具有较高的工程使用价值。
