控制系统是制导炸弹的关键部位。目前，所有制导炸弹的控制系统都是基于一定的数学模型，以固定的方式修正弹道误差。由于存在各种不可预知的误差因素，但控制方式却不可调整，造成制导炸弹的实际命中精度不高。基于此，提出了一种新的制导炸弹智能控制系统，该系统引入具有前置滤波特性的非单点模糊化技术，针对非单点模糊推理系统内部参数不易调整的问题，提出用梯度下降算法和遗传算法构成的混合并行学习算法调整系统内部参数，从而能够自动处理受噪声影响的训练数据，提高命中精度。通过计算机仿真试验，并与基于ANFIS的制导炸弹智能控制系统进行比较，验证了该控制系统的有效性。

　　1 非单点模糊推理系统(NSFIS)

　　提出的制导炸弹智能控制系统的核心是非单点模糊推理系统(NSFIS)。一个n输入1输出的模糊推理系统，其模糊规则可表述如下

上的模糊集合，

和y∈V对应于系统输入和输出变量，l=1，2，…，M为模糊规则数。

　　当采用中心平均模糊消除器、乘积推理规则、高斯隶属度函数和非单点模糊化时，得到的非单点模糊推理系统为

时，非单点模糊化与单点模糊化等价;当输入变量xk受到噪声污染时，噪声在非单点模糊器中会被因子

所克服。如果σx≥σFkl，噪声将会在很大程度上被抑制。

　　2 NSFIS的参数学习算法

　　模糊推理系统是高度非线性系统，在对复杂系统建模的过程中，其内部参数

主要依靠某种学习算法对输入一输出数据对进行训练来确定。目前，用于模糊推理系统的学习算法主要是梯度下降算法和递推最小二乘算法。梯度下降算法简单易行、运算量小，但收敛速度慢，容易陷入局部极值，且对信号的谱性依赖较大;递推最小二乘算法收敛速度很快，对信号谱性无依赖，但其结构复杂、运算量大且存在长期数值稳定的问题。从工程的角度考虑，因为非单点模糊推理系统的计算复杂度本身就较大，所以运算量大的递推最小二乘算法不适合采用。为了弥补梯度下降算法的缺点，文中引入遗传算法。遗传算法是模拟生物进化过程的一种全局优化搜索算法，其目标函数既不要求连续，也不要求可微，仅要求问题可计算，而且它的搜索始终遍及整个解空间，容易得到全局最优解。用梯度下降算法和遗传算法同时并行的搜索解空间，并定期交换信息。这样不仅避免了陷入局部极值的缺点，而且加快了收敛速度。虽然由于遗传算法的加入，运算量增加了，但由于遗传算法和梯度下降算法并行工作，所以没有降低算法的实时性。采用减法聚类的方法设置初始参数，进一步加快了算法的收敛速度。文中所设计的非单点模糊推理系统参数学习算法如下：

[1] [2] [3] [4]  下一页