推理认知神经机制的研究论文

推理认知神经机制的研究论文（精选5篇）

推理认知神经机制的研究论文 篇1

一、归纳推理的脑成像研究

首次对于归纳推理进行脑成像研究始于1997年，Goel等人用正电子断层扫描技术(PET)以三段论语句为材料对比了归纳推理与演绎推理的异同，发现归纳推理激活的脑区包括左侧额中回，左侧扣带回，以及左侧额叶上回;与演绎推理相比，在左侧额叶上回激活的区域略有不同。2004年Goel和Dolau又用fMRI技术对于归纳推理与演绎推理进行了研究，发现两种推理任务都激活了左侧前额皮层、双背侧前额、顶部以及枕叶皮层，其中左背外侧额回在归纳推理过程中被更多的激活。

梅杨、梁佩鹏等(2010)采用简单几何图形为研究材料，利用fMRI探讨了图形型归纳推理的认知神经机制。研究发现，归纳推理任务显著的激活了前额区、尾状核、壳核和丘脑，并且发现在图形型归纳推理中“前额皮层—纹状体—丘脑”通路显示出重要的作用，另外，右侧额下回、双侧尾状核头部、壳核等脑区参与了知觉信息的整合。Peipeug Liaug同样采用几何图形为实验材料，根据特征维度的不同划分为两种，一种为共享两个属性的任务，另一种为共享一个属性的任务，以信息、任务作为参照。相对于信息任务来说，归纳任务激活了前额皮层、丘脑等区域，并且这些区域的激活与任务难度有关。实验中同样发现“前额—纹状体—丘脑”通路在归纳推理中的重要作用。

Xinqin Jia et al(2011)关注了数字归纳推理识别和外推的两个认知过程。fMRI研究结果发现左侧顶上小叶(SPL)延伸至楔前叶区以及左侧背外侧前额皮质(DLPFC)参与了数列归纳推理的识别和外推阶段。在识别阶段额顶叶区域得到了激活，而在外推阶段纹状体丘脑区域得到了激活。研究证明许多脑区参与了数字归纳推理的过程，包括前额、顶叶以及皮质下区域。

综合以上研究发现，归纳推理的认知过程激活了大量的脑区，由于研究者采用了不同的研究材料，激活的脑区也有所差异。但是总体来讲，前额叶在归纳推理过程中起到了至关重要的作用。脑成像研究给我们提供了归纳推理参与认知加工的脑区，但是并不能清楚的提供认知加工的过程。因此，对于归纳推理的认知加工过程还需要进一步探讨。

二、归纳推理的事件相关电位研究

事件相关电位技术有高的时间分辨率，能够弥补fMRI技术的缺陷，清楚的记录归纳推理的具体加工过程，以便对其进行探索。Bigman和Pratt首次使用ERP技术对于简单几何图形的类别归纳进行了研究。实验中相继呈现三个图形刺激，被试要在前两个图形出现后迅速提取出它们的共同特征，在第三个图形出现时要判断它是否具有前两个图形的共同特征。研究结果显示在第一个图形出现时，被试就进入了对其进行类别归纳的初步加工。在刺激处理的过程中，被试并不是对于所有刺激的所有特征进行分析，而是基于刺激的共有特征进行分析。

Peipeng Liang以句子为材料对于归纳推理的时间进程进行了研究。实验分为归纳一致任务与归纳不一致任务。归纳一致任务与句子的前提和结论有关，被试需要结合前两个句子的前提、结论和背景知识判断结论的合理性。归纳不一致任务也就是基线条件，与前提和结论无关，被试发现句子的前提和结论的信息不能进行整合，第三个句子与前两句语义不相同，他们就要做出否定的反应。研究结果显示:在350650毫秒的时间窗口内，被试存在一个语义信息整合的过程。归纳一致任务与归纳不一致任务相比，在迎玛频段分析中有显著的上升。研究者推测归纳推理的过程包含三个阶段，分别是知觉分析阶段、语义信息整合阶段和反应阶段。

欧阳含璐采用数列型任务考察了儿童与成人归纳推理过程的异同。研究发现，儿童与成人归纳推理的时间进程是基本一致的。在规则获得阶段，儿童和成人被试都对于数字的出现进行了早期的视觉加工，300-500ms时间窗口出现的P3成分主效应显著，标志着假设的生成，认知加工进入了归纳阶段。儿童与成人脑电结果的不同点在于:儿童在数字3的N2成分上表现出差异，这说明儿童对于数字1与数字2之间规则的不一致产生了更大的冲突。结合地形图可以发现，儿童的差异集中在前额叶，而成人的差异分布在头皮中部和后部。这说明在完成同等难度的归纳任务时，儿童要比成人投入更多的工作记忆与注意资源。

三、小结与展望

推理认知神经机制的研究论文 篇2

1资料与方法

1.1研究对象14名在校大学生作为有偿受试者参加了实验,其中男7名,女7名;平均年龄(23.4±1.3)岁,均为右利手,视力正常或矫正后正常。所有受试者均身心健康,并签署知情同意书。本研究经首都医科大学宣武医院伦理委员会批准。

1.2实验设计刺激材料为规则的几何图形,每个图形有2种特征(形状和条纹方向),每种特征5种取值:形状包括方形、圆形、三角形、十字形和五星形;条纹方向包括横纹(0°)、竖纹(90°)、撇纹(45°)、捺纹(135°)和网格。

注:*当任务是双条件句时,DA的正确结论就成为“此物体没有X属性”;BS:基线任务

整个实验任务可分为2步:1首先呈现的2个客体均有某种(X)属性,请受试者基于此归纳:具有什么特征的客体有X属性。2在受试者形成“具有某种特征的客体有X属性”这一概念后,呈现第三个客体,要求受试者判断其是否也有X属性。第一步是典型的归纳推理过程,结果已发表[10];第二步是条件推理,是本文的研究对象。如图1所示,完成第一步后受试者已经形成“圆形的客体有X属性”这一概念后,给出第三个客体“是圆形”(即小前提为“客体是圆形的”,也即MP任务),受试者的任务是推断第三个客体有无X属性。

本研究共包括3种实验任务(表1):MP、DA和基线任务(baseline,BS,即第一步归纳结果是“不确定什么样的物体具有X属性”),另外还有一种休息任务。根据给出的小前提(即第二步呈现的客体)是否与第一步归纳产生的大前提一致,分为MP推理或DA推理。本文以BS任务为控制任务,关注两种正向条件推理任务MP和DA的神经机制。

刺激呈现过程见图1。实验开始后,屏幕中央首先呈现“+”(2 s),然后呈现2个图形(4 s)。要求受试者观察这2个图形并进行概括,然后尽可能快地按键作答,此时屏幕上将出现4个选项,请选择正确答案并按键作答;当屏幕中出现一个新图形后,要求受试者判断新图形是否具有属性X,并尽可能快地按键作答。每个刺激任务最后的6 s用于让受试者休息,使BOLD信号回到基线水平。对于休息任务,要求受试者尽量休息,并相应地随机按键即可。

本实验共包括150个任务,其中50个MP任务,50个DA任务,25个BS任务和25个休息任务。在休息任务时,受试者只需注视屏幕中央的“+”提示符,该任务不用于数据分析,目的是让受试者休息,以免其过于疲劳。每个分段(session)包括30个任务,每个分段扫描时间11 min 10 s。所有任务伪随机地分布在5个分段中呈现,整个实验任务的扫描时间为55 min 50 s。实验过程中出现的图形形状和条纹方向都做了平衡。按键在受试者间进行平衡。

1.3 f MRI扫描功能像在3.0 T全身MRI仪(SiemensMagnetom Trio Tim)上获得。应用8通道相控阵头线圈,有专用的衬垫用来固定头部防止头动。全脑功能像由T2* 加权单次激发梯度回波的EPI序列获得,扫描参数:TR 2000 ms,TE 30 ms,翻转角90°,视野240 mm×240 mm,矩阵64×64,轴位30层,层厚4 mm, 体素大小3.75 mm×3.75 mm×4.0 mm。3D像扫描参数:TR 1600 ms,TE 2.17 ms,翻转角9°,矩阵256×224,矢状位扫描,176层,层厚1 mm,层间隔0.5 mm,体素大小1.0 mm×1.0 mm×1.0 mm。通过Presentation软件程序(http://nbs.neuro-bs.com)控制每个试次的呈现与扫描同步。

1.4数据预处理f MRI数据采用SPM5(http://www.fil.ion.ucl.ac.uk/spm)进行分析。首先,删除每一个分段中的前2幅图像。数据预处理包括层面时间配准、运动校正、空间标准和高斯平滑。采用半高全宽为8.0 mm。所有受试者头部三维平移未超过2.0 mm、三维旋转未超过2°,因而所有受试者均用于f MRI数据分析。

1.5统计学方法行为数据分析采用SPSS 19.0软件,分别对MP、DA和BS 3种任务的反应时和正确率进行方差分析,两两比较采用LSD法,P<0.05表示差异有统计学意义。对于f MRI数据,采用单样本t检验对每个受试者定义4种对比,包括MP比BS、DA比BS、MP比DA、DA比MP,然后对所有受试者进行组分析。f MRI结果以P<0.001(非矫正)、激活区≥10个相邻体素为激活标准。

2结果

2.1行为数据采用方差分析对反应时和正确率进行分析,见图2。对于反应时,条件主效应显著(F=9.12,P<0.001)。两两比较结果显示,MP、DA的平均反应时均显著慢于BS,差异有统计学意义(P<0.001);MP与DA比较不显著,差异无统计学意义(P>0.05)。对于正确率,条件主效应不显著,差异无统计学意义(P>0.05)。2.2 f MRI分析结果MP推理(MP比BS)主要激活了左侧额下回(BA 9)、左侧额中回(BA 46)、左侧中央后回(BA 1/5)及左侧顶下小叶(BA 40)。DA推理(DA与BS)主要激活了左侧额下回(BA 9/45)、左侧额中回(BA 46)、双侧中央后回(BA 3)、双侧顶下小叶(BA 40)及左侧脑岛。见图3。

与DA相比,MP推理更强地激活了双侧尾状核。与MP相比,DA推理更强地激活了左侧额下回(BA 9)、右侧顶下小叶(BA 40)、右侧颞中回(BA 20)、双侧梭状回(BA 37)、左侧舌回(BA 18/17)、左侧扣带回(BA 32)及左侧楔叶(BA 17)。见表2、图3。

3讨论

本研究采用f MRI研究了两种正向条件推理的认知神经基础,结果表明MP和DA共同激活了左侧额顶区域,但两者也存在显著差异。与尾状核参与规则应用有关的认知过程[15,16]一致,双侧尾状核的激活在MP推理中显著强于DA推理,这可能是因为与DA相比,MP推理主要是对大前提(如果P那么Q)的规则应用。DA推理具有更大范围的激活则可能反映了DA比MP需要更多的认知资源。从心理模型的观点出发,DA推理至少需要建构2个心理模型,显然需要更多的工作记忆资源,因而激活了更多的额顶脑区。另外,左侧扣带回在DA推理中被显著激活,这与扣带回负责冲突监控[17]一致,这是因为给出大前提“如果P,那么Q”后,受试者会很自然地期待出现“P”的小前提,当DA推理给出“Not P”的小前提时,“冲突”出现,扣带回被激活。

一方面,MP推理和DA推理的激活均呈现左脑偏侧化,这与心理模型理论不相符;另一方面,MP推理未发现颞叶的激活,这与心理逻辑理论不一致。因此,单一的心理模型理论或心理逻辑理论均不能很好地解释实验结果。本研究中,MP及DA推理与视空间加工相关的脑区激活与双加工理论相吻合[14],即抽象条件推理激活额 - 顶系统。但由于本文未设计具体内容条件推理,故无法直接对双加工理论进行检验。

与本研究不同,在Noveck等[1]的研究中,MP推理与基线任务相比未发现额叶显著激活;且DA推理与基线相比未发现激活脑区。这种差异的原因可能是:在Noveck等[1]的研究中,由于DA推理任务的平均正确率较低,因而用于统计分析的有效任务数目过少(平均6个),而本研究中有效任务平均为44个。在Noveck等[1]的研究中,并未直接进行对MP与DA推理的比较。利用事件相关电位技术,Qiu等[2]的研究发现,同为正向推理的MP和DA推理,两者的早期ERP成分无显著差异。而本研究结果却发现MP与DA推理的脑区激活是可分离的,导致这一差别的原因可能是本文是“双条件句”[1]下的DA推理,而Qiu等[2]探讨的是答案为“不确定”的DA推理的脑机制。

推理认知神经机制的研究论文 篇3

关键词：审美神经机制 钢琴演奏者 认知体验

一、音乐审美的界定

千百年来，人们对音乐美的追求穷经皓首，在审美主体对美感的产生和体验的过程中形成了人的审美心理，而音乐审美心理指作为审美主体的音乐创作者或演奏者对审美客体的美感产生、知觉操作、情感体验、情感升华、创造能力以及审美价值与效应等的一系列心理活动。而音乐作为艺术，就审美机制而言，不仅与审美主体的大脑神经机制的生理基础有关，而且与演奏者或欣赏者对音乐作品审美客体的深刻理解，以及每个审美主体的审美情趣、审美理想以及丰富其审美经验都是密切相关的。在钢琴演奏过程中，通过对演奏者审美认知的神经机制的研究，了解其对音乐感知的结构，注重在音乐审美心理制约下所产生的审美认知效应，探索其在审美过程中的机制和功能，从而会对培养钢琴演奏者的接受能力和表达能力以及对一部作品的深刻理解方面有着重要的作用。

二、钢琴演奏者音乐审美神经机制的基本内涵

首先，在生理结构上，主体感知音乐特征的区域包括耳蜗神经节、上橄榄核、外侧丘系、下丘以及内侧膝状体所组成的皮层下结构，这些结构是对音乐的时间和空间特征加以展现的载体，成为了大脑皮层建立的一级信息感知模式，它能将其所负责的乐声分解为不同的频率成分（即频域加工），并以听觉组织所具有的频率特征和实践特征为基础，从而使人类在大脑中形成了最初级的音乐审美表象。

其次，生理结构上的感觉皮层结构，即由初级听皮层、次级听皮层、第一听觉联合区以及第二听觉联合区所组成，构成了音乐感知的二级信息感知模式，它为组织相应的本体经验和情感状态提供大脑生物学的载体基础，并在音乐审美表象中首先渗入了审美主体的情感动机或者是其特定的审美经验，甚至可以体现在审美主体所具有的更高层级的审美心理表征之中，从而使得主体的音乐审美理念及理论知识与人格理想等能够发挥主动性，并对情感、经验等审美状态的形成产生积极能动性的作用。

第三，生理结构上的大脑联合区结构由颞极、枕颞联合带、额颞联合带、边缘系统以及边缘旁区、丘脑和下丘脑等神经元组成，它们占大脑皮层的绝大部分，能够处理内部信息并持续缓慢地发出一些可逆信息。审美主体所具有的丰富想象力、各种判断推理能力以及评判认知一部音乐作品的价值，都依赖于大脑的这个特殊结构，因为它能够为主体提供多种感觉信息，并结合其自身所具有的经验知识和认知理念，将一切音乐体验通过知识记忆和大脑的形象判断能力与人类的所有生活情境相互融通，并在其他各种领域里将主体的音乐审美与音乐创造能力实施心理迁移，从而使得主体对音乐文化的感受和创新能力得以综合性的延展和优化。

最后，大脑生理结构上最为复杂的结构能够成为审美主体对音乐作品形式及其内容与认知客觀世界的存在性规律相互联结的载体，它主要包括以前额叶新皮层为主的最高级调节性神经元结构。而且它以一种特有的自上而下的输出方式不断地发出高频慢波电流，这样整个大脑的所有区域都可以时空同步地实现相关的脑电活动，并与上面提到的三个结构交互投射，形成了密不可分的关系，这样便有助于最终形成音乐审美或创造方面所特有的高级产物——音乐意向，并由此产生出了人类审美心理活动中的审美认知意向，它包括感知意向、听觉意向、想象意向、理解意向以及情感意向等。

三、钢琴演奏者音乐审美神经机制对演奏过程的认知意义

认知神经科学认为，认知过程中的心理结构体现为主体的心理要素，诸如感知觉、情感思维和意志等对外部刺激信息的同化方式，换句话说，它体现了音乐文化内化并转化为审美主体新的心理活动载体形态，具有时空交汇的特点。首先音乐审美神经机制促进钢琴演奏中对和声听觉的审美，在钢琴演奏中首先要感知和声听觉的审美特征。和声听觉是利用听觉记忆感知来辨别和分析音程、和弦以及和声的功能，在这一过程中，演奏者能够辨明和弦结构或分辨清楚和弦的性质、色彩以及功能等，因为不同的和声效果会为演奏者带来不同的审美感受，演奏者要具有一定的音乐理解能力和音乐记忆能力，并培养对调式和调感以及节奏感等音乐基础能力，从而产生出一定的和声审美取向，并最终使演奏者丰富其审美情感体验。

其次，音乐审美神经机制有助于钢琴演奏中对旋律的审美，旋律是非常重要的音乐表现形式之一，它不仅具有节奏与力度的变化方式，而且拥有音高的各种变换模式，因此它具有的丰富表现力对演奏者以及欣赏者都带来美感体验。在钢琴演奏中，对旋律的审美特征的体验，表现为对旋律中包含的快乐、感伤、悲愤等艺术风格产生审美共鸣，对不同历史时期、不同民族和不同的音乐创作者的旋律具有不同的审美气质和感受，使演奏者在演奏过程中更加深刻地理解音乐内涵的魅力，从而更加丰富自身的审美情感体验。

第三，音乐审美神经机制提高对钢琴演奏中调式的审美，调式是音阶的结构形式，它是有相互关联的音按照一定的规律所组成的音阶，不同地区和民族各自形成了自己独特审美特征的音乐文化，所以就存在各种不同结构的音阶调式，甚至不同的作曲家也有各自的审美取向，例如贝多芬的作品中多用小调来展现其极具悲美色彩的革命主义精神，而肖邦则偏爱降号的调性来表现其自身的典雅和沉静的音乐审美气质和情趣。在钢琴演奏中，对调式的审美感知来自于演奏者的听觉感知以及丰富的想象力和理解力，在实际的演奏过程中来体验调式前后转换是的音乐意境，从而培养其多元化的审美体验。

第四，音乐审美神经机制改善钢琴演奏中对曲式风格的审美，在不同的音乐文化背景下，人们对音乐结构组织形态的审美追求也是不尽一致的，例如在西方音乐中多使用两端呼应的三段连缀体为普遍的音乐结构形态，而在中国的传统音乐中多以多段连缀体作为普遍使用的结构形态，因此各个国家和民族以及不同的音乐创作者就形成了各自不同的音乐风格。在钢琴演奏过程中，演奏者只有把握了不同时代、不同国家以及不同作曲家的音乐风格，才能更好地理解作品的音乐魅力，并建立起丰富多样的审美体验并拓展其审美视野。

总之，音乐审美神经机制的认知研究过程，丰富了对大脑神经机制作用方式及其功能的认知，并对钢琴演奏者的审美机制形成和多元化的审美认知体验有着重要的意义。

参考文献：

[1]理查德·菲尔兹.大脑神经元[J].环球科学，2006，（07）.

[2]M.S.Gazzaniga.Cognitive Neuroscience.Massachusetts： The MIT Press，2004.

[3]刘兆吉.美育心理学[M].重庆：西南师范大学出版社，1990.

推理认知神经机制的研究论文 篇4

名词性间接回指的特点及其认知推理

间接回指是语言学中一个较新的研究领域,其中名词性间接回指属于典型间接回指.文章在前人研究的基础上总结了名词性间接回指的语义关系以及制约因素,并从语篇受话者处理语篇的.策略及其心理表征角度对其推理机制进行了阐释.

作 者：魏莉芳 李志华 WEI Li-fang LI Zhi-hua  作者单位：魏莉芳,WEI Li-fang(绍兴越秀外国语职业学院,浙江,绍兴,312000)

李志华,LI Zhi-hua(青岛港湾职业技术学院,山东,青岛,266000)

刊 名：郑州航空工业管理学院学报（社会科学版） 英文刊名：JOURNAL OF ZHENGZHOU INSTITUTE OF AERONAUTICAL INDUSTRY MANAGEMENT(SOCIAL SCIENCE EDITION) 年，卷(期)：2008 27(2) 分类号：H314 关键词：名词性间接回指   语义关系   制约因素   认知推理  

推理认知神经机制的研究论文 篇5

各种算法均具有不同的优缺点。其中,模糊控制算法作为仿专家控制系统,无需精确被控系统模型、抗干扰能力强、鲁棒性好,但学习能力差、模糊规则及隶属函数设计困难。神经网络算法对系统环境变化自学能力强但需要长期训练,且输入/输出数据关系难以表达。由于可以实现优势互补,近年来将上述两者相结合的MPPT算法研究很多[3,4]。但是,随着相关研究的进行,模糊神经网络算法也显现出一些不足,如缺乏专家知识,推理时间长或得出错误结论;数据过多设计缓慢易引发“规则爆炸”,收敛速度慢等。为了解决上述问题,本文利用模糊聚类算法和自适应神经模糊推理系统(Adap⁃tive Neuro⁃Fuzzy Inference System,ANFIS),解决适量模糊规则提取及专属隶属函数生成问题,结合变步长电导增量法控制占空比步长ΔD,实现了MPPT控制。Mat⁃lab仿真结果证明,该算法反应快、抗干扰能力强且具有学习能力,适用于中小型光伏发电系统的工程应用。

1 光伏组件模型

光伏组件等效电路[5]如图1所示。图1中:Iph为光生电流,光照强度及温度不变时可等效为恒流源;负载RL端电压反作用于PN结,产生与Iph反向的电流Id;Rs和Rsh分别是串联等效电阻和并联等效电阻。

由上述电路可知,光伏电池数学模型公式如下:

其中:ISC为光伏电池短路电流;ISC(T1)和ISC(T2)分别是标准光照强度(1 000 W/m2)下,温度为T1和T2时的短路电流;G为光照强度;Gnom为标准光照强度;K0为短路电流温度系数;Id为二极管电流;IOS为光伏电池饱和电流;V为负载端电压;I为负载端电流;A为PN结理想因子(1~2);k为玻尔兹曼常数(1.38×10-23J/K);T为开氏温标。

以标准环境(1 000 W/m2,25℃)下Solarex MSX6060 W光伏电池为例,将其工作参数(开路电压VOC=21 V,短路电流ISC=3.74 A,最大工作电压Vm=17.1 V,最大工作电流Im=3.5 A,最大功率Pm=59.9 W)代入上述公式可得:

由式(1)、式(5)、式(6),利用Simulink建立光伏组件仿真模型,如图2所示。

经Simulink仿真,在标准光照强度不同环境温度情况下,光伏电池P⁃U曲线和I⁃U曲线如图3所示,仿真曲线符合光伏电池理论特性。

2 常见MPPT算法

2.1 电导增量法

由图3(a)可知,光伏电池P⁃U曲线是一条单峰曲线,传统电导增量法通过比较电池瞬间电导和电导变化量电压大小即可实现MPPT[6]。判断依据如下:

(1)d P d U=Id U+Ud I=I+Ud I d U;

(2)d P d U=0,工作于最大功率点处;

(3)d P d U>0,工作于最大功率点左侧;

(4)d P d U<0,工作于最大功率点右侧。

由于电导增量法一般采用Boost电路作为DC⁃DC变换器,光伏阵列等效负载为占空比D和实际负载RL的函数,通过调节占空比D即可使等效负载始终与光伏阵列内阻匹配获得最大功率PMAX=U2PV(1-d)2RL(UPV为光伏阵列输出电压),因此,电导增量法的实际控制量为占空比D。

电导增量法反应快、精度高,但是决定算法性能的占空比步长ΔD选择困难。ΔD大时,算法反应速度快但存在振荡;ΔD小时,控制精度提高但反应速度慢。因此又出现了变步长电导增量法,实时改变ΔD,提高算法反应速度和控制精度。ΔD的调整可通过多种算法得到,受篇幅所限,不再赘述。

2.2 模糊控制法

光伏系统是一种强非线性系统,数学模型很难精确定义,而模糊控制作为一种仿专家控制根本无需被控对象精确模型,因此极为适合光伏系统的MPPT控制[7]。一般用于MPPT的模糊控制器如图4所示。

模糊控制器为两输入一输出。输入量e(n)是n时刻和n-1时刻输出功率之差;输入量a(n-1)为n-1时刻步长;E(n)和A(n-1)分别是e(n)和a(n-1)在对应模糊论域中的值;输出量D(n)是Boost电路在n时刻的占空比步长;Ke和Ka分别是e(n)和a(n-1)的量化因子。

模糊控制原则如下:

(1)如果输出功率增加,那么继续之前步长调整方向,否则取反;

(2)如果离最大功率点较远,增大步长,否则,减小步长以提高精度;

(3)针对外部环境变化能够作出快速反应。

根据以上原则并结合实际经验,一般将输入语言变量E和A分别定义为8个和6个模糊子集,隶属函数选择三角形、钟形或高斯型,模糊控制规则如表1所示。

基于模糊控制的MPPT算法能够将专家知识转化成语言控制规则,反应速度快、抗干扰能力强,但是其模糊控制规则和隶属函数的确定更多依靠人们的经验,且自学能力差,可移植性不好,光伏系统实际应用情况一旦发生改变,模糊控制器需要重新设计。

3 新算法

为弥补模糊控制的不足,人们利用模糊神经网络解决了模糊控制规则提取和隶属函数确定问题,但仍存在语言变量模糊子集划分、规则爆炸等问题;因此,本文首先对e(n),a(n-1)和a(n)的实测数据进行模糊聚类[8],生成初始T⁃S型模糊推理系统(Fuzzy Inference System,FIS),确定规则组数和隶属函数个数,然后在初始FIS基础上,利用ANFIS通过数据训练得到实用的FIS[9],最终将该FIS产生的占空比步长ΔD用于变步长电导增量法实现MPPT。

模糊聚类算法很多,较常用的是模糊C均值聚类和减法聚类。模糊C均值聚类需要提供聚类中心个数,且收敛性能依赖于初始聚类中心,收敛速度变化大,不适于MPPT。本文采用减法聚类,通过快速单次运算对一组数据中聚类个数及聚类中心位置进行估计,产生聚类中心,生成初始FIS速度快且能有效避免规则爆炸问题,具体方法如下:

(1)对n个数据进行归一化,每个数据都是候选聚类中心,数据点xi处的密度指标定义为:

式中,γα是一个正数,定义了点xi的一个邻域。计算全部数据点密度指标后,选择具有最高密度指标Df1所在点xf1为第一个聚类中心。

(2)对其他数据点进行密度指标修正:

式中,γβ是一个正数,定义一个密度指标明显减小的邻域。通过式(8)修正后,xf1附近的点密度指标明显减小,无法成为聚类中心。γβ通常大于γα,以免聚类中心过近。

重复步骤(1)和(2)操作直到产生合适的聚类中心。

ANFIS结构如图5所示[10],x1和x2为两个输入,y为输出,其规则库由两条规则构成:

图5中,第1层是输入变量隶属函数层,每个方形节点i都以节点函数表示:

式中:x1和x2为节点i的输入;Ai和B(i-2)是节点相关语言变量。

第2层是规则强度释放层;图5中用Π表示,输入信号相乘后乘积输出为:

第3层是规则强度归一化层,图5中用N表示,确定第i个节点中第i条规则ωi与所有规则ω值总和的比值:

第4层是模糊规则输出层,每个节点i均为自适应节点:

第5层是固定节点,计算所有输入信号的输出之和:

为设计方便,利用Matlab中的ANFIS工具箱实现基于减法聚类的ANFIS。初始FIS由实测数据通过减法聚类生成,部分数据如表2所示。

表2中:第1列是n时刻功率差;第2列是n-1时刻占空比步长;第3列是n时刻占空比步长。生成初始FIS后,通过对200组以上的数据进行训练和校验,生成的最终FIS如图6所示。

4 MPPT仿真模型设计

利用上述算法建立Boost电路MPPT仿真模型,如图7所示。

为验证算法控制效果,利用Matlab分别对定步长电导增量法、模糊控制法和新算法进行MPPT仿真(标准环境,负载50Ω)。仿真曲线如图8(a)所示,三种算法均能实现MPPT,但定步长电导增量法跟踪速度较慢,且因固定步长选择不合适存在微弱振荡;模糊控制跟踪速度较快但在最大功率点附近由于模糊控制规则和隶属函数设计不当存在超调;新算法跟踪速度最快,无超调且能够稳定工作于最大功率点。

为验证新算法对环境变化的适应能力,先将光照强度由800 W/m2提高到1 000 W/m2,然后将温度由25℃提高到35℃后,对新算法进行仿真。由图8(b)可知,当光伏系统工作环境发生变化时,新算法能够快速响应环境变化实现MPPT,体现了良好的动态和静态特性。

5 结论

与传统MPPT算法相比,本文将模糊聚类、ANFIS和变步长电导增量法相结合提出的新型算法能够通过实测数据提取模糊控制规则,确定隶属函数,有效降低了FIS的设计难度,避免了规则爆炸问题。该算法除反应速度快、对环境变化适应性强之外还具有学习能力,针对光伏系统使用过程中的变化,只需记录实测数据训练新的FIS,并将它转换成相应控制程序,即可实现MPPT控制器的优化升级,具有一定的实际应用价值。

摘要：针对光伏系统最大功率点跟踪过程中电导增量法和模糊控制法存在的不足,结合模糊聚类和自适应神经模糊推理系统提出一种新型MPPT算法,对实测数据模糊聚类后,提取模糊控制规则,确定隶属函数,通过神经网络训练生成模糊推理系统。仿真结果表明,该算法能够实现对最大功率点的快速跟踪,对环境变化的抗干扰能力强,控制效果良好,具有一定的应用价值。

关键词：最大功率点跟踪,模糊聚类,自适应神经模糊推理系统,模糊控制规则提取

参考文献

[1]周林,武剑,栗秋华,等.光伏阵列最大功率点跟踪控制方法综述[J].高电压技术,2008,34(6):1145-1154.

[2]朱拓斐,陈国定.光伏发电中MPPT控制方法综述[J].电源技术,2011,35(10):1322-1324.

[3]杨旭,曾成碧,陈宾.基于广义动态模糊神经网络的光伏电池MPPT控制[J].电力系统保护与控制,2010,38(13):22-25.

[4]郑晓斌.神经网络模糊PID技术在光伏系统MPPT控制器中的应用[J].长春理工大学学报(自然科学版),2015,38(1):102-106.

[5]刘翼,荆龙,童亦斌.基于Simulink的光伏电池组件建模和MPPT仿真研究[J].科技导报,2010,28(18):94-97.

[6]高嵩,罗浩,何宁,等.基于MPPT的新型变步长增量电导法的研究[J].电气传动,2015,45(2):16-19.

[7]黄克亚.光伏发电系统最大功率点跟踪算法研究及实现[D].苏州:苏州大学,2010:34-43.

[8]孙丙香,高科,姜久春,等.基于ANFIS和减法聚类的动力电池放电峰值功率预测[J].电工技术学报,2015,30(4):272-280.

[9]杨茂,齐玥,穆钢,等.基于自适应神经模糊推理系统的风电功率预测方法[J].电测与仪表,2015,52(14):6-10.