學(xué)習(xí)智能控制課程的研究報(bào)告

1、精選文庫(kù) 學(xué)習(xí)智能控制課程的研究報(bào)告 通過本學(xué)期所學(xué)的智能控制知識(shí)、 上網(wǎng)搜集資料和參考論文的情況下，對(duì)智能控 制這門學(xué)科的學(xué)習(xí)做出了簡(jiǎn)要總結(jié)。 1智能控制的發(fā)展 自動(dòng)控制經(jīng)過百余年的發(fā)展，無(wú)論是在控制理論還是控制工程上都取得了巨大成 功，但是，隨著人類社會(huì)的發(fā)展，控制對(duì)象日益復(fù)雜、控制目標(biāo)越來越高，控制理論 與控制工程面臨的挑戰(zhàn)也越來越大。以控制理論和智能理論為基礎(chǔ)，以模擬人的智能 化操作和經(jīng)驗(yàn)為手段的智能控制方法應(yīng)運(yùn)而生。 智能控制是基于人類對(duì)自然界的智能的認(rèn)識(shí)所發(fā)展起來的智能理論與方法，包括 基于符號(hào)邏輯的傳統(tǒng)AI理論與基于復(fù)雜計(jì)算的計(jì)算智能理論。它是人工智能和自動(dòng) 控制的重要研究領(lǐng)域，

2、并被認(rèn)為是通向自主機(jī)器遞階道路上自動(dòng)控制的頂層。人工智 能的發(fā)展促進(jìn)自動(dòng)控制向智能控制發(fā)展，智能控制思潮第一次出現(xiàn)于20世紀(jì)60年代。 1965年，美籍華人傅京孫教授在他的論文中首先提出把人工智能的直覺推理方法用 于學(xué)習(xí)控制系統(tǒng)，最早把人工智能引入到控制技術(shù)中。1966年，Mendel進(jìn)一步在空 間飛行器的學(xué)習(xí)控制系統(tǒng)中應(yīng)用了人工智能技術(shù)，并且提出了 “人工智能控制”的概 念。1967年，Leon des和Men del首先正式使用“智能控制” 一詞。 20世紀(jì)70年代是智能控制的發(fā)展初期，傅京孫、Gloriso和Saridis等人正式提 出了智能控制就是人工智能技術(shù)與控制理論的交叉。70年代

3、中期前后，以模糊集合 論為基礎(chǔ)，從模仿人的控制決策思想出發(fā)，智能控制在另一個(gè)方向規(guī)則控制上也取得 了重要的進(jìn)展。 80年代為智能控制的迅速發(fā)展期，智能控制的研究及應(yīng)用領(lǐng)域逐步擴(kuò)大并取得 了一批應(yīng)用成果。1987年1月，第一次國(guó)際智能控制大會(huì)在美國(guó)舉行，標(biāo)志著智能 控制領(lǐng)域的形成。 1992年至今為智能控制進(jìn)人嶄新的階段。隨著對(duì)象規(guī)模的擴(kuò)大和過程復(fù)雜性的 應(yīng)用對(duì) 加大，形成了智能控制的多元論，而且在應(yīng)用實(shí)踐方面取得了突破性的進(jìn)展, 象也更加廣泛。 智能控制采用各種智能技術(shù)來實(shí)現(xiàn)復(fù)雜系統(tǒng)和其他系統(tǒng)的控制目標(biāo)，是一種具有 強(qiáng)大生命力的新型自動(dòng)控制技術(shù)。智能控制的產(chǎn)生和發(fā)展正反映了當(dāng)代自動(dòng)控制以至 整

4、個(gè)科學(xué)技術(shù)的發(fā)展趨勢(shì)，是歷史的必然。智能控制已成為自動(dòng)控制發(fā)展道路上的一 并獲得日益廣泛的應(yīng) 主要有專家控制、模 個(gè)新的里程碑，正發(fā)展為一種日趨成熟和日臻完刪的控制手段, 用。 2智能控制的研究?jī)?nèi)容 目前關(guān)于智能控制的研究和應(yīng)用沿著幾個(gè)主要的分支發(fā)展, 糊控制、神經(jīng)網(wǎng)絡(luò)控制、學(xué)習(xí)控制、基于知識(shí)的控制、復(fù)合智能控制、基于進(jìn)化機(jī)制 的控制、自適應(yīng)控制等等。有的已在現(xiàn)代工業(yè)生產(chǎn)過程與智能自動(dòng)化方面投入應(yīng)用。 主要介紹如下: 1、專家控制是智能控制的一個(gè)重要分支，其研究始于60年代中期，是由美國(guó)斯 坦福大學(xué)Feigen-baum于1965年開創(chuàng)的人工智能研究的新領(lǐng)域。所謂專家控制是指 將專家系統(tǒng)的理論

5、和技術(shù)同控制理論方法與技術(shù)相結(jié)合，在未知環(huán)境下，仿效專家的 智能，實(shí)現(xiàn)對(duì)系統(tǒng)的控制。專家控制試圖在傳統(tǒng)控制的基礎(chǔ)上“加入” 一個(gè)富有經(jīng)驗(yàn) 的控制工程師，實(shí)現(xiàn)控制的功能，它由知識(shí)庫(kù)和推理機(jī)構(gòu)構(gòu)成主體框架， 通過對(duì)控制 領(lǐng)域知識(shí)（先驗(yàn)經(jīng)驗(yàn)、動(dòng)態(tài)信息、目標(biāo)等）的獲取與組織，用某種策略及時(shí)地選取恰當(dāng) 的規(guī)則進(jìn)行推理輸出，實(shí)現(xiàn)對(duì)實(shí)際對(duì)象的控制。 2、模糊控制自1965年Zadeh教授創(chuàng)建模糊集理論和1974年英國(guó)的Mamdani成 功地將模糊控制應(yīng)用于蒸汽機(jī)控制以來，模糊控制得到了很大的發(fā)展和廣泛的應(yīng)用。 模糊控制是基于模糊推理、模仿人的思維方式、對(duì)難以建立精確數(shù)學(xué)模型的對(duì)象實(shí)施 的一種控制，成為處理推

6、理系統(tǒng)和控制系統(tǒng)中不精確和不確定性的一種有效方法，構(gòu) 成了智能控制的重要組成部分。 3、神經(jīng)網(wǎng)絡(luò)控制是另一類智能控制的重要形式。人的大腦具有很強(qiáng)的自學(xué)習(xí)和 自適應(yīng)能力，神經(jīng)網(wǎng)絡(luò)控制正是基于模擬人的大腦結(jié)構(gòu)和功能而發(fā)展起來的一種智能 控制方法。神經(jīng)網(wǎng)絡(luò)由人工神控制就經(jīng)元組成，采用仿生學(xué)的觀點(diǎn)與方法來研究人腦 和智能系統(tǒng)中的高級(jí)信息處理。所謂神經(jīng)網(wǎng)絡(luò)控制，是指在控制系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò) 這一工具對(duì)難以精確描述的復(fù)雜的非線性對(duì)象進(jìn)行建模， 或充當(dāng)控制器，或優(yōu)化計(jì)算, 或進(jìn)行推理，或故障診斷，以及同時(shí)兼有上述這些功能的組合。 是當(dāng)今智能控制中的 研究熱點(diǎn)領(lǐng)域之一。 4、學(xué)習(xí)控制系統(tǒng)是一個(gè)能在其運(yùn)行過程中

7、逐步獲得受控過程及環(huán)境的非預(yù)知信 息，積累控制經(jīng)驗(yàn)，并在一定的評(píng)價(jià)標(biāo)準(zhǔn)下進(jìn)行估值、分類、決策和不斷改善系統(tǒng)品 質(zhì)的自動(dòng)控制系統(tǒng)。學(xué)習(xí)控制具有搜索、識(shí)別、記憶、推理4個(gè)主要功能。傅京孫指 出：幾乎所有的學(xué)習(xí)算法都具有相似的學(xué)習(xí)特性。 較復(fù)雜的在線學(xué)習(xí)技術(shù)的實(shí)現(xiàn)需要 高速度和大容量的計(jì)算機(jī)。 5、遞階控制系統(tǒng) 遞階智能控制是在研究早期學(xué)習(xí)控制系統(tǒng)的基礎(chǔ)上， 并從工程控制論的角度總結(jié) 人工智能與自適應(yīng)、自學(xué)習(xí)和自組織控制的關(guān)系之后而逐漸地形成的， 也是智能控制 的最早理論之一。遞階智能控制還與系統(tǒng)學(xué)及管理學(xué)有密切關(guān)系。 已經(jīng)提出多種分級(jí)遞階控制理論，即基于知識(shí)/解析混合多層智能控制理論、“精 度隨智

8、能提高而降低”的分級(jí)遞階智能控制理論以及四層遞階控制理論等。這幾種理 論在遞階結(jié)構(gòu)上是有聯(lián)系的，其中，以薩里迪斯的分級(jí)智能控制理論最具影響。 由薩里迪斯提出的分級(jí)遞階智能控制方法作為一種認(rèn)知和控制系統(tǒng)的統(tǒng)一方法 論，其控制智能是根據(jù)分級(jí)管理系統(tǒng)中“精度隨智能提高而降低”的原理而分級(jí)分配 的，并由組織級(jí)、協(xié)調(diào)級(jí)和執(zhí)行級(jí)三級(jí)組成。 6仿生控制系統(tǒng) 從某種意義上說，智能控制就是仿生和擬人控制，模仿人和生物的控制機(jī)構(gòu)、行 為和功能所進(jìn)行的控制，就是擬人控制和仿生控制。神經(jīng)控制、進(jìn)化控制、免疫控制 等都是仿生控制，而遞階控制、專家控制、學(xué)習(xí)控制和仿人控制等則屬于擬人控制。 在模擬人的控制結(jié)構(gòu)的基礎(chǔ)上，進(jìn)

9、一步研究和模擬人的控制行為與功能， 并把它 用于控制系統(tǒng)，實(shí)現(xiàn)控制目標(biāo)，就是仿人控制。仿人控制綜合了遞階控制、專家控制 和基于模型控制的特點(diǎn)，實(shí)際上可以把它看作一種混合控制。 生物群體的生存過程普遍遵循達(dá)爾文的物競(jìng)天擇、適者生存的進(jìn)化準(zhǔn)則。群體中 的個(gè)體根據(jù)對(duì)環(huán)境的適應(yīng)能力而被大自然所選擇或淘汰。生物通過個(gè)體間的選擇、交 叉、變異來適應(yīng)大自然環(huán)境。把進(jìn)化計(jì)算，特別是遺傳算法機(jī)制和傳統(tǒng)的反饋機(jī)制用 于控制過程，則可實(shí)現(xiàn)一種新的控制 進(jìn)化控制。 自然免疫系統(tǒng)是個(gè)復(fù)雜的自適應(yīng)系統(tǒng)，能夠有效地運(yùn)用各種免疫機(jī)制防御外部病 原體的入侵。通過進(jìn)化學(xué)習(xí)，免疫系統(tǒng)對(duì)外部病原體和自身細(xì)胞進(jìn)行辨識(shí)。 把免疫控 制和

10、計(jì)算方法用于控制系統(tǒng)，即可構(gòu)成免疫控制系統(tǒng)。 7、組合智能控制系統(tǒng) 把智能控制與傳統(tǒng)控制(包括經(jīng)典PID控制和近代控制)有機(jī)地組合起來，即可構(gòu) 成組合智能控制系統(tǒng)。組合智能控制能夠集智能控制方法和傳統(tǒng)控制方法各自之長(zhǎng) 處，彌補(bǔ)各自的短處，取長(zhǎng)補(bǔ)短，也是一種很好的控制策略。例如，PID模糊控制、 神經(jīng)自適應(yīng)控制、神經(jīng)自校正控制、神經(jīng)最優(yōu)控制、模糊魯棒控制等就是組合智能控 制的例子。嚴(yán)格地說，各種智能控制都有反饋機(jī)制起作用， 因此都可看作組合智能控 制。 3神經(jīng)網(wǎng)絡(luò)智能控制 智能控制被廣泛應(yīng)用于社會(huì)眾多領(lǐng)域， 從實(shí)驗(yàn)室到工業(yè)現(xiàn)場(chǎng)，從智能儀器到家用 電器，從工業(yè)機(jī)器人到生產(chǎn)領(lǐng)域控制，解決了大量的傳統(tǒng)

11、控制無(wú)法解決的實(shí)際控制應(yīng) 用問題。將各種智能控制方法的交叉應(yīng)用是當(dāng)前智能控制領(lǐng)域主要應(yīng)用方向之一，而 這種交叉應(yīng)用有時(shí)是非常困難的。 在此我僅對(duì)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的應(yīng)用做下簡(jiǎn)要總結(jié)和學(xué)習(xí)。 對(duì)于控制界，神經(jīng)網(wǎng)絡(luò)的吸引力在于: (1) 能夠充分逼近任意復(fù)雜的非線性系統(tǒng); (2) 能夠?qū)W習(xí)和適應(yīng)嚴(yán)重不確定性系統(tǒng)的動(dòng)態(tài)特性; (3) 由于大量神經(jīng)元之間廣泛連接，即使有少量單元或連接損壞，也不影響系統(tǒng) 的整體功能，表現(xiàn)出很強(qiáng)的魯棒性和容錯(cuò)性； (4) 采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能。這些特點(diǎn)顯示了 神經(jīng)網(wǎng)絡(luò)在解決高度非線性和嚴(yán)重不確定性系統(tǒng)的控制方面具有很大潛力。將神經(jīng)網(wǎng) 絡(luò)引入控制

12、系統(tǒng)是控制學(xué)科發(fā)展的必然趨勢(shì)， 它的引入不僅為這一領(lǐng)域的突破帶來了 生機(jī)，同時(shí)也給控制研究帶來了許多亟待解決的問題。 1、神經(jīng)網(wǎng)絡(luò)的發(fā)展簡(jiǎn)史 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)是將人工神經(jīng)網(wǎng)絡(luò)與控制理論相結(jié)合而發(fā)展起來的自動(dòng)控制 領(lǐng)域的前沿學(xué)科之一，是智能控制的一個(gè)重要分支。神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)60 年代，I960年，B.Widrow 和 M.E.Hoff首先把 ANN 用于控制系統(tǒng)；B.Kilmer和 W.S.McCulloch提出了 KMB神經(jīng)網(wǎng)絡(luò)模型，并在“阿波羅”登月計(jì)劃中應(yīng)用，取得 良好效果；1964年，B.Widrow等用ANN對(duì)小車倒立擺系統(tǒng)控制取得了成功。但之 后神經(jīng)網(wǎng)絡(luò)控制的研究隨著 A

13、NN研究處于低谷。20世紀(jì)80年代后期，又重新受到 重視，在神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制方法上發(fā)展迅速。 目前，應(yīng)用已很快滲透到智能控制等 領(lǐng)域，并取得了很大的進(jìn)展。 2、神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合 將神經(jīng)網(wǎng)絡(luò)與其他算法的結(jié)合，可以達(dá)到優(yōu)化組合的目的，利于人工神經(jīng)網(wǎng)絡(luò)在 智能控制方向的運(yùn)用。神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)、模糊邏輯、遺傳算法、小波神經(jīng)、混沌 理論等相結(jié)合用于智能控制，可為系統(tǒng)提供非參數(shù)模型、控制器模型等。 (1) 人工神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合 人工神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合，為模糊控制提供了良好的學(xué)習(xí)功能，并自動(dòng)生 成模糊控制規(guī)則。人工神經(jīng)網(wǎng)絡(luò)由于其仿生特性，更能有效利用系統(tǒng)本身的信息，并 能映射任意函

14、數(shù)關(guān)系，而且還具有并行處理和自學(xué)習(xí)能力；此外，它容錯(cuò)能力也很強(qiáng)。 因此，將二者結(jié)合可實(shí)現(xiàn)互補(bǔ)，構(gòu)成良好的智能控制系統(tǒng)。在實(shí)際應(yīng)用中，最著名的 科技成果就是20世紀(jì)90年代，日本松下公司推出了神經(jīng)模糊控制全自動(dòng)洗衣機(jī)。這 是一個(gè)具有重要實(shí)踐意義的發(fā)展。 目前，模糊神經(jīng)網(wǎng)絡(luò)主要有三種結(jié)構(gòu): A :神經(jīng)一一模糊系統(tǒng)?；谀：碚摚蒙窠?jīng)網(wǎng)絡(luò)作為構(gòu)造和學(xué)習(xí)工具，可 解決隸屬度最優(yōu)設(shè)計(jì)、知識(shí)自動(dòng)獲取等問題。 B :模糊一一神經(jīng)系統(tǒng)?；谏窠?jīng)網(wǎng)絡(luò)，利用模糊邏輯改造神經(jīng)網(wǎng)絡(luò)，可改善神 經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的可修正性。 C:模糊神經(jīng)混雜系統(tǒng)。將兩者并列形成混雜系統(tǒng)。模糊推理與神經(jīng)網(wǎng)絡(luò)各自獨(dú) 立工作，分別完成系統(tǒng)不同的

15、功能。 (2) 人工神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合 在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中研究和應(yīng)用最多的是多層前向網(wǎng)絡(luò)，但它存在缺陷，在較多局 部極小情況下很容易陷入局部極小點(diǎn)，且不可避免地存在學(xué)習(xí)精度與學(xué)習(xí)速度的矛 盾。而遺傳算法是力求充分模仿自然生物進(jìn)化的自然尋優(yōu)過程的隨機(jī)性、魯棒性和全 局性，這是一種新的全局優(yōu)化搜索算法，因?yàn)槠渲苯訉?duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求 異和函數(shù)連續(xù)性的限定，魯棒性強(qiáng)，具有隨機(jī)性和全局性，適于并行處理。也因此應(yīng) 用范圍較廣。 遺傳算法用于神經(jīng)網(wǎng)絡(luò)主要是用遺傳算法學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的權(quán)重和學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) 的拓?fù)浣Y(jié)構(gòu)，而最主要的是學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的權(quán)重， 也就是用遺傳算法來取代一些傳統(tǒng) 的學(xué)習(xí)算法。 （3

16、）人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的結(jié)合 專家系統(tǒng)在表達(dá)知識(shí)和邏輯推理方面有較強(qiáng)的優(yōu)勢(shì)，而神經(jīng)網(wǎng)絡(luò)長(zhǎng)于非線性映射 和直覺推理，將兩者相結(jié)合發(fā)揮各自的優(yōu)勢(shì)，會(huì)獲得更好的控制效果。神經(jīng)網(wǎng)絡(luò)在知 識(shí)獲取的過程中，只要求專家系統(tǒng)提供范例及相應(yīng)的解， 就能通過特定的學(xué)習(xí)算法對(duì) 樣本進(jìn)行學(xué)習(xí)，通過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法對(duì)連接權(quán)值分布不斷的修改以達(dá)到性能要 求，并把專家求解實(shí)際問題的啟發(fā)式知識(shí)和經(jīng)驗(yàn)分布到網(wǎng)絡(luò)的互連及權(quán)值的分布上。 3、神經(jīng)網(wǎng)絡(luò)控制在城市交通中的應(yīng)用 根據(jù)城市交叉口交通流的特點(diǎn)，采用了一種交叉口多相位控制算法， 綜合考慮相 鄰車道上的車隊(duì)長(zhǎng)度，利用多層 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了道路交叉口多相位模糊控制。仿 真結(jié)

17、果表明，文中所設(shè)計(jì)的模糊神經(jīng)網(wǎng)絡(luò)控制器能有效地減少單交岔口平均車輛延 誤，具有較強(qiáng)的學(xué)習(xí)和泛化能力，是實(shí)現(xiàn)交通系統(tǒng)智能控制的一條新途徑。 （1）該控制算法描述為: 步驟I從i相位開始，分別指定各相位的最短綠燈時(shí)間 tmin和最大綠燈時(shí)間timax ； 步驟2先給該相位以最短綠燈時(shí)間t t tmin ； 步驟3測(cè)得放行車道的車隊(duì)長(zhǎng)度，設(shè)其為li ； 步驟4若li為Oli 0， 或累積綠燈時(shí)間titimax，則將綠燈轉(zhuǎn)到下一相位，回到步驟 1,否則繼續(xù); 步驟5根據(jù)li及l(fā)i值的大小來確定綠燈延長(zhǎng)時(shí)間t， 這可以根據(jù)交警的經(jīng)驗(yàn)及 交叉口的幾何形狀建立模糊控制規(guī)則。設(shè)延長(zhǎng)的綠燈時(shí)間為 t，若 tit

18、 timax，則 t timax ti，否則ti tti，回到步驟3。 （2）模糊控制器設(shè)計(jì): A :兩檢測(cè)器之間的車輛數(shù) I，隊(duì)長(zhǎng)之差為Q，綠燈追加時(shí)間t的模糊化.I 模糊變量論域?yàn)椋?,3,5,7,9,11,13,15,17取7個(gè)語(yǔ)言值：li（很少），（少），（較少）， l4（一些），|5（較多），|6（多），|7（很多）。Q模糊變量論域?yàn)? 9, 6, 3,0,3,6,9， 取5個(gè)語(yǔ)言值：Q1（負(fù)大）， Q2（負(fù)?。?Q3（零）,Q4（正?。?Q5（正大）。綠燈追加 時(shí)間t也被看作模糊變量, 其論域 36,9,12,15,18,21,24,27 ，取 7 個(gè)語(yǔ) 言值： tl（很少），t2

19、（少 ），t3（較少）， t4（適中），t5（多），t6（較多），t7 （很多）0 模糊條件語(yǔ)句構(gòu)成: if l C: is la a nd Q is Qbthe ntis tc o a,c 1,2,.7 ,b 1,2,.5 模糊判決（去模糊化）文中采用的模糊判決為最大隸屬度原則法。 模糊控制器的 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn) 模糊模型可以用三個(gè) BP（誤差反傳）神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)。 神經(jīng)網(wǎng)絡(luò)示意圖如圖 1所示。 t神經(jīng) !網(wǎng)絡(luò) 0 O !神經(jīng) I網(wǎng)絡(luò) I II O. 8 o 第一部分 -G 第二部分 *o 神經(jīng) 網(wǎng)絡(luò)III 圖1模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)示意圖 神經(jīng)網(wǎng)絡(luò)I、 II分別用于生成 l和t的隸屬函數(shù)。

20、神經(jīng)網(wǎng)絡(luò)m用于產(chǎn)生綠燈 sigmoid 函數(shù), 追加時(shí)間輸出.神經(jīng)網(wǎng)絡(luò)采用典型神經(jīng)元，其輸入、輸出關(guān)系為 Si xi 值。 式中：V為神經(jīng)元的輸出；xi為神經(jīng)元的輸入; i為Xi的權(quán)系數(shù); 為閾 (4)算法實(shí)現(xiàn) 對(duì)于輸入樣本, L層單元節(jié)點(diǎn)j的輸人為: 單元節(jié)點(diǎn) 權(quán)值ij L (k) j的輸出: k的修正量: Oj L O.L 1 k ji y0 jL k 1 exp nj L ij .L 1 ij k Oi 閾值jL k的修正量 該方法針對(duì)交通系統(tǒng)難以用數(shù)學(xué)模型準(zhǔn)確建模, 進(jìn)而實(shí)施優(yōu)化控制的特點(diǎn), 提出了一種神經(jīng)網(wǎng)絡(luò)模糊控制方法。神經(jīng)網(wǎng)路控制與模糊控制有效的結(jié)合起來 構(gòu)成的神經(jīng)網(wǎng)路模糊控制具

21、有較強(qiáng)的實(shí)用性，不但不需要被控對(duì)象精確的數(shù)學(xué) 模型，而且可以對(duì)前提隸屬函數(shù)和控制規(guī)則進(jìn)行在線學(xué)習(xí)調(diào)整，不斷提高自身 的適應(yīng)性、特別適合于系統(tǒng)結(jié)構(gòu)異常復(fù)雜、非線性、大時(shí)滯、干擾大的交通系 統(tǒng)，為實(shí)現(xiàn)交通系統(tǒng)智能化開辟了一條新途徑。 該例證明了神經(jīng)網(wǎng)絡(luò)之所以現(xiàn)在又成為研究熱點(diǎn)，很大程度上是由于與之 交叉的模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的注入，它把模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)系統(tǒng)相結(jié)合, 形成一個(gè)共生互補(bǔ)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)的關(guān)鍵特性和基本限制是神經(jīng)網(wǎng)絡(luò)表示的信 息是隱含的，如果要完全理解它幾乎是不可能的，而安排它的權(quán)值是它工作得 如何的關(guān)鍵，然而卻又無(wú)法知道權(quán)值和理解神經(jīng)網(wǎng)絡(luò)在做什么。而模糊系統(tǒng)并 不像神經(jīng)網(wǎng)絡(luò)系統(tǒng)那樣，它

22、所具有的“知識(shí)”可通過該領(lǐng)域的專家提供，但模 糊邏輯控制規(guī)則是靠人的直覺經(jīng)驗(yàn)制定的，它本身并不具有學(xué)習(xí)能力。模糊控 制規(guī)則越多，控制運(yùn)算的實(shí)時(shí)性越差，而且需要識(shí)別和建立規(guī)則的時(shí)間隨規(guī)則數(shù)的增加而按指數(shù)形式增加，這大大限制了模糊邏輯的應(yīng)用范圍。 由此可知，模糊邏輯技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)各有所長(zhǎng)和局限性，如果把二者 結(jié)合起來，就能各取所長(zhǎng)、共生互補(bǔ)，組成性能更好的系統(tǒng)。這實(shí)際上是人類 大腦結(jié)構(gòu)和功能的模擬 大腦神經(jīng)網(wǎng)絡(luò)“硬件”拓?fù)浣Y(jié)構(gòu) +信息模糊處理“軟 件”的思維功能。 4、神經(jīng)網(wǎng)絡(luò)在智能控制領(lǐng)域的應(yīng)用概述 神經(jīng)網(wǎng)絡(luò)由于其獨(dú)特的仿生結(jié)構(gòu)模型和固有的非線性模擬能力，以及高度 的自適應(yīng)和容錯(cuò)特性等突出特

23、征，在智能控制領(lǐng)域中獲得了廣泛的應(yīng)用，已取 得了許多成果。這種應(yīng)用幾乎覆蓋了智能控制理論研究中的絕大多數(shù)問題，應(yīng) 用形式主要有：機(jī)器學(xué)習(xí)、自然語(yǔ)言理解、計(jì)算機(jī)視覺、圖像分割、系統(tǒng)建模 和辨別等。 在20世紀(jì)60年代，專家們就提出了一種算法，利用這種算法，神經(jīng)網(wǎng)絡(luò) 可以成功地學(xué)會(huì)平衡一個(gè)干擾抑制器。利用神經(jīng)網(wǎng)絡(luò)技術(shù)，控制系統(tǒng)能夠執(zhí)行 傳感器表面一個(gè)圖像傳感器的反饋控制和圖像平面非線性關(guān)系的計(jì)算，并能把 圖像傳感器瞄準(zhǔn)到正在運(yùn)動(dòng)的指定目標(biāo)上。顯然，這種技術(shù)可以應(yīng)用到機(jī)器人 的攝像機(jī)控制，而且還可以應(yīng)用到諸如火控裝置等武器系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)還被 應(yīng)用于飛機(jī)的智能控制、機(jī)器人控制等方面。 5、神經(jīng)網(wǎng)絡(luò)在

24、智能控制領(lǐng)域的發(fā)展趨勢(shì) 神經(jīng)網(wǎng)絡(luò)在智能控制領(lǐng)域中的研究取得了巨大的進(jìn)展。 可是人們對(duì)生物神經(jīng)系統(tǒng) 的了解還很少，神經(jīng)網(wǎng)絡(luò)模型無(wú)論從結(jié)構(gòu)還是網(wǎng)絡(luò)規(guī)模， 都是真實(shí)神經(jīng)網(wǎng)絡(luò)的極簡(jiǎn)單 的模擬，所以神經(jīng)網(wǎng)絡(luò)控制的研究、應(yīng)用大都停留在仿真和實(shí)驗(yàn)室研究階段， 與大規(guī) 模的工業(yè)運(yùn)用還有相當(dāng)長(zhǎng)的距離。 從總體上來看，今后的研究應(yīng)致力于以下幾方面: (1)基礎(chǔ)理論研究：包括神經(jīng)網(wǎng)絡(luò)的層數(shù)、單元數(shù)隱層神經(jīng)元數(shù)量的確定、激發(fā) 函數(shù)的類型、逼近精度與擬逼近非線性映射之間的關(guān)系，持續(xù)激勵(lì)與收斂等； 研究專門適合于智能控制問題的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型，解決相應(yīng)產(chǎn)生的對(duì)動(dòng)態(tài) 網(wǎng)絡(luò)的逼近能力與學(xué)習(xí)算法問題； (3)不同結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)與

25、之相對(duì)應(yīng)的算法的研究，及算法快速收斂性的研究；神 經(jīng)網(wǎng)絡(luò)軟件模擬、硬件實(shí)現(xiàn)的研究； （4）人工神經(jīng)網(wǎng)絡(luò)與遺傳算法、模糊理論等多種理論、控制算法的結(jié)合運(yùn)用研究。 人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)特性提供了其在智能控制領(lǐng)域中的廣泛應(yīng)用前景。隨著科技的發(fā) 展，人們對(duì)生物神經(jīng)系統(tǒng)的深入認(rèn)識(shí)和理解， 作為模擬生物神經(jīng)網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò) 的觸角必將伸向智能控制領(lǐng)域各個(gè)方向，極大的促進(jìn)智能控制的快速發(fā)展。 4智能控制的應(yīng)用 現(xiàn)有的智能控制系統(tǒng)包括遞階控制系統(tǒng)、 專家控制系統(tǒng)、模糊控制系統(tǒng)、神經(jīng)控 制系統(tǒng)和學(xué)習(xí)控制系統(tǒng)；此外，還提出了擬人控制系統(tǒng)、進(jìn)化控制系統(tǒng)、免疫控制系 統(tǒng)等。這些系統(tǒng)都有其構(gòu)成原理、體系結(jié)構(gòu)和特性分析或

26、算法等；這些系統(tǒng)也在不同 的程度上得到應(yīng)用。 F面簡(jiǎn)介幾個(gè)智能控制的主要應(yīng)用: 1、智能機(jī)器人規(guī)劃與控制 隨著機(jī)器人技術(shù)的迅速發(fā)展和自動(dòng)化程度的進(jìn)一步提高，已對(duì)機(jī)器人的功能提出 更高的要求，特別需要各種不同程度智能的機(jī)器人。機(jī)器人研究者們所關(guān)心的主要研 究方向之一是機(jī)器人運(yùn)動(dòng)的規(guī)劃與控制。 給出一個(gè)規(guī)定的任務(wù)之后，首先必須做出滿 足該任務(wù)要求的運(yùn)動(dòng)規(guī)劃；然后，這個(gè)規(guī)劃再由控制來執(zhí)行，該控制足以使機(jī)器人適 當(dāng)?shù)禺a(chǎn)生所期望的運(yùn)動(dòng)。 2、生產(chǎn)過程的智能監(jiān)控 許多工業(yè)連續(xù)生產(chǎn)線，如軋鋼、化工、煉油、材料加工、造紙和核反應(yīng)等，其生 產(chǎn)過程需要監(jiān)視和控制，以保證高性能和高可靠性。為保持物理參數(shù)具有一定的精

27、度, 確保產(chǎn)品的優(yōu)質(zhì)高產(chǎn)，已在一些連續(xù)生產(chǎn)線或工業(yè)裝置上采用了有效的智能控制模 式。例如，旋轉(zhuǎn)水泥窯的模糊控制、軋鋼機(jī)的神經(jīng)控制、分布式材料加工系統(tǒng)、分級(jí) 智能材料處理、智能PH值過程控制、工業(yè)鍋爐的遞階智能控制以及基于知識(shí)的核反 器控制等。 3、自動(dòng)加工系統(tǒng)的智能控制 計(jì)算機(jī)集成加工系統(tǒng)（CIMS）和柔性加工系統(tǒng)（FMS）在近年來獲得迅速發(fā)展。在一 個(gè)復(fù)雜的加工過程中，不同條件下的多種操作是必要的，以求保證產(chǎn)品質(zhì)量。環(huán)境的 不確定性以及系統(tǒng)硬件和軟件的復(fù)雜性，向當(dāng)代控制工程師們?cè)O(shè)計(jì)和實(shí)現(xiàn)有效的集成 控制系統(tǒng)如焊接過程的模糊控制、汽車工業(yè)生產(chǎn)過程的神經(jīng)控制、數(shù)控機(jī)床加工智能 控制等提出了挑戰(zhàn)。

28、 4、智能故障檢測(cè)與診斷 故障檢測(cè)和診斷與過程監(jiān)控密切相關(guān)。一個(gè)高級(jí)的過程控制系統(tǒng)應(yīng)當(dāng)具有故障自 動(dòng)檢測(cè)和自診斷能力，以保證系統(tǒng)工作的高度可靠性。 許多高級(jí)的醫(yī)療診斷系統(tǒng)也是智能故障診斷系統(tǒng)。所有智能故障檢測(cè)與診斷 (IFDD)系統(tǒng)的一般任務(wù)是根據(jù)已觀察到的狀況、領(lǐng)域知識(shí)和經(jīng)驗(yàn)，推斷出系統(tǒng)、部件 或器官的故障原因，以便盡可能及時(shí)發(fā)現(xiàn)和排除故障，以提高系統(tǒng)或裝備的可靠性。 生產(chǎn)過程故障診斷系統(tǒng)能夠了解各部分的特性以及這些特性間的關(guān)系，為用戶提供檢 測(cè)數(shù)據(jù)，并盡可能正確地從不確定信息中做出診斷結(jié)論。智能故障檢測(cè)與診斷系統(tǒng)是 一個(gè)問題求解的計(jì)算機(jī)系統(tǒng)，也是一種智能控制系統(tǒng)。典型的 IFDD系統(tǒng)有太空站熱 過程控制系統(tǒng)的故障診斷、火電站鍋爐給水過程控制系統(tǒng)的故障檢測(cè)與診斷和雷達(dá)故 障診斷專家系統(tǒng)等。 5、飛行器的智能控制 飛行過程控制一直是自動(dòng)控制的重要應(yīng)用研究領(lǐng)域之一。大多數(shù)商用飛機(jī)都裝備 有可供選擇的自動(dòng)降落系統(tǒng)的自動(dòng)駕駛儀。 一種基于神經(jīng)網(wǎng)絡(luò)的飛行控制器能夠處理 紊流和其他可能出現(xiàn)的非線性控制情況。神經(jīng)網(wǎng)絡(luò)能夠較好地處理各種非線性或未識(shí) 別線性關(guān)系，而這些關(guān)系往往是駕駛員可能運(yùn)用的。 神經(jīng)網(wǎng)絡(luò)在原則上能夠產(chǎn)生從一 個(gè)大的變量集合(如傳感器參量)到另一個(gè)變量集合(如操作模式或控制動(dòng)作)的映射。 自20世紀(jì)80年代以來，智能控制已被應(yīng)用于飛行過程控制，尤其是飛機(jī)的俯傾