第2章-3智能控制

第2章-3智能控制!第一頁，共51頁。主要內(nèi)容智能控制的基本概念 專家控制（ExpertControl）模糊控制（FuzzyControl）神經(jīng)網(wǎng)絡(luò)控制（NeuralNetworkControl）對智能控制的一些展望

第二頁，共51頁。2.3.1智能控制的基本概念什么是“智能”?什么是“智能控制”？

人的智能表現(xiàn)在其所具有的記憶、學(xué)習(xí)、模仿、適應(yīng)、聯(lián)想、語言表達(dá)、文字識別、邏輯推理、歸納總結(jié)、綜合決策等各種能力。

當(dāng)自動控制方式明顯地具有這些智能特征時，就稱其為“智能控制”。第三頁，共51頁。人與智能控制人本身就是一個非常完美的智能控制系統(tǒng)，人腦及神經(jīng)系統(tǒng)相當(dāng)于智能控制器，對通過感官獲取的各種信息進(jìn)行綜合分析、處理和決策，并利用手和腳等執(zhí)行機構(gòu)作出相應(yīng)的反應(yīng)，能適應(yīng)各種復(fù)雜的控制環(huán)境，完成難度很大的任務(wù)。第四頁，共51頁。傳統(tǒng)自動控制與智能控制廣義地講，幾乎所有的自動控制系統(tǒng)都在一定程度上模仿了人的控制方式，或多或少地具有“智能”，但是今天我們所講的“智能控制”仍然有別于傳統(tǒng)的自動控制方式，兩者雖無明確的界限，但存在明顯的區(qū)別。傳統(tǒng)的自動控制是基于數(shù)學(xué)模型、以定量分析為主；而智能控制則更多地基于知識，利用專家經(jīng)驗、邏輯推理、學(xué)習(xí)功能、遺傳和進(jìn)化機制等來進(jìn)行控制，是以定性分析為主、定量與定性相結(jié)合的控制方式。5第五頁，共51頁。智能控制的主要特點體現(xiàn)了人的控制策略和控制思想，擁有受控對象及環(huán)境的相關(guān)知識以及運用這些知識的能力，具有很強的自適應(yīng)、自學(xué)習(xí)、自組織和自協(xié)調(diào)能力、能在復(fù)雜環(huán)境下進(jìn)行綜合分析、判斷和決策，實現(xiàn)對復(fù)雜系統(tǒng)的控制。屬于典型的交叉學(xué)科，涉及人工智能、自動控制、運籌學(xué)、系統(tǒng)論、信息論等，在系統(tǒng)的實現(xiàn)上則必須依托計算機技術(shù)。基本上屬于“方法”范疇，理論分析困難，理論體系尚未建立。第六頁，共51頁。萌芽期（60年代）形成期（70年代）發(fā)展期（80年代）高潮期（90年代至今）智能控制的發(fā)展階段：第七頁，共51頁。智能控制的主要類型專家控制模糊控制神經(jīng)網(wǎng)絡(luò)控制學(xué)習(xí)控制基于規(guī)則的仿人控制第八頁，共51頁。什么是專家系統(tǒng)、專家控制?2.3.2專家控制（ExpertControl）

“專家”是具有某一領(lǐng)域?qū)ｉT知識或豐富實踐經(jīng)驗的人，而“專家系統(tǒng)”則是一個計算機系統(tǒng)，存儲有專家的知識和經(jīng)驗，并用推理的方式針對問題給出結(jié)論。

“專家控制”是將專家或現(xiàn)場操作人員的知識和經(jīng)驗總結(jié)成知識庫，形成很多條規(guī)則，并利用計算機、通過推理來實施控制。

第九頁，共51頁。專家系統(tǒng)、專家控制的產(chǎn)生及發(fā)展專家系統(tǒng)是人工智能的重要內(nèi)容，由美國斯坦福大學(xué)1965年提出，最初用于化學(xué)質(zhì)譜分析，后廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、醫(yī)療、教育等領(lǐng)域。瑞典的?str?m于1983年首次將專家系統(tǒng)用于常規(guī)控制器參數(shù)的自動整定，并于1984年正式提出了專家控制的概念，目前已成功應(yīng)用于機器人控制、飛機的操縱控制、故障診斷、各種工業(yè)過程控制等。第十頁，共51頁。常見的兩類專家控制系統(tǒng)直接型專家控制

用于取代常規(guī)的控制器，直接控制受控對象或生產(chǎn)過程。間控型專家控制和常規(guī)控制器相結(jié)

合，組成對受控對

象或生產(chǎn)過程進(jìn)行

間接控制的智能控制系統(tǒng)，通常利用偏差和偏差變化率來調(diào)節(jié)常規(guī)控制器的參數(shù)。專家控制器受控對象檢測常規(guī)控制器受控對象檢測專家控制器第十一頁，共51頁。例：水溫調(diào)節(jié)系統(tǒng)的專家控制

間接型專家控制的基本思路：可將常規(guī)的PID控制與專家系統(tǒng)相結(jié)合，把專家設(shè)計和調(diào)試PID參數(shù)的知識和經(jīng)驗總結(jié)成一些規(guī)則，根據(jù)系統(tǒng)的運行狀態(tài)自動地調(diào)整控制器的相關(guān)參數(shù)。這就是所謂的“基于規(guī)則的參數(shù)自整定PID控制”。熱水冷水溫?zé)崴{(diào)節(jié)閥水溫檢測PID控制期望水溫誤差e控制量u專家系統(tǒng)第十二頁，共51頁。直接型專家控制的基本思路：熱水冷水溫?zé)崴{(diào)節(jié)閥水溫檢測專家控制期望水溫誤差e控制量u對誤差和誤差變化率進(jìn)行了分段，并根據(jù)其位于哪一段來決定相應(yīng)的控制量，屬于最簡單且最直觀的分段智能控制方法。下面討論這種控制方法。第十三頁，共51頁。水溫調(diào)節(jié)系統(tǒng)的直接型專家控制熱水冷水溫?zé)崴{(diào)節(jié)閥水溫檢測專家控制期望水溫誤差e控制量u控制規(guī)則：若水溫很高，則將控制量（熱/冷水比值）調(diào)至最??；若水溫很低，則將控制量調(diào)至最大；若水溫比較低，且沒有上升，則大幅度調(diào)大控制量；若水溫比較低，且在緩慢上升，則較大幅度調(diào)大控制量；若水溫比較低，但上升較快，則適當(dāng)調(diào)大控制量；……專家的知識和經(jīng)驗就體現(xiàn)在如何對e及其變化率進(jìn)行分段，以及如何確定其與u的具體取值上。第十四頁，共51頁?？刂埔?guī)則的具體化ife>4,thenu=10;（水溫很低，則輸入最大）ife<-3,thenu=0;（水溫很高，則輸入最小）if3<e≤4andΔe≥0,thenu=8;

（水溫較低且沒有上升，則輸入很大）if3<e≤4and-1<Δe<0,thenu=6;

（水溫較低且緩慢上升，則輸入較大）if3<e≤4and-2<Δe≤-1,thenu=3;

（水溫較低且較快上升，則輸入中等）……設(shè)-5≤e≤5，0≤u≤10，Δe代表誤差變化率，則控制規(guī)則可能如下：第十五頁，共51頁。關(guān)于專家控制的幾點說明專家控制要求不斷地根據(jù)反饋信息迅速作出決策，對實時性要求很高，因此專家控制器的結(jié)構(gòu)一般比專家系統(tǒng)簡單，其核心是知識庫和推理機構(gòu)。知識庫所存儲的知識既可以是定性的，也可以是定量的，并可以利用知識獲取系統(tǒng)隨時對知識進(jìn)行補充、修改和更新；因此，專家控制比常規(guī)控制更加靈活，對復(fù)雜環(huán)境的適應(yīng)能力更強。如何簡便有效地獲取專家知識、如何在控制過程中自動修改、更新和擴充知識，并滿足實時控制的快速性需求是非常關(guān)鍵的。第十六頁，共51頁。2.3.3模糊控制（FuzzyControl）

模糊控制的發(fā)展：1965年美國的Zadeh提出模糊集合理論;1974年英國的Mamdani首次將模糊理論應(yīng)用于蒸汽機控制;1985年AT&T貝爾實驗室研制出第一個模糊邏輯芯片;80年代末日本將模糊控制廣泛應(yīng)用于家用電器（洗衣機、空調(diào)、吸塵器、電冰箱、電飯煲、微波爐、照相機等），促進(jìn)了模糊控制的推廣和應(yīng)用;第十七頁，共51頁。90年代模糊邏輯及其應(yīng)用形成高潮，應(yīng)用范圍包括工業(yè)控制、地鐵、電梯、交通、汽車、空間飛行器、機器人、核反應(yīng)堆、圖象識別、故障診斷、污水處理、數(shù)據(jù)壓縮、移動通信、財政金融等模糊邏輯技術(shù)的優(yōu)越性：簡單、直觀、有效、可靠第十八頁，共51頁。一、模糊集合

隸屬度函數(shù):

某元素a屬于某集合A的程度,用

μ(a)=0～1表示(經(jīng)典集合對應(yīng)μ=0,1)

例:已知經(jīng)典集合A為

<5的正整數(shù)中的偶數(shù)利用隸屬度函數(shù)表示該集合，則有

μ(1)=0,μ(2)=1,μ(3)=0,μ(4)=1A=0／1+1／2+0／3+1／4A中的分母為論域中的元素，分子為該元素所 對應(yīng)的隸屬度值。MembershipFunction論域:變量的取值范圍第十九頁，共51頁。例：表示溫度“冷”，“熱”，“適中”的模糊集合-20-10010203040T(℃)μ1.00.0冷適中熱為簡化計算,一般用離散形式表示模糊集合。例如，以2℃為間隔進(jìn)行離散化,可得“熱”=0／25+0.14／27+0.29／29+0.43／31+0.57／33++0.71／35+0.86／37+1／39+1／41+1／43+1／45-20-10010203040T(℃)μ1.00.0冷適中熱-20-10010203040T(℃)μ1.00.0冷適中熱-20-10010203040T(℃)μ1.00.0冷適中熱第二十頁，共51頁。二、模糊控制的基本思路與方法例：水位控制系統(tǒng)根據(jù)e調(diào)節(jié)u保持水位y恒定+-模糊控制器y出水閥門開度u誤差e進(jìn)水水箱執(zhí)行電機第二十一頁，共51頁。模糊推理規(guī)則：①若e大，則u大②若e中，則u中③若e小，則u小模糊推理模糊化水箱檢測清晰化模糊控制器－yuere設(shè)-1≤e≤4，0≤u≤5注1：即e、u分別都只

設(shè)了3級。顯然級數(shù)越多→規(guī)則數(shù)越多注2：一般應(yīng)同時考慮誤差e和誤差變化率Δe第二十二頁，共51頁。012345uμu-101234eμe1.0小中大012345uμu1.0小中大大e=1.80.20.8e的模糊化u的模糊化推理結(jié)果(e=1.8時)模糊化及推理過程:推理方法：削頂法，或稱Mandani法第二十三頁，共51頁。清晰化（解模糊化）:①重心法

求模糊量所占面積的重心,重心所對應(yīng)的橫坐標(biāo)即為所需控制量u(k)012345uμu0.20.8e=1.8的推理結(jié)果重心缺點:計算量較大，通常采用“離散重心法”。第二十四頁，共51頁。②加權(quán)平均法(離散重心法):

若取離散點為ui=0,1,2,3,4,5(i=1~6)則離散模糊量為u=0／0+0.2／1+0.2／2+0.5／3+0.8／4+0.8／5012345uμu0.20.8e=1.8的推理結(jié)果0.20.5注：離散間隔一般較該例小得多，計算結(jié)果會更接近連續(xù)情況第二十五頁，共51頁。說明：模糊控制器的輸入量一般取誤差e和誤差變化率Δe,若e,Δe和控制量u均離散化[注],則可離線計算好e,Δe與u的對應(yīng)關(guān)系(查詢表),實時控制時采用查表法(計算量小,快速);模糊控制性能的好壞主要取決于如何選取

隸屬度函數(shù)模糊推理規(guī)則清晰化方法上例本質(zhì)上等價于變參數(shù)比例調(diào)節(jié)器,控制器輸入為e和Δe時則等價于變參數(shù)PD調(diào)節(jié)器,因此存在穩(wěn)態(tài)誤差，常與PID控制相結(jié)合。注：對具體的輸入值需先進(jìn)行“量化”，如e按間距0.1離散

化后有0.5，0.6，則輸入值為e=0.53時量化為0.5第二十六頁，共51頁。若同時考慮誤差e和誤差變化率Δe,應(yīng)如何進(jìn)行模糊推理?第二十七頁，共51頁。推理規(guī)則：

正大大若e中，且Δe小則u中負(fù)大小以誤差中等為例μu-101234eμe1.0中-2-1012

ΔeμΔe1.0小e=0.50.5e的模糊化Δe的模糊化012345u0.75小中大大u的模糊化正大Δe=1.5負(fù)大1.00.25e=0.5,Δe=1.5時的推理過程：注：先對μe和μΔe取?。ㄍ瑫r滿足前提條件的程度以

小的為準(zhǔn)）第二十八頁，共51頁。e=0.5,Δe=1.5時的推理結(jié)果μu0.5012345u1.0第二十九頁，共51頁。2.3.4神經(jīng)元網(wǎng)絡(luò)控制

（NeuralNetworkControl）人工神經(jīng)元及神經(jīng)網(wǎng)絡(luò)的產(chǎn)生和發(fā)展：1943年提出神經(jīng)元模型1949年Hebb提出神經(jīng)元學(xué)習(xí)規(guī)則

（Hebb學(xué)習(xí)規(guī)則）1958年提出基于神經(jīng)網(wǎng)絡(luò)的感知器模型

（模擬人腦的感知和學(xué)習(xí)能力）第三十頁，共51頁。1986年提出神經(jīng)網(wǎng)絡(luò)的反向傳播學(xué)習(xí)方法（簡稱BP算法，BackPropagation）[注]，證明了BP神經(jīng)網(wǎng)絡(luò)能無限逼近任意輸入輸出函數(shù)90年代神經(jīng)網(wǎng)絡(luò)的研究達(dá)到高潮，并成功應(yīng)用于自動控制、人工智能、信息處理、機器人、機械制造等很多領(lǐng)域。注：1974年哈佛大學(xué)的博士生Werbos就已提出，但未引起注意第三十一頁，共51頁。yΣθf(·)...w1wnw2x1x2xn...wi：連接權(quán)系數(shù)θ：閾值f(·)：輸出變換函數(shù)θ,f的確定:根據(jù)應(yīng)用wi

的確定:通過學(xué)習(xí)一、人工神經(jīng)元模型第三十二頁，共51頁。輸出變換函數(shù)的常見類型:ys1-1s100.5ys1-1y0控制中常用②，③，④②比例函數(shù)③S狀函數(shù)④雙曲函數(shù)①符號函數(shù)①③④第三十三頁，共51頁。二、神經(jīng)元的學(xué)習(xí)方法學(xué)習(xí)規(guī)則：

wi(k+1)=wi(k)+μivi(k),i=1,2,...,n

k——第k次學(xué)習(xí)μi——學(xué)習(xí)速率（μi>0）vi(k)——學(xué)習(xí)信號（通常為誤差的函數(shù)）yΣθf(·)...w1wnw2x1x2xn...學(xué)習(xí)規(guī)則學(xué)習(xí)信號學(xué)習(xí)的意義：通過調(diào)整權(quán)值wi，使神經(jīng)元具有期望的輸入輸出模式第三十四頁，共51頁。學(xué)習(xí)方法——梯度下降法：特點：沿梯度方向下降一定能到達(dá)J的極小點；學(xué)習(xí)的快慢取決于學(xué)習(xí)速率μi的選取；缺點是可能陷入局部最小點。JWW(k)梯度方向第三十五頁，共51頁。簡單例：設(shè)y=w1x1

（即θ=0,f(s)=s）w1的初值w1(0)=0yΣθf(·)w1x1單輸入神經(jīng)元取性能指標(biāo)為

J=e2(k)／2=[2–y(k)]2／2=[2–w1(k)]2／2則有Jw12梯度方向02用梯度下降法,使x1=1時,y=2第三十六頁，共51頁。

k12345w1(k),y(k)11.51.751.8751.9375

k12345w1(k),y(k)31.52.251.8752.0625表6-1μ=0.5時的學(xué)習(xí)結(jié)果(學(xué)習(xí)速率較小)表6-2μ=1.5時的學(xué)習(xí)結(jié)果(學(xué)習(xí)速率較大)

k12345w1(k),y(k)40404表6-3μ=2時的學(xué)習(xí)結(jié)果(學(xué)習(xí)速率過大)第三十七頁，共51頁。

k12345w1(k),y(k)6-618-3066表6-4μ=3時的學(xué)習(xí)結(jié)果(學(xué)習(xí)速率過大)

結(jié)論：μ過小收斂慢；μ過大則振蕩甚至可能發(fā)散。對于該例，μ=1時的學(xué)習(xí)次數(shù)最少(一次結(jié)束)第三十八頁，共51頁。三、神經(jīng)元網(wǎng)絡(luò).........三層前饋網(wǎng)絡(luò)神經(jīng)元按一定方式連接神經(jīng)網(wǎng)絡(luò)目的：通過學(xué)習(xí)，使神經(jīng)網(wǎng)絡(luò)具有期望 的輸入輸出模式兩個關(guān)鍵:網(wǎng)絡(luò)結(jié)構(gòu),學(xué)習(xí)方法常用結(jié)構(gòu):前饋網(wǎng)，反饋網(wǎng)等著名的BP網(wǎng)絡(luò)

=前饋網(wǎng)+BP算法（BP:BackPropagation）第三十九頁，共51頁。

梯度

下降法由輸出層向輸入層反向計算每一層的連接權(quán)值BP算法＋＝

BP算法的進(jìn)行方式:由給定的輸入樣本計算網(wǎng)絡(luò)輸出，并與輸出樣本進(jìn)行比較（輸出誤差）；由輸出誤差依次反向計算每一層的權(quán)值；重復(fù)①、②，直至輸出誤差滿足要求為止；對每組輸入輸出樣本數(shù)據(jù)都按①～③進(jìn)行學(xué)習(xí)；重復(fù)①～④，直至所有輸出誤差都達(dá)到要求的精度?！梆伨W(wǎng)絡(luò)第四十頁，共51頁。神經(jīng)網(wǎng)絡(luò)的特點：通過學(xué)習(xí)，可以無限逼近任意的輸入輸出函數(shù)；具有歸納或泛化能力（經(jīng)樣本訓(xùn)練后，輸入不屬于樣本集時也能產(chǎn)生合適的輸出）；并行計算（速度快），分布存儲（容錯性好）；學(xué)習(xí)過程收斂較慢（較費時），實時應(yīng)用性差；如何確定網(wǎng)絡(luò)的層數(shù)及每一層的神經(jīng)元個數(shù)尚無明確的方法。神經(jīng)網(wǎng)絡(luò)的實現(xiàn)：①神經(jīng)元芯片②計算機軟件模擬第四十一頁，共51頁。四、神經(jīng)網(wǎng)絡(luò)的應(yīng)用典型應(yīng)用領(lǐng)域：各類控制與優(yōu)化問題系統(tǒng)辨識故障診斷容錯技術(shù)信號處理模式識別文字識別專家系統(tǒng)等神經(jīng)網(wǎng)絡(luò)應(yīng)用于系統(tǒng)辨識與控制的優(yōu)點：無須數(shù)學(xué)建模，只需在線或離線學(xué)習(xí)訓(xùn)練同時適用于線性和非線性系統(tǒng)具有很強的適應(yīng)性和魯棒性容易和其他控制方式結(jié)合第四十二頁，共51頁。①數(shù)字識別NN.........019標(biāo)準(zhǔn)輸出：0=（100···0）1=（010···0）

9=（00···01）...通過調(diào)整NN的權(quán)值使

實際輸出→標(biāo)準(zhǔn)輸出NN：NeuralNetwork（神經(jīng)網(wǎng)絡(luò)）實際可能輸出可能為

（0.10.80.10.20.10.30.10.20.10.1）

則以最大數(shù)字為準(zhǔn)，即對應(yīng)數(shù)字1每一網(wǎng)格的明暗度經(jīng)光電器件轉(zhuǎn)換成電信號神經(jīng)網(wǎng)絡(luò)(NN)的輸入與網(wǎng)格陣列一一對應(yīng)輸出電平高低的組合對應(yīng)要識別的數(shù)字用數(shù)字樣本和標(biāo)準(zhǔn)輸出對NN進(jìn)行訓(xùn)練第四十三頁，共51頁。②系統(tǒng)辨識動態(tài)系統(tǒng)NNyNuye+-

正模型辨識動態(tài)系統(tǒng)NNuyuNe+-逆模型辨識通過學(xué)習(xí)（依據(jù)誤差e調(diào)整NN的權(quán)值）使

yN→y

從而使

NN→動態(tài)系統(tǒng)通過學(xué)習(xí)使

uN→u從而使

NN→逆動態(tài)系統(tǒng)第四十四頁，共51頁。③專家控制NN控制器受控對象檢測裝置給定輸入－反饋信號控制量誤差輸出執(zhí)行機構(gòu)在專家或操作人員能夠很好地進(jìn)行控制的情況下，為了把人解放出來，可以用一個神經(jīng)網(wǎng)絡(luò)控制器去模仿人的控制行為，神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)和訓(xùn)練就可以逼近操作人員的控制模式。第四十五頁，共51頁。④模型參考自適應(yīng)控制NN1對象

參考模型reuyymeyyN