基于神经网络的智能控制系统.doc

作业5神经网络的智能控制系统神经网络控制是一种基本上不依赖于模型的控制方法，它适合于具有不确定性或高度非线性的控制对象，并具有较强的自适应和自学习功能，因此是智能控制的一个重要分支领域。人工神经网络利用物理器件来模拟生物神经网络的某些结构和功能，具有并行和分布式的信息处理网络结构，该结构一般由几个神经元组成，每一个神经元有一个单一的输出，但可通过连接的很多其它神经元，获得有多个连接通道的输入，每个连接通道对应一个连接权系数。人工神经网络是生物神经网络的一种模拟和近似，主要从两个方面进行模拟:一个是结构和实现机理方面，它涉及到生物学、生理学、心理学、物理及化学等许多基础学科。由于生物神经网络的结构和机理非常复杂，现在从这方面模拟还仅在尝试1；另一个是功能方面，即尽量使人工神经网络具有生物神经网络的某些功能特性，如学习、识别、控制等。目前应用的神经网络均是对功能方面的模拟。神经网络有以下一些特点:1高度的并行性2高度的非线性全局作用3良好的容错性和联想记忆功能一.基于神经网络的几种控制系统1基于全局逼近神经网络的控制 全局逼近网络是在整个权空间上对误差超曲面的逼近，故对输入空间中的任意一点，任意一个或多个连接权的变化都会影响到整个网络的输出，其泛化能力遍及全空间，如BP网络等。由于在全局逼近网络中，每一个训练样本都会使所有连接权发生变化，这就使响应的收敛速度极其缓慢。当网络规模较大时，这一特点使其实际上难以在线应用。利用全局逼近神经网络的异步自学习控制系统如图1所示。图1基于全局逼近式神经网络异步自学习控制系统由于神经网络控制器实际上是一个非线性控制器，因此一般难以对其进行稳定性分析。全局逼近网络在控制系统中的作用，主要体现在两个方面:提供一个类似于传统控制器的神经网络控制器；为神经网络控制器进行在线学习，提供性能指标关于控制误差梯度的反向传播通道，如建立被控对象的正向网络模型等。此外，结合稳定性分析，对神经网络的控制结构方案进行特别设计，还可以为分析复杂问题提供一个有效的解决途径。2基于局部逼近神经网络的控制局部逼近网络只是对输入空间一个局部邻域中的点，才有少数相关连接权发生变化，如CMAC、RBF和FLN网络等。由于在每次训练中只是修正少量连接权，而且可修正的连接权是线性的，因此其学习速度极快，并且可保证全空间上误差全平面的全局收敛特性可以实时应用。其不足之处是采用间断超平面对非线性超曲面的逼近，可能精度不够，同时也得不到相应的导数估计；采用高阶B样条的BMAC控制，则部分弥补了CMAC的不足，但计算量略有增加；基于高斯径向函数(RBF)的直接自适应控制，是有关非线性动态系统的神经网络控制方法中，较为系统且逼近精度最高的一种方法，但它需要的固定或可调连接权太多，且RBF的计算也太多，利用目前的串行计算机仿真实现时，计算量与内存过大，很难实时实现。3模糊神经网络控制模糊神经网络控制系统的基本思路是:利用模糊box分割问题空间，使每个模糊box不仅具有CEN给出的评分，含有作为控制作用的输出语言变量，而且整个模糊box还隐含定义了模糊规则库。模糊神经网络主要有三种结构:输入信号为普通变量，连接权为模糊变量；输入信号为模糊变量，连接权为普通变量；!输入信号与连接权均为模糊变量。它们还可根据网型及学习算法中的点积运算是使用模糊逻辑运算，还是使用模糊算术运算，分成常规和混合型模糊神经网络。