智能控制的举例与感想.docVIP

智能控制的举例与感想 神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。 神经网络控制是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。 在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。 神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等. 在课堂上，我们随着老师的介绍，逐步了解了智能控制的一些原理方法，智能控制的分类等，学会了简单的了解智能控制的运算过程。 下面是一个实验的介绍 已知某被控过程的模型为 其中采样时间为1ms，取单位阶跃输入。系统的原理框图如图2所示，控制器控制算法为，取，，，采用Hebb学习调整权值，用输出误差信号作教师信号，初始权值W取[0.1 0.1 0.1]，学习速率η取0.50，神经元比例系数K取0.12。试完成神经元控制器的设计，并做Matlab仿真。 图2 1.设计的意义与目的 该设计意义：单神经元作具有自学习和自适应能力，且结构简单而易于计算传统的PID则具有结构简单、调整方便特点。可以在一定程度上传统PID调节器不易在线实时整定参数的不足。W，使得误差函数e(k)最小，从而让输出值y(k)无限接近于期望值r(k)。 2.单神经元模型 是第i个神经元接收到的信息 是连接强度，称之为权 利用某种运算把输入信号的作用结合起来，它们的总效果称之为“净输入” 净输入的表达方式有多种类型，其中最简单的一种是线性加权求和 式中，神经元i的阈值。 学习规则是修正神经元之间连接强度或加权系数的算法，使获得的知识结构适应周围环境的变化。学习算法可分为监督学习和监督学习两类。无监督学习则没有外部教师信号，其学习表现为自适应与输入空间的检测规则，其学习过程为对系统提供动态输入信号，使各个单元以某种方式竞争，获胜的神经元本身或相邻域得到增强，其他神经元则进一步被抑制，从而将信号空间分为有用的多个区域。 有监督学习是通过外部教师信号进行学习，即要求同时给出输入和正确的期望输出的模式对，当计算结果与期望输出有误差时，网络将通过自动调节机制调节相应的连接强度，使之向误差减小的方向改变，经过多次重复训练，最后与正确的结果相符合。 常用规则三种：无监督Hebb学习规则Hebb学习的基本思想是：如果神经元同时兴奋，则它们之间的连接强度的增强与它们的激励的乘积成正比。用表示单元i的激活值（输出），表示单元j的激活值，表示单元j到单元i的连接加权系数，则Hebb学习规则可用下式表示： (4-3) 式中 ——学习速率。 有监督学习规则在Hebb学习规则中引入教师信号，将式中的换成网络期望目标输出和网络实际输出之差，即为有监督学习规则。 (4-4) 上式表明，两神经元间的连接强度的变化量与教师信号和网络实际输出之差成正比。 有监督Hebb学习规则 将无监督Hebb学习规则和有监督学习规则两者结合起来，组成有监督Hebb学习规则，即 (4-5) 这种学习规则使神经元通过关联搜索对未知的外界作出反应，即在教师信号 的指导下，对环境信息进行相关学习和自组织，使相应的输出增强或削弱。 结构框图如示。图中转换器的输入为r(k)和y(k)；转换器的输出为神经元学习控制所需要的状态量。这里 ，为性能指标。图中K为神经元的比例系数，K 0。神经元通过关联搜索来产生控制信号，即 式中 ——对应于的加权系数。 (2)单神经元自适应PID控制器正是通过对加权系数的调整来实现自适应、自学习功能的。加权系数的调整可以采用不同的学习规则，从而构成不同的控制算法。 本采用有监督Hebb学习算法的单神经元自适应PID控制器考虑到加权系数应和神经元的输入、输出和输出偏差三者的相关函数有关，因此在采用有监督Hebb学习算法时有 式中——递进信号，随过程进行逐渐衰减； ——输出误差信号，= ——学习速率， 0； ——常数，0≤＜1。 有 如果存在函数，对求偏微分有 则 上