神经网络探析.doc

神经网络在控制系统中的应用现状及展望 1 引言 基于神经网络的控制称为神经网络控制(NNC)。传统的基于 模型的控制方法, 是根据被控对象的数学模型及对控制系统要求 的性能指标来设计控制器, 并对控制规律加以数学解析描述 ; 而神经网络不善于显式表达知识, 但它具有很强的逼近非线性函数 的能力, 即非线性映射能力。把神经网络用于控制正是利用它的优点: (1)能够充分逼近任意复杂的非线性系统; (2)能够学习和适应严重不确定系统的动态特性; (3)由于大量神经元之间广泛连接 , 即使少量神经元或连接损坏 , 也不影响系统的整体功能, 表现出很强的鲁棒性和容错性; (4) 采用并行分布处理方法, 使得快速进行大量运算成为可能。 这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力。 将神经网络引入控制系统是控制学科发展的必然趋势 , 它的引入不仅给这一领域的突破带来了生机, 也带来了许多亟待解决 的问题 。神经控制是研究和利用人脑的某些结构机理以及人的知 识和经验对系统的控制。利用神经网络 , 可以把控制问题看成模 式识别问题 , 被识别的模式是映射成 “行 为 ”信 号的 “变 化 ”信 号。 神经控制最显著的特点是具有学习能力。它是通过不断修正神经 元之间的连接权值 , 并离散存储在连接网络中来实现的。它对非 线性系统和难以建模的系统的控制具有良好效果。所以 , 可以将 神经网络在控制中的作用分为以下几种: (1)基于精确模型的各种控制结构中充当对象的模型; (2)在反馈控制系统中直接充当控制器的作用; (3) 在传统控制系统中起优化计算作用; (4)在与其它智能控制方法和优化算法相融合中, 为其提供非 参数对象模型、优化参数、推理模型及故障诊断等。 2 神经网络控制发展现状 一般情况下 , 神经网络控制系统原则上可分为两大类 : 一种 是基于神经网络的智能控制; 另一种是基于传统控制理论的神经控制。 2.1 基于神经网络的智能控制 它是由神经网络和其它智能控制方式相融合的控制系统 , 其形式有以下几种: 2.1.1 神经网络直接反馈控制 这种控制方式使神经网络直接作为控制器 , 利用反馈和使用遗传算法进行自学习控制。 2.1.2 神经网络专家系统控制 专家系统在表达知识和逻辑推理方面有较强的优势 , 而神经 网络长于非线性映射和直觉推理 , 将两者相结合发挥各自的优 势, 会获得更好的控制效果。 2.1.3 神经网络模糊逻辑控制 模糊逻辑具有模拟人脑抽象思维的特点, 而神经网络具有模拟人脑形象思维的特点 , 在过去十年中 , 模糊逻辑和神经网络已在理论和应用方面获得独立发展 , 然而近年来 , 已把注意力集中 到模糊逻辑与神经网络的集成上, 因两者结合更有利于抽象和形 象思维两方面模拟人脑的思维特点, 是目前实现智能控制的重要 形式。在此, 我们对它们和表 1 进行比较。 表 1 模糊逻辑系统与神经网络的比较 将神经网络与模糊系统控制起来实现控制，是最近几年控制的热点，模糊神经网络是把模糊逻辑系统与神经系统结合起来，形成一个共生互补系统，它实际上是人类大脑结构和功能的模拟—大脑神经网络 “硬 件 ”拓 扑结构 + 信息模糊处理 “软件”的思想功能。这两种对人脑的“硬件”和“软件”模拟的有机 结合 , 不仅弥补了各自性能上的不足 , 而且使得控制的智能程度 进一步提高, 尤其是对那些非线性时变系统或难以建模的对象 ,古典控制理论和现代控制理论的方法无法设计出有效的控制器 ,而采用模糊神经网络控制却能收到良好的控制效果。 目前 , 将模糊神经网络用于控制一般都是与其他控制方法相 结合。如, 将模糊神经网络与自学习控制结合; 将模糊神经网络与 变结构控制结合; 将模糊神经网络与自适应控制结合等。其中大 多数关于模糊神经网络控制方面的文献是关于模糊神经网络在 自适应控制中的应用。在自适应控制中引入模糊神经网络建模工 具 , 将进一步改善神经网络自适应控制的鲁棒性和实时性 , 特别适用于具有不确定性的非线性系统跟踪控制问题。但这类控制器 的结构一般都是固定不变的, 有可能造成如下两个问题。 (1)神经网络本身的结构和性能不一定最佳, 有时甚至会出现 局部最优问题, 造成学习的效果不理想。同时不利于模糊控制规 则的增减 , 有可能造成模糊规则的冗余或欠缺 , 影响控制量计算 速度或控制精度。 (2)由于模糊规则的获取在一定程度上取决于先验知识, 即有 关被控制对象特征的知识, 这对复杂的控制对象来说具有很大的困难。针对问题(1), 可以用具有动态结构的神经网络进行推理, 自动地选择最理想的神经网络结构用来控制。对问题(2), 自从 Pro-cyk 和Mam