一、相关研究发展现况.doc

一、 相關研究發展現況 1970年代中期，模糊控制研究已經有相當多的成功實例，1980年代開始實用化、商品化，到了1990年代已經造成一股熱潮。最近，模糊理論更與類神經網路、遺傳基因工程與知識工程等互相結合，促使人工智慧科技很多新的突破。另一方面，灰色理論自1982年由華中理工大學鄧聚龍教授正式發表後，在學術界與工業界引起極大迴響，咸認能以最有限數據，建構一個近似系統動態特性之模型，對於工程之應用將有實質之貢獻。為求繼續擴展並達成學術與工業交流之目的，大陸在1996年召開第九屆全國灰色系統會議，同年在臺灣則舉辦第一屆灰色系統理論與應用研討會，並於會中通過成立中華民國灰色系統學會，以凝聚臺灣地區在灰色系統方面之研究與創新力，使臺灣成為研究灰色系統最具有成果的國家之一。其中，有關灰預測控制之論文己達四十餘篇 [1]，唯灰預測應用的研究仍侷限於軟體計算，若能夠透過積體電路製程加以實現，將可大幅降低旁置微控制器或中央處理器的運算負載，使其有足夠的時間反應控制決策的修正，以增加灰預測控制在即時系統的適用性，進而擴展灰預測控制在產業界的應用領域。因此，以硬體架構實現灰預測控制中造成系統瓶頸之灰建模及預測過程，使灰色預測模型可以實際應用於即時系統，將是值得研究的重要課題。 預測控制於1978年由Richalet提出 [2]，當時的理論基礎是以模型預測為主，而處理的對象則以線性系統為主，因此早期的預測控制又稱為模型預測控制 (model predictive control, MPC)。1992年Soeterboek詳盡的介紹模型線性預測控制理論的演進與分類 [3]，並完整的比較各種不同類型的預測控制之性能與結果。雖然線性預測控制的發展已經成熟，不過在非線性系統領域的研究仍須以數值解法來完成最佳控制律的計算，而數值解法主要是以電腦數值計算每一採樣區間內之最佳控制律，因此必須花費相當多的計算時間。 預測係對於事物未來可能演變的情形，事先予以推測。每一類預測方法都有它的適用範圍、使用條件、與方法特性，因此對於預測問題的處理，將依選擇的方法及技術，設定適合的模式計算相關的預測值。迴歸分析 (regression analysis) 為預測方法的基礎，應用範圍廣泛，包括工商、經濟、管理、控制之領域。迴歸分析為研究及測度兩個或兩個以上變數之間的關係之技術，如果涉及的變數僅有兩個，則稱為單重迴歸分析，若涉及的變數多於兩個，則稱為多重迴歸分析。從事迴歸分析時，不論變數個數為何，均須擇定其中之一個變數為因變數 (dependent variable)，而把其餘變數當做自變數 (independent variable)，然後依據給與的多組自變數與因變數資料，研究自變數與因變數之間的關係。藉迴歸分析所導出的關係式，稱為迴歸方程式，其形式可為各種代數函數、超越函數、或兩者相混之形式。迴歸方程式如果屬於線型的，亦即因變數為自變數之一次函數形式，則稱為線型迴歸方程式 (linear regression equation)，否則稱為非線型迴歸方程式 (nonlinear regression equation)。當迴歸方程式求得後，如給與自變數值，即能代入式中估算因變數值，因此，迴歸分析包括敘述、控制與預測三個主要應用 [4]。 迴歸分析可藉數理統計學的有關理論推演，其中更需依賴如最小平方法之類的曲線擬合 (curve fitting) 技術。在多項式迴歸分析中，若多項式的階數為n，則其曲線可以完全擬合n+1組觀察值 () 之所有點，假設此n階多項式迴歸方程式為： (1) 若觀察值與估計值之間的誤差定義為： (2) 則誤差平方和為： (3) 而最小平方法強調的是對於觀察值與估計值之間的誤差異平方值之總和要最小，亦即令 (4) 利用矩陣可求得多項式的相關係數： (5) 通常迴歸模式的函數形式是未知的，須從過去的經驗及收集的資料中分析它的特性，只要是合理的估計，一次、二次或二次以上的函數皆可以做為參考的資料，在各種案例中，雖然函數的形式相當複雜，但仍可以採用直線或二次多項式迴歸函數為估計模式。高階次的多項式模式與資料的擬合度最完美，例如：具有一個自變數的n階次模式能與n+1個觀察值完全擬合，但高階次模式中的迴歸係數常因較小的外在變數值產生估計值的巨幅的振盪。因此在實際應用中，很少應用三階次以上的高階次