智能控制理论和方法（第二版）第4章基于神经元网络的智能控制系统.ppt

第4章 基于神经元网络的智能控制系统 　　　　　4.1 神经元网络与控制　　人工神经元网络模仿动物脑神经的活动，力图建立脑神经活动的数学模型。实际上，早在20世纪40年代，人们已对脑和计算机交叉学科进行研究，想解决智能信息处理的机理。大家熟知的维纳的《控制论》一书就已经提出了反馈控制、信息和脑神经功能的一些关系。当时在“控制论(Cybernetics)”的旗帜下，很多学者把这些内容当作一个公共的主题进行研究。但是此后，控制学科，计算机科学(包括人工智能)和神经生物学各按自己的独立道路发展，相互之间缺乏沟通，尤其是不同的学术用语和符号造成了学科间有效交流的障碍。近年来，智能控制作为一个新交叉学科蓬勃兴起，人们又在更高的水平上寻求控制、计算机和神经生理学的新结合，要以此来解决现实世界中用常规控制理论和方法所难以解决的一些问题。 　　神经元网络的研究已有数十年的历史。20世纪40年代初，心理学家Mcculloch和数学家Pitts提出了形式神经元的数学模型，并研究了基于神经元模型几个基本元件互相连接的潜在功能。1949年Hebb和其他学者研究神经系统中自适应定律，并提出改变神经元连接强度的Hebb规则。1958年Rosenblatt首先引入了感知器(Perceptron)概念，并提出了构造感知器的结构。这对以后的研究起到很大作用。1962年Widrow提出了线性自适应元件(Adline)，它是连续取值的线性网络，主要用于自适应系统，与当时占主导地位的以顺序离散符号推理为基本特性的AI方法完全不同。之后，Minsky和Papert(1969)对感知器为代表的网络作了严格的数学分析，证明了许多性质，指出了几个模型的局限性。 由于结论相当悲观，从此神经元网络的研究在相当长时间内发展缓慢。Grossberg在20世纪70年代的工作，使神经元网络的研究又有了突破性的进展。根据生物学和生理学的证明，他提出了具有新特征的几种非线性动态系统的结构。1982年Hopfield在网络研究中引入了“能量函数”概念，把特殊的非线性动态结构用于解决像优化之类的技术问题，引起了工程界的巨大兴趣。Hopfield网至今仍是控制领域中应用最多的网络之一。1985年Hinton和Sejnowshi借用了统计物理学的概念和方法，提出了Boltzman机模型，在学习过程中采用了模拟退火技术，保证系统能全局最优。 1986年，以Rumelthard和Mcclelland为首的PDP(Paralell Distributed Processing)小组发表一系列的研究结果和算法。由于他们卓越的工作， 为神经元网络的研究提供了触媒剂，使得这方面研究和应用进入全盛时期。以后，Kosko提出了双向联想存储器和自适应双向联想存储器，为在具有噪声环境中的学习提供有效的方法。　　神经元网络作为一种新技术之所以引起人们巨大的兴趣，并越来越多地用于控制领域，是因为与传统的控制技术相比，它具有以下重要的特征和性质。　　(1) 非线性。　　(2) 平行分布处理。　　(3) 硬件实现。　　(4) 学习和自适应性。　　(5) 数据融合。 　　(6) 多变量系统。　　很明显，复杂系统的建模问题，具有以上所需的特征。因此，用神经元网络对复杂系统建模是很有前途的。　　从控制理论观点来看，神经元网络处理非线性的能力是最有意义的。非线性系统的多种性与复杂性，使得至今还没有建立起系统的和通用的非线性控制系统设计的理论。虽然对特殊类别的非线性系统，存在一些传统的方法，如相平面方法，线性化方法和描述函数法，但这不足以解决面临的非线性困难。因此，神经元网络将在非线性系统建模及非线性控制器的综合方面起重要作用。 　　4.2 神经元网络的基本原理和结构4.2.1 神经元网络的基本单元　　图4.1表示了在中央神经系统中，典型神经细胞的主要元件。　　(1) 细胞体： 由细胞核、细胞质和细胞膜等组成。　　(2) 轴突： 由细胞体向外伸出的最长的一条分支，称为轴突，即神经纤维。轴突相当于细胞的传输电缆，其端部的许多神经末梢为信号的输出端，用以送出神经激励。　　(3) 树突： 由细胞体向外伸出的其他许多较短的分支，称为树突。它相当于神经细胞的输入端，用于接受来自其他神经细胞的输入激励。 图4.1 神经元的构造 　　(4) 突触： 细胞与细胞之间(即神经元之间)通过轴突(输出)与树突(输入)相互连结，其接口称为突触，即神经末梢与树突相接触的交界面，每个细胞约有103～104个突触。突触有两种类型： 即兴奋型与抑制型。　　(5) 膜电位： 细胞膜内外之间有电势差，约为70～100 mV, 膜内为负，膜外为正。　　值得注意的是，在动物神经系统中，细胞之间的连结不是固定的，它可以随时按外界环