控制工程基础文献综述.docVIP

神经网络控制 20世纪90年代脑科学研究的进展表明，人类的大脑是在漫长而又激烈的自然选择和生死攸关的生存竞争中演变而来，它是高度非线性的，远离平衡的，永远开放的自适应系统。神经控制是脑科学延伸的一种积极成果。 神经网络与自动控制是两个不同的学科，它们有各自的产生背景、研究内容、历史发展以及不同的运行规律。神经控制是两门学科结合的产物，是它们发展到一定历史阶段的必然结果。 神经网络控制是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。 在神经网络及神经网络控制领域中，存在许多数学计算，这些计算可以归结为三个方面的问题，即：最优化，寻求以满意为准则的最优解；系统的稳定性；为方便问题的分析而引进的数学变换。这就要求我们解决数值计算中的最优化及最佳逼近、非线性系统稳定分析的李亚普洛夫第二法、求解非线性方程的Z变换等问题。 在解决神经控制中的问题时，需要我们建立一些模型以便于分析和研究。在神经控制中常见的几种神经网络模型为：人工神经网络建模MP模型，Rosenblatt提出的感知器，Rumelhant和McClelland提出BP算法，自适应线性神经元，自组织竞争型神经网络，小脑模型神经网络，递归型神经网络，Hopfield神经网络。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络是在受生物神经网络的启发下提出的，但任何一个人工网络模型，都不可能全面模拟生物网络的所有功能。由此得知，人工神经网络的模型虽然有上百种之多，但究竟哪一种能成为主流，尚不能确定。神经网络模型由网络拓扑、节点特点和学习规则来表示。神经网络对人们的巨大吸引力主要在下列几点： 并行分布处理；高度鲁棒性和容错能力；分布存储及学习能力；能充分逼近复杂的非线性关系。 在控制领域的研究课题中，不确定性系统的控制问题长期以来都是控制理论研究的中心主题之一，但是这个问题一直没有得到有效的解决。利用神经网络的学习能力，使它在对不确定性系统的控制过程中自动学习系统的特性，从而自动适应系统随时间的特性变异，以求达到对系统的最优控制；显然这是一种十分振奋人心的意向和方法。 运用过程中我们需要对一个神经控制系统进行辨认与识别，即系统识别。要对一个系统进行辨认与识别，有许多有效的方法，其中一种做法就是观察系统的行为，看它属于哪一类系统。在断定被测系统属于哪一类系统的时候，首先要知道被当做标准的系统是哪些。辨识系统的基本做法是：事先知道若干个标准的系统模型，通过对被测系统实施的一系列措施，看被测系统与哪个标准最接近。控制理论的实际应用都离不开被控制对象的数学模型，无论这种模型是有较高的可信度，还是离实际情况相差甚远，在进行数理分析时总需要有一个模型。但是在大多数情况下，被控对象的数学模型是未知的，并且系统总在运行状态中，系统的参数也在发生随机变化，如果不随时对系统进行辨识，对参数变化进行有效的跟踪，很难让自动控制取得真正意义上的成功。 自20世纪70年代以来，自动控制在辨别线性、非时变、参数确定的系统方面取得了长足的地步，然而对于非线性、时变系统的辨认，还缺乏一种有效的做法。在辨识前对此类系统的结构形态所预先做出的假设和经验认识，往往是针对某个特例的非线性系统做出的。目前尚未就一般的非线性系统进行辨识，不是人类不想做到这一点，而是不知道如何做到。 神经网络用于系统辨识时，通常需要接入系统中，构成辨识系统，辨识系统由三个环节组成：待辨识系统或模型，辨识用神经网络以及连接待辨识系统与神经网络之间的功能电路。神经网络一般选用包含动态环节的网络，这样可以突出它辨识非线性环节的功能。为分析问题方便起见，通常把线性对象和非线性对象分开。对线性对象作线性系统识别；对非线性对象作非线性系统识别。 从学习算法上看，对静态系统采用静态BP算法；对动态系统采用动态反转算法。神经网络能辨识非线性系统的关键之处在于：含有足够多神经元的三层网络能以任意精度逼近任何连续有界非线性函数。辨识的核心是采用哪种算法，在用于动态系统识别的收敛问题时，实践表明，BP网路在建立动态数学模型方面有较高的精度。改进标准BP算法的方法中，有增加惯性项、引入高阶导数，改变步长、使用预报误差等，均能有效加快多层前向网络的收敛速度。除使用静态网络外，也能用动态回归网络作系统辨识，不足之处是比静态网络在结构上复杂一些，算法步骤多一些，但描述非线性动态系统的能力较强，训练速度也较快。 人工神经元网络基于其特有的功能而被应用于控制系统中,为智能控制提供了一个有潜力的发展方向,神经元