學習智能控制課程的研究報告

1、精選文庫 學習智能控制課程的研究報告 通過本學期所學的智能控制知識、 上網搜集資料和參考論文的情況下，對智能控 制這門學科的學習做出了簡要總結。 1智能控制的發(fā)展 自動控制經過百余年的發(fā)展，無論是在控制理論還是控制工程上都取得了巨大成 功，但是，隨著人類社會的發(fā)展，控制對象日益復雜、控制目標越來越高，控制理論 與控制工程面臨的挑戰(zhàn)也越來越大。以控制理論和智能理論為基礎，以模擬人的智能 化操作和經驗為手段的智能控制方法應運而生。 智能控制是基于人類對自然界的智能的認識所發(fā)展起來的智能理論與方法，包括 基于符號邏輯的傳統(tǒng)AI理論與基于復雜計算的計算智能理論。它是人工智能和自動 控制的重要研究領域，

2、并被認為是通向自主機器遞階道路上自動控制的頂層。人工智 能的發(fā)展促進自動控制向智能控制發(fā)展，智能控制思潮第一次出現(xiàn)于20世紀60年代。 1965年，美籍華人傅京孫教授在他的論文中首先提出把人工智能的直覺推理方法用 于學習控制系統(tǒng)，最早把人工智能引入到控制技術中。1966年，Mendel進一步在空 間飛行器的學習控制系統(tǒng)中應用了人工智能技術，并且提出了 “人工智能控制”的概 念。1967年，Leon des和Men del首先正式使用“智能控制” 一詞。 20世紀70年代是智能控制的發(fā)展初期，傅京孫、Gloriso和Saridis等人正式提 出了智能控制就是人工智能技術與控制理論的交叉。70年代

3、中期前后，以模糊集合 論為基礎，從模仿人的控制決策思想出發(fā)，智能控制在另一個方向規(guī)則控制上也取得 了重要的進展。 80年代為智能控制的迅速發(fā)展期，智能控制的研究及應用領域逐步擴大并取得 了一批應用成果。1987年1月，第一次國際智能控制大會在美國舉行，標志著智能 控制領域的形成。 1992年至今為智能控制進人嶄新的階段。隨著對象規(guī)模的擴大和過程復雜性的 應用對 加大，形成了智能控制的多元論，而且在應用實踐方面取得了突破性的進展, 象也更加廣泛。 智能控制采用各種智能技術來實現(xiàn)復雜系統(tǒng)和其他系統(tǒng)的控制目標，是一種具有 強大生命力的新型自動控制技術。智能控制的產生和發(fā)展正反映了當代自動控制以至 整

4、個科學技術的發(fā)展趨勢，是歷史的必然。智能控制已成為自動控制發(fā)展道路上的一 并獲得日益廣泛的應 主要有專家控制、模 個新的里程碑，正發(fā)展為一種日趨成熟和日臻完刪的控制手段, 用。 2智能控制的研究內容 目前關于智能控制的研究和應用沿著幾個主要的分支發(fā)展, 糊控制、神經網絡控制、學習控制、基于知識的控制、復合智能控制、基于進化機制 的控制、自適應控制等等。有的已在現(xiàn)代工業(yè)生產過程與智能自動化方面投入應用。 主要介紹如下: 1、專家控制是智能控制的一個重要分支，其研究始于60年代中期，是由美國斯 坦福大學Feigen-baum于1965年開創(chuàng)的人工智能研究的新領域。所謂專家控制是指 將專家系統(tǒng)的理論

5、和技術同控制理論方法與技術相結合，在未知環(huán)境下，仿效專家的 智能，實現(xiàn)對系統(tǒng)的控制。專家控制試圖在傳統(tǒng)控制的基礎上“加入” 一個富有經驗 的控制工程師，實現(xiàn)控制的功能，它由知識庫和推理機構構成主體框架， 通過對控制 領域知識（先驗經驗、動態(tài)信息、目標等）的獲取與組織，用某種策略及時地選取恰當 的規(guī)則進行推理輸出，實現(xiàn)對實際對象的控制。 2、模糊控制自1965年Zadeh教授創(chuàng)建模糊集理論和1974年英國的Mamdani成 功地將模糊控制應用于蒸汽機控制以來，模糊控制得到了很大的發(fā)展和廣泛的應用。 模糊控制是基于模糊推理、模仿人的思維方式、對難以建立精確數(shù)學模型的對象實施 的一種控制，成為處理推

6、理系統(tǒng)和控制系統(tǒng)中不精確和不確定性的一種有效方法，構 成了智能控制的重要組成部分。 3、神經網絡控制是另一類智能控制的重要形式。人的大腦具有很強的自學習和 自適應能力，神經網絡控制正是基于模擬人的大腦結構和功能而發(fā)展起來的一種智能 控制方法。神經網絡由人工神控制就經元組成，采用仿生學的觀點與方法來研究人腦 和智能系統(tǒng)中的高級信息處理。所謂神經網絡控制，是指在控制系統(tǒng)中采用神經網絡 這一工具對難以精確描述的復雜的非線性對象進行建模， 或充當控制器，或優(yōu)化計算, 或進行推理，或故障診斷，以及同時兼有上述這些功能的組合。 是當今智能控制中的 研究熱點領域之一。 4、學習控制系統(tǒng)是一個能在其運行過程中

7、逐步獲得受控過程及環(huán)境的非預知信 息，積累控制經驗，并在一定的評價標準下進行估值、分類、決策和不斷改善系統(tǒng)品 質的自動控制系統(tǒng)。學習控制具有搜索、識別、記憶、推理4個主要功能。傅京孫指 出：幾乎所有的學習算法都具有相似的學習特性。 較復雜的在線學習技術的實現(xiàn)需要 高速度和大容量的計算機。 5、遞階控制系統(tǒng) 遞階智能控制是在研究早期學習控制系統(tǒng)的基礎上， 并從工程控制論的角度總結 人工智能與自適應、自學習和自組織控制的關系之后而逐漸地形成的， 也是智能控制 的最早理論之一。遞階智能控制還與系統(tǒng)學及管理學有密切關系。 已經提出多種分級遞階控制理論，即基于知識/解析混合多層智能控制理論、“精 度隨智

8、能提高而降低”的分級遞階智能控制理論以及四層遞階控制理論等。這幾種理 論在遞階結構上是有聯(lián)系的，其中，以薩里迪斯的分級智能控制理論最具影響。 由薩里迪斯提出的分級遞階智能控制方法作為一種認知和控制系統(tǒng)的統(tǒng)一方法 論，其控制智能是根據分級管理系統(tǒng)中“精度隨智能提高而降低”的原理而分級分配 的，并由組織級、協(xié)調級和執(zhí)行級三級組成。 6仿生控制系統(tǒng) 從某種意義上說，智能控制就是仿生和擬人控制，模仿人和生物的控制機構、行 為和功能所進行的控制，就是擬人控制和仿生控制。神經控制、進化控制、免疫控制 等都是仿生控制，而遞階控制、專家控制、學習控制和仿人控制等則屬于擬人控制。 在模擬人的控制結構的基礎上，進

9、一步研究和模擬人的控制行為與功能， 并把它 用于控制系統(tǒng)，實現(xiàn)控制目標，就是仿人控制。仿人控制綜合了遞階控制、專家控制 和基于模型控制的特點，實際上可以把它看作一種混合控制。 生物群體的生存過程普遍遵循達爾文的物競天擇、適者生存的進化準則。群體中 的個體根據對環(huán)境的適應能力而被大自然所選擇或淘汰。生物通過個體間的選擇、交 叉、變異來適應大自然環(huán)境。把進化計算，特別是遺傳算法機制和傳統(tǒng)的反饋機制用 于控制過程，則可實現(xiàn)一種新的控制 進化控制。 自然免疫系統(tǒng)是個復雜的自適應系統(tǒng)，能夠有效地運用各種免疫機制防御外部病 原體的入侵。通過進化學習，免疫系統(tǒng)對外部病原體和自身細胞進行辨識。 把免疫控 制和

10、計算方法用于控制系統(tǒng)，即可構成免疫控制系統(tǒng)。 7、組合智能控制系統(tǒng) 把智能控制與傳統(tǒng)控制(包括經典PID控制和近代控制)有機地組合起來，即可構 成組合智能控制系統(tǒng)。組合智能控制能夠集智能控制方法和傳統(tǒng)控制方法各自之長 處，彌補各自的短處，取長補短，也是一種很好的控制策略。例如，PID模糊控制、 神經自適應控制、神經自校正控制、神經最優(yōu)控制、模糊魯棒控制等就是組合智能控 制的例子。嚴格地說，各種智能控制都有反饋機制起作用， 因此都可看作組合智能控 制。 3神經網絡智能控制 智能控制被廣泛應用于社會眾多領域， 從實驗室到工業(yè)現(xiàn)場，從智能儀器到家用 電器，從工業(yè)機器人到生產領域控制，解決了大量的傳統(tǒng)

11、控制無法解決的實際控制應 用問題。將各種智能控制方法的交叉應用是當前智能控制領域主要應用方向之一，而 這種交叉應用有時是非常困難的。 在此我僅對神經網絡控制系統(tǒng)的應用做下簡要總結和學習。 對于控制界，神經網絡的吸引力在于: (1) 能夠充分逼近任意復雜的非線性系統(tǒng); (2) 能夠學習和適應嚴重不確定性系統(tǒng)的動態(tài)特性; (3) 由于大量神經元之間廣泛連接，即使有少量單元或連接損壞，也不影響系統(tǒng) 的整體功能，表現(xiàn)出很強的魯棒性和容錯性； (4) 采用并行分布處理方法，使得快速進行大量運算成為可能。這些特點顯示了 神經網絡在解決高度非線性和嚴重不確定性系統(tǒng)的控制方面具有很大潛力。將神經網 絡引入控制

12、系統(tǒng)是控制學科發(fā)展的必然趨勢， 它的引入不僅為這一領域的突破帶來了 生機，同時也給控制研究帶來了許多亟待解決的問題。 1、神經網絡的發(fā)展簡史 神經網絡控制系統(tǒng)是將人工神經網絡與控制理論相結合而發(fā)展起來的自動控制 領域的前沿學科之一，是智能控制的一個重要分支。神經網絡的研究始于20世紀60 年代，I960年，B.Widrow 和 M.E.Hoff首先把 ANN 用于控制系統(tǒng)；B.Kilmer和 W.S.McCulloch提出了 KMB神經網絡模型，并在“阿波羅”登月計劃中應用，取得 良好效果；1964年，B.Widrow等用ANN對小車倒立擺系統(tǒng)控制取得了成功。但之 后神經網絡控制的研究隨著 A

13、NN研究處于低谷。20世紀80年代后期，又重新受到 重視，在神經網絡自適應控制方法上發(fā)展迅速。 目前，應用已很快滲透到智能控制等 領域，并取得了很大的進展。 2、神經網絡與其他算法相結合 將神經網絡與其他算法的結合，可以達到優(yōu)化組合的目的，利于人工神經網絡在 智能控制方向的運用。神經網絡與專家系統(tǒng)、模糊邏輯、遺傳算法、小波神經、混沌 理論等相結合用于智能控制，可為系統(tǒng)提供非參數(shù)模型、控制器模型等。 (1) 人工神經網絡與模糊理論相結合 人工神經網絡與模糊控制相結合，為模糊控制提供了良好的學習功能，并自動生 成模糊控制規(guī)則。人工神經網絡由于其仿生特性，更能有效利用系統(tǒng)本身的信息，并 能映射任意函

14、數(shù)關系，而且還具有并行處理和自學習能力；此外，它容錯能力也很強。 因此，將二者結合可實現(xiàn)互補，構成良好的智能控制系統(tǒng)。在實際應用中，最著名的 科技成果就是20世紀90年代，日本松下公司推出了神經模糊控制全自動洗衣機。這 是一個具有重要實踐意義的發(fā)展。 目前，模糊神經網絡主要有三種結構: A :神經一一模糊系統(tǒng)?；谀：碚?，利用神經網絡作為構造和學習工具，可 解決隸屬度最優(yōu)設計、知識自動獲取等問題。 B :模糊一一神經系統(tǒng)?；谏窠浘W絡，利用模糊邏輯改造神經網絡，可改善神 經網絡結構的可修正性。 C:模糊神經混雜系統(tǒng)。將兩者并列形成混雜系統(tǒng)。模糊推理與神經網絡各自獨 立工作，分別完成系統(tǒng)不同的

15、功能。 (2) 人工神經網絡與遺傳算法的結合 在神經網絡結構中研究和應用最多的是多層前向網絡，但它存在缺陷，在較多局 部極小情況下很容易陷入局部極小點，且不可避免地存在學習精度與學習速度的矛 盾。而遺傳算法是力求充分模仿自然生物進化的自然尋優(yōu)過程的隨機性、魯棒性和全 局性，這是一種新的全局優(yōu)化搜索算法，因為其直接對結構對象進行操作，不存在求 異和函數(shù)連續(xù)性的限定，魯棒性強，具有隨機性和全局性，適于并行處理。也因此應 用范圍較廣。 遺傳算法用于神經網絡主要是用遺傳算法學習神經網絡的權重和學習神經網絡 的拓撲結構，而最主要的是學習神經網絡的權重， 也就是用遺傳算法來取代一些傳統(tǒng) 的學習算法。 （3

16、）人工神經網絡和專家系統(tǒng)的結合 專家系統(tǒng)在表達知識和邏輯推理方面有較強的優(yōu)勢，而神經網絡長于非線性映射 和直覺推理，將兩者相結合發(fā)揮各自的優(yōu)勢，會獲得更好的控制效果。神經網絡在知 識獲取的過程中，只要求專家系統(tǒng)提供范例及相應的解， 就能通過特定的學習算法對 樣本進行學習，通過網絡內部自適應算法對連接權值分布不斷的修改以達到性能要 求，并把專家求解實際問題的啟發(fā)式知識和經驗分布到網絡的互連及權值的分布上。 3、神經網絡控制在城市交通中的應用 根據城市交叉口交通流的特點，采用了一種交叉口多相位控制算法， 綜合考慮相 鄰車道上的車隊長度，利用多層 BP神經網絡實現(xiàn)了道路交叉口多相位模糊控制。仿 真結

17、果表明，文中所設計的模糊神經網絡控制器能有效地減少單交岔口平均車輛延 誤，具有較強的學習和泛化能力，是實現(xiàn)交通系統(tǒng)智能控制的一條新途徑。 （1）該控制算法描述為: 步驟I從i相位開始，分別指定各相位的最短綠燈時間 tmin和最大綠燈時間timax ； 步驟2先給該相位以最短綠燈時間t t tmin ； 步驟3測得放行車道的車隊長度，設其為li ； 步驟4若li為Oli 0， 或累積綠燈時間titimax，則將綠燈轉到下一相位，回到步驟 1,否則繼續(xù); 步驟5根據li及l(fā)i值的大小來確定綠燈延長時間t， 這可以根據交警的經驗及 交叉口的幾何形狀建立模糊控制規(guī)則。設延長的綠燈時間為 t，若 tit

18、 timax，則 t timax ti，否則ti tti，回到步驟3。 （2）模糊控制器設計: A :兩檢測器之間的車輛數(shù) I，隊長之差為Q，綠燈追加時間t的模糊化.I 模糊變量論域為：1,3,5,7,9,11,13,15,17取7個語言值：li（很少），（少），（較少）， l4（一些），|5（較多），|6（多），|7（很多）。Q模糊變量論域為: 9, 6, 3,0,3,6,9， 取5個語言值：Q1（負大）， Q2（負?。?Q3（零）,Q4（正?。?Q5（正大）。綠燈追加 時間t也被看作模糊變量, 其論域 36,9,12,15,18,21,24,27 ，取 7 個語 言值： tl（很少），t2

19、（少 ），t3（較少）， t4（適中），t5（多），t6（較多），t7 （很多）0 模糊條件語句構成: if l C: is la a nd Q is Qbthe ntis tc o a,c 1,2,.7 ,b 1,2,.5 模糊判決（去模糊化）文中采用的模糊判決為最大隸屬度原則法。 模糊控制器的 BP神經網絡實現(xiàn) 模糊模型可以用三個 BP（誤差反傳）神經網絡來實現(xiàn)。 神經網絡示意圖如圖 1所示。 t神經 !網絡 0 O !神經 I網絡 I II O. 8 o 第一部分 -G 第二部分 *o 神經 網絡III 圖1模糊神經網絡控制器結構示意圖 神經網絡I、 II分別用于生成 l和t的隸屬函數(shù)。

20、神經網絡m用于產生綠燈 sigmoid 函數(shù), 追加時間輸出.神經網絡采用典型神經元，其輸入、輸出關系為 Si xi 值。 式中：V為神經元的輸出；xi為神經元的輸入; i為Xi的權系數(shù); 為閾 (4)算法實現(xiàn) 對于輸入樣本, L層單元節(jié)點j的輸人為: 單元節(jié)點 權值ij L (k) j的輸出: k的修正量: Oj L O.L 1 k ji y0 jL k 1 exp nj L ij .L 1 ij k Oi 閾值jL k的修正量 該方法針對交通系統(tǒng)難以用數(shù)學模型準確建模, 進而實施優(yōu)化控制的特點, 提出了一種神經網絡模糊控制方法。神經網路控制與模糊控制有效的結合起來 構成的神經網路模糊控制具

21、有較強的實用性，不但不需要被控對象精確的數(shù)學 模型，而且可以對前提隸屬函數(shù)和控制規(guī)則進行在線學習調整，不斷提高自身 的適應性、特別適合于系統(tǒng)結構異常復雜、非線性、大時滯、干擾大的交通系 統(tǒng)，為實現(xiàn)交通系統(tǒng)智能化開辟了一條新途徑。 該例證明了神經網絡之所以現(xiàn)在又成為研究熱點，很大程度上是由于與之 交叉的模糊神經網絡技術的注入，它把模糊邏輯系統(tǒng)與神經網絡系統(tǒng)相結合, 形成一個共生互補系統(tǒng)。神經網絡的關鍵特性和基本限制是神經網絡表示的信 息是隱含的，如果要完全理解它幾乎是不可能的，而安排它的權值是它工作得 如何的關鍵，然而卻又無法知道權值和理解神經網絡在做什么。而模糊系統(tǒng)并 不像神經網絡系統(tǒng)那樣，它

22、所具有的“知識”可通過該領域的專家提供，但模 糊邏輯控制規(guī)則是靠人的直覺經驗制定的，它本身并不具有學習能力。模糊控 制規(guī)則越多，控制運算的實時性越差，而且需要識別和建立規(guī)則的時間隨規(guī)則數(shù)的增加而按指數(shù)形式增加，這大大限制了模糊邏輯的應用范圍。 由此可知，模糊邏輯技術與神經網絡技術各有所長和局限性，如果把二者 結合起來，就能各取所長、共生互補，組成性能更好的系統(tǒng)。這實際上是人類 大腦結構和功能的模擬 大腦神經網絡“硬件”拓撲結構 +信息模糊處理“軟 件”的思維功能。 4、神經網絡在智能控制領域的應用概述 神經網絡由于其獨特的仿生結構模型和固有的非線性模擬能力，以及高度 的自適應和容錯特性等突出特

23、征，在智能控制領域中獲得了廣泛的應用，已取 得了許多成果。這種應用幾乎覆蓋了智能控制理論研究中的絕大多數(shù)問題，應 用形式主要有：機器學習、自然語言理解、計算機視覺、圖像分割、系統(tǒng)建模 和辨別等。 在20世紀60年代，專家們就提出了一種算法，利用這種算法，神經網絡 可以成功地學會平衡一個干擾抑制器。利用神經網絡技術，控制系統(tǒng)能夠執(zhí)行 傳感器表面一個圖像傳感器的反饋控制和圖像平面非線性關系的計算，并能把 圖像傳感器瞄準到正在運動的指定目標上。顯然，這種技術可以應用到機器人 的攝像機控制，而且還可以應用到諸如火控裝置等武器系統(tǒng)中。神經網絡還被 應用于飛機的智能控制、機器人控制等方面。 5、神經網絡在

24、智能控制領域的發(fā)展趨勢 神經網絡在智能控制領域中的研究取得了巨大的進展。 可是人們對生物神經系統(tǒng) 的了解還很少，神經網絡模型無論從結構還是網絡規(guī)模， 都是真實神經網絡的極簡單 的模擬，所以神經網絡控制的研究、應用大都停留在仿真和實驗室研究階段， 與大規(guī) 模的工業(yè)運用還有相當長的距離。 從總體上來看，今后的研究應致力于以下幾方面: (1)基礎理論研究：包括神經網絡的層數(shù)、單元數(shù)隱層神經元數(shù)量的確定、激發(fā) 函數(shù)的類型、逼近精度與擬逼近非線性映射之間的關系，持續(xù)激勵與收斂等； 研究專門適合于智能控制問題的動態(tài)神經網絡模型，解決相應產生的對動態(tài) 網絡的逼近能力與學習算法問題； (3)不同結構神經網絡與

25、之相對應的算法的研究，及算法快速收斂性的研究；神 經網絡軟件模擬、硬件實現(xiàn)的研究； （4）人工神經網絡與遺傳算法、模糊理論等多種理論、控制算法的結合運用研究。 人工神經網絡的本質特性提供了其在智能控制領域中的廣泛應用前景。隨著科技的發(fā) 展，人們對生物神經系統(tǒng)的深入認識和理解， 作為模擬生物神經網絡的人工神經網絡 的觸角必將伸向智能控制領域各個方向，極大的促進智能控制的快速發(fā)展。 4智能控制的應用 現(xiàn)有的智能控制系統(tǒng)包括遞階控制系統(tǒng)、 專家控制系統(tǒng)、模糊控制系統(tǒng)、神經控 制系統(tǒng)和學習控制系統(tǒng)；此外，還提出了擬人控制系統(tǒng)、進化控制系統(tǒng)、免疫控制系 統(tǒng)等。這些系統(tǒng)都有其構成原理、體系結構和特性分析或

26、算法等；這些系統(tǒng)也在不同 的程度上得到應用。 F面簡介幾個智能控制的主要應用: 1、智能機器人規(guī)劃與控制 隨著機器人技術的迅速發(fā)展和自動化程度的進一步提高，已對機器人的功能提出 更高的要求，特別需要各種不同程度智能的機器人。機器人研究者們所關心的主要研 究方向之一是機器人運動的規(guī)劃與控制。 給出一個規(guī)定的任務之后，首先必須做出滿 足該任務要求的運動規(guī)劃；然后，這個規(guī)劃再由控制來執(zhí)行，該控制足以使機器人適 當?shù)禺a生所期望的運動。 2、生產過程的智能監(jiān)控 許多工業(yè)連續(xù)生產線，如軋鋼、化工、煉油、材料加工、造紙和核反應等，其生 產過程需要監(jiān)視和控制，以保證高性能和高可靠性。為保持物理參數(shù)具有一定的精

27、度, 確保產品的優(yōu)質高產，已在一些連續(xù)生產線或工業(yè)裝置上采用了有效的智能控制模 式。例如，旋轉水泥窯的模糊控制、軋鋼機的神經控制、分布式材料加工系統(tǒng)、分級 智能材料處理、智能PH值過程控制、工業(yè)鍋爐的遞階智能控制以及基于知識的核反 器控制等。 3、自動加工系統(tǒng)的智能控制 計算機集成加工系統(tǒng)（CIMS）和柔性加工系統(tǒng)（FMS）在近年來獲得迅速發(fā)展。在一 個復雜的加工過程中，不同條件下的多種操作是必要的，以求保證產品質量。環(huán)境的 不確定性以及系統(tǒng)硬件和軟件的復雜性，向當代控制工程師們設計和實現(xiàn)有效的集成 控制系統(tǒng)如焊接過程的模糊控制、汽車工業(yè)生產過程的神經控制、數(shù)控機床加工智能 控制等提出了挑戰(zhàn)。

28、 4、智能故障檢測與診斷 故障檢測和診斷與過程監(jiān)控密切相關。一個高級的過程控制系統(tǒng)應當具有故障自 動檢測和自診斷能力，以保證系統(tǒng)工作的高度可靠性。 許多高級的醫(yī)療診斷系統(tǒng)也是智能故障診斷系統(tǒng)。所有智能故障檢測與診斷 (IFDD)系統(tǒng)的一般任務是根據已觀察到的狀況、領域知識和經驗，推斷出系統(tǒng)、部件 或器官的故障原因，以便盡可能及時發(fā)現(xiàn)和排除故障，以提高系統(tǒng)或裝備的可靠性。 生產過程故障診斷系統(tǒng)能夠了解各部分的特性以及這些特性間的關系，為用戶提供檢 測數(shù)據，并盡可能正確地從不確定信息中做出診斷結論。智能故障檢測與診斷系統(tǒng)是 一個問題求解的計算機系統(tǒng)，也是一種智能控制系統(tǒng)。典型的 IFDD系統(tǒng)有太空站熱 過程控制系統(tǒng)的故障診斷、火電站鍋爐給水過程控制系統(tǒng)的故障檢測與診斷和雷達故 障診斷專家系統(tǒng)等。 5、飛行器的智能控制 飛行過程控制一直是自動控制的重要應用研究領域之一。大多數(shù)商用飛機都裝備 有可供選擇的自動降落系統(tǒng)的自動駕駛儀。 一種基于神經網絡的飛行控制器能夠處理 紊流和其他可能出現(xiàn)的非線性控制情況。神經網絡能夠較好地處理各種非線性或未識 別線性關系，而這些關系往往是駕駛員可能運用的。 神經網絡在原則上能夠產生從一 個大的變量集合(如傳感器參量)到另一個變量集合(如操作模式或控制動作)的映射。 自20世紀80年代以來，智能控制已被應用于飛行過程控制，尤其是飛機的俯傾