基于神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng)

1、基于神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng)【摘要】介紹了神經(jīng)網(wǎng)絡(luò)的基本概念，論述了人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與發(fā)展，以及人工神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用現(xiàn)狀，分析了人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和監(jiān)視控制系統(tǒng)的原理，并闡述了幾種基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng), 最后展望了基于神經(jīng)網(wǎng)絡(luò)控制的發(fā)展方向?！娟P(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；控制系統(tǒng)；監(jiān)視控制系統(tǒng)；智能控制；應(yīng)用1引言神經(jīng)網(wǎng)絡(luò)控制是一種基本上不依賴于模型的控制方法，它適合于具有不確定性或高度非線性的控制對(duì)象，并具有較強(qiáng)的自適應(yīng)和自學(xué)習(xí)功能，因此是智能控制的一個(gè)重要分支領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)利用物理器件來(lái)模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能，具有并行和分布式的信息處理網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)一般由幾個(gè)神經(jīng)元組

2、成，每一個(gè)神經(jīng)元有一個(gè)單一的輸出，但可通過(guò)連接的很多其它神經(jīng)元，獲得有多個(gè)連接通道的輸入，每個(gè)連接通道對(duì)應(yīng)一個(gè)連接權(quán)系數(shù)。2人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與發(fā)展早在1943年，美國(guó)神經(jīng)生物學(xué)家W.S.McCul-loch就與數(shù)學(xué)家W.Pitts合作，采用數(shù)理模型的方法研究腦細(xì)胞的動(dòng)作和結(jié)構(gòu)，以及生物神經(jīng)元的一些基本生理特征，提出第一個(gè)神經(jīng)計(jì)算模型，即神經(jīng)元的閾值元件模型(MP模型)，并指出:即使是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，從原則上講也可以進(jìn)行任意算術(shù)或邏輯函數(shù)的計(jì)算。1949年，D.O.Hebb提出了改變神經(jīng)元連接強(qiáng)度的Hebb規(guī)則，其正確性30年后才得到證實(shí)，至今仍在各種神經(jīng)網(wǎng)絡(luò)模型中起著重要的作用。1957年

3、F.Rosenblatt提出并設(shè)計(jì)制作了著名的感知器(Perceptron)，從而掀起第一次研究神經(jīng)網(wǎng)絡(luò)的熱潮。1960年B.Windrow和M.E.Hoff提出自適應(yīng)線性單元(Adaline)網(wǎng)絡(luò)，這與當(dāng)時(shí)占主導(dǎo)地位的以順序離散符號(hào)推理為基本特征的AI途徑完全不同，因而引起人們的興趣，同時(shí)也引起符號(hào)主義與連接主義的爭(zhēng)論。1969年M.Minsky和S.Papert編寫了影響很大的Perceptron一書。在肯定感知器的研究?jī)r(jià)值的同時(shí)，指出感知器的局限性，在數(shù)學(xué)上證明了感知器不能解決XOR等線性不可分問(wèn)題。20世紀(jì)80年代以來(lái)，人工神經(jīng)網(wǎng)絡(luò)進(jìn)入一個(gè)高速發(fā)展的階段，Prigogine因提出非平衡

4、系統(tǒng)的自組織理論(耗散結(jié)構(gòu)理論)而獲得諾貝爾獎(jiǎng)；近年來(lái)廣泛研究的渾沌動(dòng)力學(xué)和奇異吸引子理論，則揭示了系統(tǒng)的復(fù)雜行為。1982年美國(guó)加州工學(xué)院物理學(xué)家J.J.Hopfield提出著名的Hopfield模型，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究。Hopfield通過(guò)引入“計(jì)算能量函數(shù)”的概念，給出網(wǎng)絡(luò)穩(wěn)定性判據(jù)。1984年Hopfield提出網(wǎng)絡(luò)模型實(shí)現(xiàn)的電子電路，為神經(jīng)網(wǎng)絡(luò)的工程實(shí)現(xiàn)指明了方向。1985年Hinton和Sejnowski將模擬退火算法引入到神經(jīng)網(wǎng)絡(luò)中，提出Boltzmann機(jī)模型，為神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算提供了一個(gè)有效方法。D.E.Rumelhart和J.L.McClelland等人提出的PDP

5、(并行分布處理理論)，致力于認(rèn)知微觀結(jié)構(gòu)的探索；1986年提出了多層網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法(BP算法)，把學(xué)習(xí)結(jié)果反饋到中間層次的隱單元，改變它們的聯(lián)系矩陣，從而達(dá)到預(yù)期的學(xué)習(xí)目的，迄今為止仍是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。進(jìn)入20世紀(jì)90年代以來(lái)，神經(jīng)網(wǎng)絡(luò)的研究已進(jìn)入相對(duì)平穩(wěn)的發(fā)展時(shí)期，許多理論得到了進(jìn)一步的證實(shí)、補(bǔ)充與發(fā)展。同時(shí)神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究得以廣泛開展，應(yīng)用的領(lǐng)域也不斷擴(kuò)大。神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到各個(gè)領(lǐng)域，并在智能控制、模式識(shí)別、計(jì)算機(jī)視覺、自適應(yīng)濾波和信號(hào)處理、非線性優(yōu)化、自動(dòng)目標(biāo)識(shí)別、連續(xù)語(yǔ)音識(shí)別、聲納信號(hào)的處理、知識(shí)處理、傳感技術(shù)與機(jī)器人、生物醫(yī)學(xué)工程等方面，都取得很大的進(jìn)展。3

6、人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似，主要從兩個(gè)方面進(jìn)行模擬:一個(gè)是結(jié)構(gòu)和實(shí)現(xiàn)機(jī)理方面，它涉及到生物學(xué)、生理學(xué)、心理學(xué)、物理及化學(xué)等許多基礎(chǔ)學(xué)科。由于生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和機(jī)理非常復(fù)雜，現(xiàn)在從這方面模擬還僅在嘗試1；另一個(gè)是功能方面，即盡量使人工神經(jīng)網(wǎng)絡(luò)具有生物神經(jīng)網(wǎng)絡(luò)的某些功能特性，如學(xué)習(xí)、識(shí)別、控制等。目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)均是對(duì)功能方面的模擬。神經(jīng)網(wǎng)絡(luò)有以下一些特點(diǎn)。(1) 具有自適應(yīng)功能：主要是根據(jù)所提供的數(shù)據(jù)，通過(guò)學(xué)習(xí)和訓(xùn)練，找出和輸出之間的內(nèi)在聯(lián)系，從而求得問(wèn)題的解答，而不是依靠對(duì)問(wèn)題的經(jīng)驗(yàn)知識(shí)和規(guī)則，因而具有良好的自適應(yīng)性。(2) 具有泛化功能：能夠處理那些不經(jīng)

7、訓(xùn)練過(guò)的數(shù)據(jù)，而獲得相應(yīng)于這些數(shù)據(jù)的合適的解答；也能處理那些有噪聲或不完全的數(shù)據(jù)，從而顯示了很好的容錯(cuò)能力。(3) 非線性映射功能：現(xiàn)實(shí)的問(wèn)題非常復(fù)雜，各因素間互相影響，呈現(xiàn)出復(fù)雜的非線性關(guān)系，神經(jīng)元網(wǎng)絡(luò)為處理這些問(wèn)題提供了有用的工具。(4) 高度并行處理信息：此特點(diǎn)使用硬件實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)的處理速度遠(yuǎn)遠(yuǎn)高于普通計(jì)算機(jī)。3.1高度的并行性人工神經(jīng)網(wǎng)絡(luò)是由許多相同的簡(jiǎn)單處理單元并聯(lián)組合而成，大量簡(jiǎn)單處理單元的并行活動(dòng)，使其處理信息的能力大大提高。3.2高度的非線性全局作用人工神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元接受大量其他神經(jīng)元的輸入，并通過(guò)并行網(wǎng)絡(luò)產(chǎn)生輸出，影響其他神經(jīng)元。網(wǎng)絡(luò)之間的這種相互制約和影響，實(shí)現(xiàn)了從

8、輸入狀態(tài)到輸出狀態(tài)空間的非線性映射。從全局的觀點(diǎn)來(lái)看，網(wǎng)絡(luò)整體性能不是網(wǎng)絡(luò)局部性能的簡(jiǎn)單疊加，而是表現(xiàn)出某種集體性行為。3.3良好的容錯(cuò)性和聯(lián)想記憶功能人工神經(jīng)網(wǎng)絡(luò)通過(guò)自身的網(wǎng)絡(luò)結(jié)構(gòu)能夠?qū)崿F(xiàn)對(duì)信息的記憶，所記憶的信息以分布式存儲(chǔ)在神經(jīng)元之間的權(quán)值中，使得網(wǎng)絡(luò)具有良好的容錯(cuò)性，并能進(jìn)行聚類分析、特征提取、模式復(fù)原等模式信息處理工作，又宜于做模式分類、模式聯(lián)想等模式識(shí)別工作。人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)訓(xùn)練和學(xué)習(xí)來(lái)獲得網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)，呈現(xiàn)出很強(qiáng)的自學(xué)能力和對(duì)環(huán)境的自適應(yīng)能力，便于現(xiàn)有計(jì)算機(jī)技術(shù)虛擬實(shí)現(xiàn)。4人工神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用神經(jīng)網(wǎng)絡(luò)控制的研究始于20世紀(jì)60年代。1960年，Widrow和Ho

9、ff首先將神經(jīng)網(wǎng)絡(luò)運(yùn)用于控制系統(tǒng)。Kilmer和McCulloch提出了KMB神經(jīng)網(wǎng)絡(luò)模型，并在“阿波羅”登月計(jì)劃中的應(yīng)用取得良好的效果。1964年，widrow等用神經(jīng)網(wǎng)絡(luò)對(duì)小車倒立擺系統(tǒng)控制取得成功。神經(jīng)網(wǎng)絡(luò)控制可以分為監(jiān)視控制、逆控制、神經(jīng)適應(yīng)控制、實(shí)用反向傳播控制和適應(yīng)評(píng)價(jià)控制等。在智能控制系統(tǒng)中，最重要的是和知識(shí)基有關(guān)的推理機(jī)型，以及隨環(huán)境變化的適應(yīng)能力。一般而言，推理是以符號(hào)為元素執(zhí)行的，而客觀世界中的信號(hào)是數(shù)值，為了理解過(guò)程的狀態(tài)，需要實(shí)施數(shù)值數(shù)據(jù)到符號(hào)數(shù)據(jù)的映射，這就要把數(shù)值數(shù)據(jù)進(jìn)行分類。另外，對(duì)過(guò)程的控制需要自適應(yīng)控制器。神經(jīng)網(wǎng)絡(luò)的分類功能和學(xué)習(xí)能力可以使其有效地用于智能控制

10、系統(tǒng)，神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)是“物盡其用”的必然結(jié)果。IEEE神經(jīng)網(wǎng)絡(luò)協(xié)會(huì)出版刊物主席ToshioFukuda教授和神經(jīng)計(jì)算應(yīng)用手冊(cè)的作者P.J.Werbos把神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)分為5大類:一是監(jiān)視控制；二是逆控制；三是神經(jīng)適應(yīng)控制；四是實(shí)用反問(wèn)傳播控制；五是適應(yīng)評(píng)價(jià)控制。根據(jù)劃分情況，神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)有5類不同的結(jié)構(gòu)，而且神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的位置和功能有所不同，學(xué)習(xí)方法也不盡相同。5基于神經(jīng)網(wǎng)絡(luò)的幾種控制系統(tǒng)有關(guān)神經(jīng)網(wǎng)絡(luò)控制方法與結(jié)構(gòu)的文獻(xiàn)很多，分類方法也很多，但典型的控制結(jié)構(gòu)應(yīng)包括:神經(jīng)網(wǎng)絡(luò)監(jiān)督控制(或稱神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制)；神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制(自校正、模型參考控制，含直接與間接自適應(yīng)控制)；

11、神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂疲簧窠?jīng)網(wǎng)絡(luò)自適應(yīng)評(píng)判控制(或稱神經(jīng)網(wǎng)絡(luò)再勵(lì)控制)等。神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)方案的研究，構(gòu)成了神經(jīng)網(wǎng)絡(luò)控制方法的設(shè)計(jì)基礎(chǔ)。具有代表性的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)有:全局逼近、局部逼近和模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)。5.1基于全局逼近神經(jīng)網(wǎng)絡(luò)的控制全局逼近網(wǎng)絡(luò)是在整個(gè)權(quán)空間上對(duì)誤差超曲面的逼近，故對(duì)輸入空間中的任意一點(diǎn)，任意一個(gè)或多個(gè)連接權(quán)的變化都會(huì)影響到整個(gè)網(wǎng)絡(luò)的輸出，其泛化能力遍及全空間，如BP網(wǎng)絡(luò)等。由于在全局逼近網(wǎng)絡(luò)中，每一個(gè)訓(xùn)練樣本都會(huì)使所有連接權(quán)發(fā)生變化，這就使響應(yīng)的收斂速度極其緩慢。當(dāng)網(wǎng)絡(luò)規(guī)模較大時(shí)，這一特點(diǎn)使其實(shí)際上難以在線應(yīng)用。利用全局逼近神經(jīng)網(wǎng)絡(luò)的異步自學(xué)習(xí)控制系統(tǒng)如圖1所示。圖1基于

12、全局逼近式神經(jīng)網(wǎng)絡(luò)異步自學(xué)習(xí)控制系統(tǒng)由于神經(jīng)網(wǎng)絡(luò)控制器實(shí)際上是一個(gè)非線性控制器，因此一般難以對(duì)其進(jìn)行穩(wěn)定性分析。全局逼近網(wǎng)絡(luò)在控制系統(tǒng)中的作用，主要體現(xiàn)在兩個(gè)方面:提供一個(gè)類似于傳統(tǒng)控制器的神經(jīng)網(wǎng)絡(luò)控制器；為神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行在線學(xué)習(xí)，提供性能指標(biāo)關(guān)于控制誤差梯度的反向傳播通道，如建立被控對(duì)象的正向網(wǎng)絡(luò)模型等。此外，結(jié)合穩(wěn)定性分析，對(duì)神經(jīng)網(wǎng)絡(luò)的控制結(jié)構(gòu)方案進(jìn)行特別設(shè)計(jì)，還可以為分析復(fù)雜問(wèn)題提供一個(gè)有效的解決途徑。5.2基于局部逼近神經(jīng)網(wǎng)絡(luò)的控制局部逼近網(wǎng)絡(luò)只是對(duì)輸入空間一個(gè)局部鄰域中的點(diǎn)，才有少數(shù)相關(guān)連接權(quán)發(fā)生變化，如CMAC、RBF和FLN網(wǎng)絡(luò)等。由于在每次訓(xùn)練中只是修正少量連接權(quán)，而且可修

13、正的連接權(quán)是線性的，因此其學(xué)習(xí)速度極快，并且可保證全空間上誤差全平面的全局收斂特性可以實(shí)時(shí)應(yīng)用。其不足之處是采用間斷超平面對(duì)非線性超曲面的逼近，可能精度不夠，同時(shí)也得不到相應(yīng)的導(dǎo)數(shù)估計(jì)；采用高階B樣條的BMAC控制，則部分彌補(bǔ)了CMAC的不足，但計(jì)算量略有增加；基于高斯徑向函數(shù)(RBF)的直接自適應(yīng)控制，是有關(guān)非線性動(dòng)態(tài)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制方法中，較為系統(tǒng)且逼近精度最高的一種方法，但它需要的固定或可調(diào)連接權(quán)太多，且RBF的計(jì)算也太多，利用目前的串行計(jì)算機(jī)仿真實(shí)現(xiàn)時(shí)，計(jì)算量與內(nèi)存過(guò)大，很難實(shí)時(shí)實(shí)現(xiàn)。5.3模糊神經(jīng)網(wǎng)絡(luò)控制模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的基本思路是:利用模糊box分割問(wèn)題空間，使每個(gè)模糊box

14、不僅具有CEN給出的評(píng)分，含有作為控制作用的輸出語(yǔ)言變量，而且整個(gè)模糊box還隱含定義了模糊規(guī)則庫(kù)。模糊神經(jīng)網(wǎng)絡(luò)主要有三種結(jié)構(gòu):輸入信號(hào)為普通變量，連接權(quán)為模糊變量；輸入信號(hào)為模糊變量，連接權(quán)為普通變量；!輸入信號(hào)與連接權(quán)均為模糊變量。它們還可根據(jù)網(wǎng)型及學(xué)習(xí)算法中的點(diǎn)積運(yùn)算是使用模糊邏輯運(yùn)算，還是使用模糊算術(shù)運(yùn)算，分成常規(guī)和混合型模糊神經(jīng)網(wǎng)絡(luò)。6人工神經(jīng)網(wǎng)絡(luò)的發(fā)展方向人工神經(jīng)網(wǎng)絡(luò)控制的研究，無(wú)論從理論上還是從應(yīng)用上目前都取得了很大進(jìn)展，但是，離模擬真實(shí)的生物神經(jīng)系統(tǒng)還相距甚遠(yuǎn)，所使用的形式神經(jīng)網(wǎng)絡(luò)模型無(wú)論從結(jié)構(gòu)還是網(wǎng)絡(luò)規(guī)模上，都是真實(shí)神經(jīng)網(wǎng)絡(luò)的極簡(jiǎn)單模擬，因此神經(jīng)網(wǎng)絡(luò)控制的研究還非常原始，結(jié)果也大都停留在仿真或?qū)嶒?yàn)室研究階段，完整、系統(tǒng)的理論體系，大量艱難而富有挑戰(zhàn)性的理論問(wèn)題尚未解決。從總體上來(lái)看，今后的研究應(yīng)致力于以下幾方面:基礎(chǔ)理論研究，包括神經(jīng)網(wǎng)絡(luò)的統(tǒng)一模型與通用學(xué)習(xí)算法，網(wǎng)絡(luò)的層數(shù)、單元數(shù)、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(guān)系，持續(xù)激勵(lì)與收斂，神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的穩(wěn)定性、能控性、能觀性及魯棒性等；研究專門適合于控制問(wèn)題的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型，解決相應(yīng)產(chǎn)生的對(duì)動(dòng)態(tài)網(wǎng)絡(luò)的逼近能力與學(xué)習(xí)算法問(wèn)題；神經(jīng)網(wǎng)絡(luò)控制算法的研究，特別是適合于神經(jīng)網(wǎng)絡(luò)分布式并行計(jì)算特點(diǎn)的快速學(xué)習(xí)算法；對(duì)成熟的網(wǎng)絡(luò)模型與學(xué)習(xí)算法，研究相應(yīng)的神經(jīng)網(wǎng)絡(luò)控制專用芯片。參考文獻(xiàn)1