神经网络及智能控制技术

四、神经网络控制的实现⑴
神经控制是数字控制，用数字量实现对被控对象的控制，讨论连续对象 用数字计算机实现的神经控制问题。
1. 神经控制系统的组成
硬件
以单输入输出系统为例，见图：① 连续被控对象 ② 神经控制器 ③ 模拟输入通道 ④ 模拟输出通道 ⑤ 实时时钟
实时时钟
r (t )
e(t )
采样 开关 A/D 神经控制器 D/A 保持器
r e
控制器
u
对象

y
－
图 4-2-1 闭环控制系统框图
三、神经网络控制的设计⑵
2．不确定、不确知系统与环境 对处于不确定、不确知环境中的复杂的非线性不确定、不确知系统 的设计问题，是控制领域研究的核心问题。神经控制是解决问题的一条 途径。 在已知被控对象的一些先验知识情况下： ⑴由神经网络做辨识器，在线识别对象模型，由于网络的学习能力， 辨识器的参数可随着对象、环境的变化而自适应的改变。 ⑵由神经网络做控制器，其性能随着对象、环境的变化而自适应的 改变（通过神经辨识器）。
否 采 样 ? 控 制 子 程 序 控制算法 是 数据采集
t1 t2 t3
Hale Waihona Puke Baidu
控制量的输出和存储
图 4-2-4
神经控制软件流程
四、神经网络控制的实现⑶
２. 实时控制
起 始
T 神经控制是实时控制，即，控制器要在采样周期 内 完成一个控制步的操作（程序实现）。 单输入单输出（SISO）系统，控制步的操作： （1）数据采集：需时t1 ；
u (t )
y (t )
对象 (过程)
模拟输入通道 模拟输出通道
图 4-2-3
神经控制系统硬件框图
四、神经网络控制的实现⑵
起 始
软件
主程序：初始化设置
① 主程序:功能是进行系统初 始化设置。 ② 控制子程序:实现神经控制 算法， 若既有辩识器又有控制器的控 制结构，则，神经控制算法包 括这两部分。
（2）由设计的控制规律求控制量，需时t 2 ；
主程序：初始化设置
否 采 样 ? 控 制 子 程 是 数据采集
t （3）控制量的输出和存储，需时 3 。
实时控制的条件为
t1
控制算法
T t 1 t 2 t 3
n
序
t2 t3
n 输入 n 输出（MIMO）系统，实时控制的条件为
T (t i1 t i 2 t i 3 )
⒈导师指导下的控制器
这种神经网络控制结构 的学习样本直接取自于专家 的控制经验。神经网络的输 入信号来自传感器的信息和 命令信号。神经网络的输出 就是系统的控制信号。
一旦神经网络的训练达到了能够充分描述人的控制行为，则网络 训练结束。神经网络控制器就可以直接投入实际系统的控制。这种控 制结构简单，控制成功的把握大。在功能上它能模拟人类的控制技巧， 同专家控制具有相当的功能，从获取知识的角度来看，神经网络更胜 一筹。这种控制器的缺陷是其网络的训练只涉及静态过程，缺乏在线 学习机制，且在网络训练时控制器不能投入实际运行。
第四章 神经网络与智能控制
对象
神经网络控制
神经网络控制 是将神经网络在相应的控制结构中做 控制器、辨识器 神经网络控制 主要是为解决复杂的非线性、不确定、不确知 系统，在不确定、不确知环境中的控制问题 神经网络控制 使控制系统稳定、鲁棒性好，具有要求的动态、 静态性能

引言
由于神经网络具有大规模并行性、冗余性、容错性、本 质的非线性及自组织、自学习、自适应能力，故已成功地应 用于许多不同的领域。如在最优化、模式识别、信号处理和 图像处理等领域首先取得了成功。神经网络理论的诞生同样 给不断面临着挑战的控制理论带来生机。控制理论在经历了 经典控制论、状态空间论、动态规划、最优控制等阶段以后， 随着被控对象变得越来越复杂、控制精度越来越高、对对象 和环境的知识知道甚少的情况下，智能控制理论和技术迅速 顺起。此外，在有众多不确定因素和难以确切描述的非线性 控制系统中，对控制的要求也越来越高，因此迫切希望新一 代的控制系统具有自适应自学习能力、良好的鲁棒性和实时 性、计算简单、柔性结构和自组织并行离散分布处理等智能 信息处理的能力。用神经网络构成的控制系统就是这样一代 新颖控制系统之一。
i 1
图 4-2-4
控制量的输出和存储
神经控制软件流程
五、神经网络控制器的分类
根据神经网络在控制器中的作用不同，神经网络在 控制系统设计中的应用一般分为两类，一类称神经控制， 它是以神经网络为基础而形成的独立智能控制系统；另 一类称为混合神经网络控制，它代表着那些利用神经网 络学习和优化能力来改善传统控制的现代控制方法，如 自适应神经控制等。目前神经控制器的分类还存在较大 的争议，没有一个统一的分类法。综合目前各国专家的 分类法，我们将一些典型的神经网络的控制结构和学习 方式归结为以下七类。
一、神经网络用于控制的优越性
⑴可以处理那些难以用模型或规则描述的过程或系统。 ⑵采用并行分布式信息处理方式，具有很强的容错性。
⑶神经网络是本质的非线性系统。 目前研究最多的神经网络模型是多层前向传播网络，它是 由大量具有S形曲线的非线性神经元组成的。 它可以实现任何非线性映射。 ⑷具有很强的信息综合能力。 它能够同时处理大量不同类型的输入，能解决输入信息 之间的互补性与冗余性问题，协调好互相矛盾的输入信息。 ⑸大规模集成电路技术的发展为神经网络的硬件实现提供了 技术手段，这使处理速度进一步提高，为神经网络的应用开 辟了广阔的前景。
⒉逆控制器
神经网络的训练目的就是为了 逼近此系统的逆动力学模型。
神经网络接受系统的被控状态信息，神经网络的输出与该被控 制系统的控制信号之差作为调整神经网络权系数的校正信号，并可 利用常规的BP学习算法及其改进的算法来进行控制网络的训练。一 旦训练成功，从理论上来看只要直接把神经网络控制器接到动力学 系统的控制端就可以实现无差跟踪控制，即要实现期望的控制输出 只要将此信息加到神经网络的输入端就可以了。
二、神经网络的逼近能力
前向传播神经网络若含有两个隐含层，且神经元 激励函数为单调的S型函数，则此神经网络能够得到 合适的逼近精度。
三、神经网络控制的设计⑴
1. 确定性系统与环境 （１）已知对象特性及外加扰动是确定性的，时不变的； （２）已知系统期望输出r，要求的性能指标。 控制系统的设计： 设计控制器，校正对象的特性，使控制系统达到要求的性 能指标，即，使控制系统在r作用下，由控制器给出的控制量u 作用于对象，使其输出y跟踪r 。 对于确定性系统与环境，选择某种控制结构，可设计出确 定参数的控制器。