第3章神经网络控制系统

e=yd-y=0
(3-4)
的过程，就是神经网络模拟g-1(·)的过程，它实际上
是对被控对象的一种求逆过程，由神经网络的学习算
法实现这一求逆过程，就是神经网络实现直接控制的
基本思想。
7
3.1.2 神经网络在控制中的主要作用 由于神经网络具有许多优异特性，所以决定了它
在控制系统中应用的多样性和灵活性。 为了研究神经网络控制的多种形式，先来给出神
由于人工智能中的新技术不断出现及其在智能控 制中的应用，神经网络必将在和其它新技术的相融合 中，在智能控制中发挥更大的作用。
9
神经网络控制主要是为了解决复杂的非线性、不
确定、不确知系统在不确定、不确知环境中的控制问
题，使控制系统稳定性好、鲁棒性强，具有满意的动
静态特性。为了达到要求的性能指标，处在不确定、
12
3.1.3 神经网络控制系统的分类 神经网络控制的结构和种类划分，根据不同观点
可以有不同的形式，目前尚无统一的分类标准。 1991 年 Werbos 将 神 经 网 络 控 制 划 分 为 学 习 控 制 、
直接逆动态控制、神经自适应控制、BTT控制和自适 应决策控制五类。
1992年Hunt等人发表长篇综述文章，将神经网络 控制结构分为监督控制、直接逆控制、模型参考控制、 内模控制、预测控制、系统辨识、最优决策控制、自 适应线性控制、增强学习控制、增益排队论及滤波和 预报等。
8
根据上述定义，可以将神经网络在控制中的作用 分为以下几种：
1．在基于精确模型的各种控制结构中充当对象的 模型；
2．在反馈控制系统中直接充当控制器的作用； 3．在传统控制系统中起优化计算作用； 4．在与其它智能控制方法和优化算法，如模糊控 制、专家控制及遗传算法等相融合中，为其提供非参 数化对象模型、优化参数、推理模型及故障诊断等。
经网络控制的定义，所谓神经网络控制，即基于神经 网络的控制或简称神经控制，是指在控制系统中采用 神经网络这一工具对难以精确描述的复杂的非线性对 象进行建模，或充当控制器，或优化计算，或进行推 理，或故障诊断等，以及同时兼有上述某些功能的适 应组合，将这样的系统统称为基于神经网络的控制系 统，称这种控制方式为神经网络控制。
y g[ f ( yd )]
（3-3）
显然，当f(·)=g-1(·)时，满足y=yd的要求。
6
由于要采用神经网络控制的被控对象一般是复 杂的且多具有不确定性，因此非线性函数g(·)是难以 建立的，可以利用神经网络具有逼近非线性函数的能 力来模拟g-1(·)，尽管g(·)的形式未知，但通过系统的 实际输出y与期望输出yd之间的误差来调整神经网络 中的连接权值，即让神经网络学习，直至误差
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，
就成了控制研究
领域的核心问题。
为了解决这类问
题，可以在系统
中设置两个神经
网络，如图3-2所示。
图3-2 神经网络控制系统
10
图中的神经网络NNI作为辨识器，由于神经网络 的学习能力，辨识器的参数可随着对象、环境的变化 而自适应地改变，故它可再线辨识非线性不确定、不 确知对象的模型。辨识的目的是根据系统所提供的测 量信息，在某种准则意义下估计出对象模型的结构和 参数。图中的神经网络NNC作为控制器，其性能随着 对象、环境的变化而自适应地改变（根据辨识器）。
11
在图3-2所示的系统中，对于神经控制系统的设计， 就是对神经辨识器NNI和神经控制器NNC结构（包括神 经网络种类、结构）的选择，以及在一定的准则函数 下，它们的权系数经由学习与训练，使之对应于不确 定、不确知系统与环境，最后使控制系统达到要求的 性能。由于该神经网络控制结构有两个神经网络，它 是在高维空间搜索寻优，网络训练时，可调参数多， 需调整的权值多，且收敛速度与所选的学习算法、初 始权值有关，因此系统设计有相当难度。除了设计者 所掌握的知识和经验外，还必须应用计算机硬件、软 件技术作为神经网络控制设计的工具。
13
上述两种分类并无本质差别，只是后者划分更细 一些，几乎涉及到传统控制、系统辨识。滤波和预报 等所有方面，这也间接地反映了随着神经网络理论和 应用研究的深入，将向控制领域、信息领域等进一步 渗透。
4
设被控制对象的输入u和系统输出y之间满足如下非
线性函数关系
y g(u)
（3-1）
控制的目的是确定最佳的控制量输入u，使系统的
实际输出y等于期望的输出yd。在该系统，可把神经 网络的功能看作输入输出的某种映射，或称函数变换
，并设它的函数关系为：
u f (yd )
（3-2）wenku.baidu.com
5
为了满足系统输出y等于期望的输出yd，将（3-2）式 代入（3-1）式，可得
第3章 神经网络控制系统
3.1 神经网络控制理论 3.2 基于Simulink的三种典型神经网络控制系统
1
神经网络发展至今已有半个多世纪的历史，概括 起来经历了三个阶段：20世纪4060年代的发展初期； 70年代的研究低潮期；80年代，神经网络的理论研究 取得了突破性进展。神经网络控制是将神经网络在相 应的控制系统结构中当做控制器或辨识器。神经网络 控制的发展，虽仅有十余年的历史，但已有了多种控 制结构。
2
3.1 神经网络控制理论
传统的基于模型的控制方式，是根据被控对象的 数学模型及对控制系统要求的性能指标来设计控制器， 并对控制规律加以数学解析描述；模糊控制是基于专 家经验和领域知识总结出若干条模糊控制规则，构成 描述具有不确定性复杂对象的模糊关系，通过被控系 统输出误差及误差变化和模糊关系的推理合成获得控 制量，从而对系统进行控制。这两种控制方式都具有 显式表达知识的特点，而神经网络不善于显式表达知 识，但是它具有很强的逼近非线性函数的能力，即非 线性映射能力。把神经网络用于控制正是利用它的这 个独特优点。
3
3.1.1 神经控制的基本原理
控制系统的目的在于通过确定适当的控制量输入， 使得系统获得期望的输出特性。图3-1(1)给出了一般 反馈控制系统 的原理图，其中图 3-1(2)采用神经网络 替代图1-1(1)中的 控制器，为了完成 同样的控制任务， 我们来分析一下神 经网络是如何工作 的。
图3-1 反馈控制与神经网络