第章新型控制策略

第6章新型控制策略

為什么提出新型控制策略？

一方面，以PID為核心的傳統(tǒng)控制方式是一種基于被控對(duì)象的精確數(shù)學(xué)模型的控制方式。

另一方面，隨著工業(yè)生產(chǎn)的飛速發(fā)展，被控對(duì)象越來(lái)越復(fù)雜，難以用精確的數(shù)學(xué)模型描述。

顯然，傳統(tǒng)控制技術(shù)難以解決上述現(xiàn)實(shí)問(wèn)題。因此，提出新型控制策略。

本部分主要介紹模糊控制技術(shù)、神經(jīng)網(wǎng)絡(luò)控制技術(shù)、預(yù)測(cè)控制、最優(yōu)控制、自適應(yīng)控制等智能控制或先進(jìn)控制技術(shù)，用來(lái)解決那些使用傳統(tǒng)控制方法難以解決的復(fù)雜對(duì)象、復(fù)雜環(huán)境、復(fù)雜任務(wù)的控制問(wèn)題。我們主要介紹神經(jīng)網(wǎng)絡(luò)控制技術(shù)：

神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，

典型神經(jīng)網(wǎng)絡(luò)，

神經(jīng)網(wǎng)絡(luò)控制。6.1神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)

人工神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)，artificialNeuralNetwork)是相對(duì)于生物學(xué)中所說(shuō)的生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)而言的。提出的目的就在于用一定的簡(jiǎn)單數(shù)學(xué)模型來(lái)對(duì)生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行描述，并在一定的算法指導(dǎo)前提下，使其能在某種程度上模擬生物神經(jīng)網(wǎng)絡(luò)所具有的智能行為，解決用傳統(tǒng)算法所不能勝任的智能信息處理問(wèn)題。神經(jīng)網(wǎng)絡(luò)控制是將神經(jīng)網(wǎng)絡(luò)與控制理論相結(jié)合而發(fā)展起來(lái)的智能控制方法。它已成為智能控制的一個(gè)新的分支，為解決復(fù)雜的非線(xiàn)性、不確定、不確知系統(tǒng)的控制問(wèn)題開(kāi)辟了新途徑。6.1.1神經(jīng)網(wǎng)絡(luò)發(fā)展簡(jiǎn)史神經(jīng)網(wǎng)絡(luò)研究始于1943年，至今已經(jīng)歷了50多年的漫長(zhǎng)歷程，并且不是從一開(kāi)始就受到廣泛關(guān)注的，而是經(jīng)歷了一條從興起到蕭條，又從蕭條到興盛的曲折發(fā)展道路。具體說(shuō)來(lái)，大致可為以下4個(gè)階段：2.低潮期（1969-1982年）受當(dāng)時(shí)神經(jīng)網(wǎng)絡(luò)理論研究水平的限制，加之受到馮·諾依曼式計(jì)算機(jī)發(fā)展的沖擊等因素的影響，神經(jīng)網(wǎng)絡(luò)的研究陷入低谷。但在美、日等國(guó)仍有少數(shù)學(xué)者繼續(xù)著網(wǎng)絡(luò)模型和學(xué)習(xí)算法的研究，提出了許多有意義的理論和方法。例如，1969年，Grossberg提出了至今為止最復(fù)雜的ART神經(jīng)網(wǎng)絡(luò)。1972年，Kohonen提出了自組織映射的SOM模型。3．復(fù)興期（1982-1986年）1982年，物理學(xué)家Hopfield提出了Hopfield神經(jīng)網(wǎng)絡(luò)模型，該模型通過(guò)引入能量函數(shù)，實(shí)現(xiàn)了問(wèn)題優(yōu)化求解，1984年他用此模型成功地解決了旅行商路徑優(yōu)化問(wèn)題(TSP)。這一成果的取得使神經(jīng)網(wǎng)絡(luò)的研究取得了突破性進(jìn)展。

1986年，在Rumelhart和McCelland提出了一種著名的多層神經(jīng)網(wǎng)絡(luò)模型，即BP網(wǎng)絡(luò)，該網(wǎng)絡(luò)是迄今為止應(yīng)用最普遍的神經(jīng)網(wǎng)絡(luò)。4．高潮時(shí)期(1986年至現(xiàn)在)神經(jīng)網(wǎng)絡(luò)從理論走向應(yīng)用領(lǐng)域，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)芯片和神經(jīng)計(jì)算機(jī)。神經(jīng)網(wǎng)絡(luò)逐漸在模式識(shí)別與圖像處理(語(yǔ)音、指紋、故障檢測(cè)和圖像壓縮等)、控制與優(yōu)化、預(yù)測(cè)與管理(市場(chǎng)預(yù)測(cè)、風(fēng)險(xiǎn)分析)、通信等領(lǐng)域得到成功的應(yīng)用。6.1.2神經(jīng)網(wǎng)絡(luò)原理

單個(gè)（生物）神經(jīng)元模型的示意圖如下圖所示。人腦大約包含1012個(gè)神經(jīng)元，分成約1000種類(lèi)型，每個(gè)神經(jīng)元與102-104個(gè)其他神經(jīng)元相連接，形成極為錯(cuò)綜復(fù)雜而又靈活多變的神經(jīng)網(wǎng)絡(luò)。每個(gè)神經(jīng)元雖然都十分簡(jiǎn)單，但是如此大量的神經(jīng)元之間、如此復(fù)雜的連接卻可以演化出豐富多彩的行為方式。神經(jīng)系統(tǒng)的基本構(gòu)造是神經(jīng)元（神經(jīng)細(xì)胞），它是處理人體內(nèi)各部分之間信息傳遞的基本單元。每個(gè)神經(jīng)元都由一個(gè)細(xì)胞體、一個(gè)連接其他神經(jīng)元的軸突和一些向外伸出的較短分支——樹(shù)突組成。軸突的功能是將本神經(jīng)元的輸出信號(hào)（興奮）傳遞給別的神經(jīng)元，其末端的許多神經(jīng)末梢使得興奮可以同時(shí)傳遞給多個(gè)神經(jīng)元。樹(shù)突的功能是接收來(lái)自其他神經(jīng)元的興奮。神經(jīng)元細(xì)胞體將接收到的所有信號(hào)進(jìn)行簡(jiǎn)單的處理，由軸突輸出。神經(jīng)元的軸突與另外神經(jīng)元相連的部分稱(chēng)為突觸。神經(jīng)元由由4部分分構(gòu)成：：(1)細(xì)細(xì)胞體體(主體體部分)：包括括細(xì)胞質(zhì)質(zhì)、細(xì)胞胞膜和細(xì)細(xì)胞核；；(2)樹(shù)樹(shù)突：：用于為為細(xì)胞體體傳入信信息；(3)軸軸突：：為細(xì)胞胞體傳出出信息，，其末端端是神經(jīng)經(jīng)末梢，，含傳遞遞信息的的化學(xué)物物質(zhì)；(4)突突觸：：是神經(jīng)經(jīng)元之間間的接口口(104一105個(gè)每神經(jīng)經(jīng)元)。。一個(gè)神神經(jīng)元通通過(guò)其軸軸突的神神經(jīng)未梢梢，經(jīng)突突觸與另另外一個(gè)個(gè)神經(jīng)元元的樹(shù)突突連接，，以實(shí)現(xiàn)現(xiàn)信息的的傳遞。。由于突突觸的信信息傳遞遞特性是是可變的的，隨著著神經(jīng)沖沖動(dòng)傳遞遞方式的的變化，，傳遞作作用強(qiáng)弱弱不同，，形成了了神經(jīng)元元之間連連接的柔柔性，稱(chēng)稱(chēng)為結(jié)構(gòu)的可可塑性。神經(jīng)元具具有如下下功能：：(1)興興奮奮與抑制制：如果傳入入神經(jīng)元元的沖動(dòng)動(dòng)經(jīng)整合后后使細(xì)胞胞膜電位位升高，，超過(guò)動(dòng)動(dòng)作電位位的閾值值時(shí)即為為興奮狀狀態(tài)，產(chǎn)生神神經(jīng)沖動(dòng)動(dòng)，由軸軸突經(jīng)神神經(jīng)未梢梢傳出。。如果傳入入神經(jīng)元元的沖動(dòng)動(dòng)經(jīng)整合后后使細(xì)胞胞膜電位位降低，，低于動(dòng)動(dòng)作電位位的閾值值時(shí)即為為抑制狀狀態(tài)，不不產(chǎn)生神神經(jīng)沖動(dòng)動(dòng)。(2)學(xué)學(xué)習(xí)習(xí)與遺忘忘：由于于神經(jīng)元元結(jié)構(gòu)的的可塑性性，突觸觸的傳遞遞作用可可增強(qiáng)和和減弱，，因此，，神經(jīng)元元具有學(xué)學(xué)習(xí)與遺遺忘的功功能。決定生物物神經(jīng)網(wǎng)網(wǎng)絡(luò)性能能的3大大要素為為：(1)神神經(jīng)元(信息處處理單元元)的特特性；(2)神神經(jīng)元之之間相互互連接的的形式-----拓?fù)鋼浣Y(jié)構(gòu)；(3)為為適應(yīng)環(huán)環(huán)境而改改善性能能的學(xué)習(xí)習(xí)規(guī)則。人工神經(jīng)經(jīng)網(wǎng)絡(luò)是以工程程技術(shù)手手段來(lái)模模擬人腦腦神經(jīng)元元網(wǎng)絡(luò)的的結(jié)構(gòu)與與特征的的系統(tǒng)。。利用人工工神經(jīng)元元可以構(gòu)構(gòu)成各種種不同拓拓?fù)浣Y(jié)構(gòu)構(gòu)的神經(jīng)經(jīng)網(wǎng)絡(luò)。。它是生物物神經(jīng)網(wǎng)網(wǎng)絡(luò)的一一種模擬擬和近似似，具有有學(xué)習(xí)、、識(shí)別、、控制等等功能。。就神經(jīng)網(wǎng)網(wǎng)絡(luò)的主主要連接接形式而而言，目目前已有有數(shù)十種種不同的的神經(jīng)網(wǎng)網(wǎng)絡(luò)模型型，其中中，前饋饋型網(wǎng)絡(luò)絡(luò)和反饋饋型網(wǎng)絡(luò)絡(luò)是兩種種典型的的結(jié)構(gòu)（（模型））。（人工））神經(jīng)網(wǎng)網(wǎng)絡(luò)的研研究主要要分為3個(gè)方面面的內(nèi)容容，即神神經(jīng)網(wǎng)絡(luò)絡(luò)模型、、神經(jīng)網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)和神經(jīng)經(jīng)網(wǎng)絡(luò)學(xué)學(xué)習(xí)算法法。神神經(jīng)網(wǎng)絡(luò)絡(luò)的結(jié)構(gòu)構(gòu)分類(lèi)根據(jù)神經(jīng)經(jīng)網(wǎng)絡(luò)的的連接方方式，神神經(jīng)網(wǎng)絡(luò)絡(luò)主要分分為2類(lèi)類(lèi)。前饋網(wǎng)絡(luò)絡(luò)圖6-2前前饋型神神經(jīng)網(wǎng)絡(luò)絡(luò)如圖6-2所示示，神經(jīng)經(jīng)元分層層排列，，組成輸輸入層、、隱含層層和輸出出層。每每一層的的神經(jīng)元元只接受受前一層層神經(jīng)元元的輸入入。輸入入模式經(jīng)經(jīng)過(guò)各層層的順次次變換后后，由輸輸出層輸輸出。在在各神經(jīng)經(jīng)元之間間不存在在反饋。。感知器器和誤差差反向傳傳播網(wǎng)絡(luò)絡(luò)采用前前向網(wǎng)絡(luò)絡(luò)形式。。2.反反饋網(wǎng)絡(luò)絡(luò)圖6-3反反饋型神神經(jīng)網(wǎng)絡(luò)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)如圖6-3所所示，該該網(wǎng)絡(luò)結(jié)結(jié)構(gòu)在輸輸出層到到輸入層層存在反反饋，即即每一個(gè)個(gè)輸入節(jié)節(jié)點(diǎn)都有有可能接接受來(lái)自自外部的的輸入和和來(lái)自輸輸出神經(jīng)經(jīng)元的反反饋。這這種神經(jīng)經(jīng)網(wǎng)絡(luò)是是一種反饋動(dòng)力力學(xué)系統(tǒng)統(tǒng)，它需要要工作——段時(shí)間間才能達(dá)達(dá)到穩(wěn)定定。網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)如圖6-3所所示，該該網(wǎng)絡(luò)結(jié)結(jié)構(gòu)在輸輸出層到到輸入層層存在反反饋，即即每一個(gè)個(gè)輸入節(jié)節(jié)點(diǎn)都有有可能接接受來(lái)自自外部的的輸入和和來(lái)自輸輸出神經(jīng)經(jīng)元的反反饋。這這種神經(jīng)經(jīng)網(wǎng)絡(luò)是是一種反饋動(dòng)力力學(xué)系統(tǒng)統(tǒng)，它需要要工作——段時(shí)間間才能達(dá)達(dá)到穩(wěn)定定。Hopfield神經(jīng)網(wǎng)網(wǎng)絡(luò)是反反饋網(wǎng)絡(luò)絡(luò)中最簡(jiǎn)簡(jiǎn)單且應(yīng)應(yīng)用最廣廣泛的模模型，它它具有聯(lián)聯(lián)想記憶憶的功能能，如果果將Lyapunov函數(shù)定定義為尋尋優(yōu)函數(shù)數(shù)，Hopfield神經(jīng)網(wǎng)網(wǎng)絡(luò)還可可以解決決尋憂(yōu)問(wèn)問(wèn)題。神神經(jīng)網(wǎng)絡(luò)絡(luò)學(xué)習(xí)算算法神經(jīng)網(wǎng)絡(luò)絡(luò)學(xué)習(xí)算算法是神經(jīng)網(wǎng)絡(luò)絡(luò)智能特特性的重重要標(biāo)志志，神經(jīng)網(wǎng)網(wǎng)絡(luò)通過(guò)過(guò)學(xué)習(xí)算算法，實(shí)實(shí)現(xiàn)了自自適應(yīng)、、自組織織和自學(xué)學(xué)習(xí)的能能力。目前神經(jīng)經(jīng)網(wǎng)絡(luò)的的學(xué)習(xí)算算法有多多種，按按有無(wú)導(dǎo)師師分類(lèi)，可分為為有導(dǎo)師學(xué)學(xué)習(xí)(SupervisedLearning)、、無(wú)導(dǎo)師學(xué)學(xué)習(xí)(UnsupervisedLearning)和再勵(lì)學(xué)習(xí)習(xí)(ReinforcementLearning)等等幾大類(lèi)類(lèi)。在有導(dǎo)師師的學(xué)習(xí)習(xí)方式中中，網(wǎng)絡(luò)絡(luò)的輸出出和期望望的輸出出(即導(dǎo)導(dǎo)師信號(hào)號(hào))進(jìn)行行比較，，然后根根據(jù)兩者者之間的的差異調(diào)調(diào)整網(wǎng)絡(luò)絡(luò)的權(quán)值值，最終終使差異異變小，，如圖6-5所所示。在在無(wú)導(dǎo)帥帥的學(xué)習(xí)習(xí)方式中中，輸入入模式進(jìn)進(jìn)入網(wǎng)絡(luò)絡(luò)后，網(wǎng)網(wǎng)絡(luò)按照照一種預(yù)預(yù)先設(shè)定定的規(guī)則則(如競(jìng)競(jìng)爭(zhēng)規(guī)則則)自動(dòng)動(dòng)調(diào)整權(quán)權(quán)值，使使網(wǎng)絡(luò)最最終具有有模式分分類(lèi)等功功能，如如圖6-6所示示。再勵(lì)勵(lì)學(xué)習(xí)是是介于上上述兩者者之間的的一種學(xué)學(xué)習(xí)方式式。下面介紹紹兩個(gè)基基本的神神經(jīng)網(wǎng)絡(luò)絡(luò)學(xué)習(xí)算算法。Hebb學(xué)習(xí)規(guī)規(guī)則Hebb學(xué)習(xí)規(guī)規(guī)則是一一種聯(lián)想想式學(xué)習(xí)習(xí)算法。。生物學(xué)學(xué)家D.O.Hebbian基于對(duì)對(duì)生物學(xué)學(xué)和心理理學(xué)的研研究，認(rèn)認(rèn)為兩個(gè)個(gè)神經(jīng)元元同時(shí)處處于激發(fā)發(fā)狀態(tài)時(shí)時(shí)，它們們之間的的連接強(qiáng)強(qiáng)度將得得到加強(qiáng)強(qiáng)，這一一論述的的數(shù)學(xué)描描述被稱(chēng)稱(chēng)為Hebb學(xué)學(xué)習(xí)規(guī)則則，即Hebb學(xué)習(xí)規(guī)規(guī)則是一一種無(wú)導(dǎo)導(dǎo)師的學(xué)學(xué)習(xí)方法法，它只只根據(jù)神神經(jīng)元連連接間的的激活水水平改變變權(quán)值，，因此，，這種方方法又稱(chēng)稱(chēng)為相關(guān)學(xué)習(xí)習(xí)或并聯(lián)學(xué)習(xí)習(xí)。假設(shè)誤差差準(zhǔn)則函函數(shù)為神神經(jīng)網(wǎng)網(wǎng)絡(luò)的特特征及要要素1．神經(jīng)經(jīng)網(wǎng)絡(luò)特特征神經(jīng)網(wǎng)絡(luò)絡(luò)具有以以下幾個(gè)個(gè)特征：：(1)非線(xiàn)性映映射逼近近能力（能逼近近任意非非線(xiàn)性函函數(shù)）：：已有理理論證明明，任意意的連續(xù)續(xù)非線(xiàn)性性函數(shù)映映射關(guān)系系都可由由某一多多層神經(jīng)經(jīng)網(wǎng)絡(luò)以以任意精精度加以以逼近。。這種組組成單元元簡(jiǎn)單、、結(jié)構(gòu)有有序的模模型是非非線(xiàn)性系系統(tǒng)建模模的有效效框架模模型，預(yù)預(yù)示著神神經(jīng)網(wǎng)絡(luò)絡(luò)在具有有挑戰(zhàn)性性的非線(xiàn)線(xiàn)性控制制領(lǐng)域有有很好的的應(yīng)用前前景。(2)信息的并并行分布布式綜合合優(yōu)化處處理能力力（信息的的并行分分布式處處理與存存儲(chǔ)）：：神經(jīng)網(wǎng)網(wǎng)絡(luò)的大大規(guī)模互互連網(wǎng)絡(luò)絡(luò)結(jié)構(gòu)，，使其能能很快地地并行實(shí)實(shí)現(xiàn)全局局性的實(shí)實(shí)時(shí)信息息處理，，并很好好地協(xié)調(diào)調(diào)多種輸輸入信息息之間的的關(guān)系，，兼容定定性和定定量信息息，這是是傳統(tǒng)的的串聯(lián)工工作方式式所無(wú)法法達(dá)到的的效果，，非常適適合于系系統(tǒng)控制制中的大大規(guī)模實(shí)實(shí)時(shí)計(jì)算算。同時(shí)時(shí)，某些些神經(jīng)網(wǎng)網(wǎng)絡(luò)模型型本身就就具有自自動(dòng)搜尋尋能量函函數(shù)極值值點(diǎn)的功功能。這這種優(yōu)優(yōu)化計(jì)算算能力在在自適應(yīng)應(yīng)控制設(shè)設(shè)計(jì)中是是十分有有用的。。(3)高強(qiáng)的容容錯(cuò)能力力：神經(jīng)網(wǎng)網(wǎng)絡(luò)的并并行處理理機(jī)制及及冗余結(jié)結(jié)構(gòu)特性性使其具具有較強(qiáng)強(qiáng)的容錯(cuò)錯(cuò)特性,提高了了信息處處理的可可靠性和和魯棒性性。(4)對(duì)學(xué)習(xí)結(jié)結(jié)果的泛泛化和自自適應(yīng)能能力（能進(jìn)行行學(xué)習(xí)，，以適應(yīng)應(yīng)環(huán)境的的變化））：經(jīng)過(guò)過(guò)適當(dāng)訓(xùn)訓(xùn)練的神神經(jīng)網(wǎng)絡(luò)絡(luò)具有潛潛在的自自適應(yīng)模模式匹配配功能，，能對(duì)所所學(xué)信息息加以分分布式存存儲(chǔ)和泛泛化，這這是其智智能特性性的重要要體現(xiàn)。。(5)便于集成成實(shí)現(xiàn)和和計(jì)算模模擬：神經(jīng)網(wǎng)網(wǎng)絡(luò)在結(jié)結(jié)構(gòu)上是是相同神神經(jīng)元的的大規(guī)模模組合，，所以特特別適合合于用大大規(guī)模集集成電路路實(shí)現(xiàn)，，也適合合于用現(xiàn)現(xiàn)有計(jì)算算技術(shù)進(jìn)進(jìn)行模擬擬實(shí)現(xiàn)。。但由于于現(xiàn)有的的計(jì)算機(jī)機(jī)運(yùn)算方方式與神神經(jīng)網(wǎng)絡(luò)絡(luò)所要求求的并行行運(yùn)算和和分布存存儲(chǔ)方式式是截然然不同的的，所以以?xún)烧咴谠谶\(yùn)算時(shí)時(shí)間上必必然存在在著顯著著差異。。2．神經(jīng)經(jīng)網(wǎng)絡(luò)具具有以下下3個(gè)要要素：(1)神神經(jīng)元元(信息息處理單單元)的的特性；；(2)神神經(jīng)元之間間相互連接接的拓?fù)浣Y(jié)結(jié)構(gòu)；(3)為為適應(yīng)環(huán)境境而改善性性能的學(xué)習(xí)習(xí)規(guī)則。6.1.6神經(jīng)經(jīng)網(wǎng)絡(luò)的研研究領(lǐng)域1．基于神神經(jīng)網(wǎng)絡(luò)的的系統(tǒng)辨識(shí)識(shí)(1)將將神經(jīng)網(wǎng)絡(luò)絡(luò)作為被辯辯識(shí)系統(tǒng)的的模型，可可在已知常常規(guī)模型結(jié)結(jié)構(gòu)的情況況下，估計(jì)計(jì)模型的參參數(shù)。(2)利用用神經(jīng)網(wǎng)絡(luò)絡(luò)的線(xiàn)性、、非線(xiàn)性特特性，可建建立線(xiàn)性、、非線(xiàn)性系系統(tǒng)的靜態(tài)態(tài)、動(dòng)態(tài)、、逆動(dòng)態(tài)及及預(yù)測(cè)模型型，實(shí)現(xiàn)系系統(tǒng)的建模模和辨識(shí)。。2．神經(jīng)網(wǎng)網(wǎng)絡(luò)控制器器神經(jīng)網(wǎng)絡(luò)作作為控制器器，可對(duì)不不確定、不不確知系統(tǒng)統(tǒng)及擾動(dòng)進(jìn)進(jìn)行有效的的控制，使使控制系統(tǒng)統(tǒng)達(dá)到所要要求的動(dòng)態(tài)態(tài)、靜態(tài)特特性。3．神經(jīng)網(wǎng)絡(luò)與與其他算法法相結(jié)合將神經(jīng)網(wǎng)絡(luò)絡(luò)與專(zhuān)家系系統(tǒng)、模糊糊邏輯、遺遺傳算法等等相結(jié)合，，可設(shè)計(jì)新新型智能控控制系統(tǒng)。。4．優(yōu)化計(jì)算在常規(guī)的控控制系統(tǒng)中中，常遇到到求解約束束優(yōu)化問(wèn)題題，神經(jīng)網(wǎng)網(wǎng)絡(luò)為這類(lèi)類(lèi)問(wèn)題的解解決提供了了有效的途途徑。目前，神經(jīng)經(jīng)網(wǎng)絡(luò)控制制已經(jīng)在多多種控制結(jié)結(jié)構(gòu)中得到到應(yīng)用，如如PID控控制、模型型參考自適適應(yīng)控制、、前饋反饋饋控制、內(nèi)?？乜刂啤㈩A(yù)測(cè)測(cè)控制、模模糊控制等等。6.2典典型神經(jīng)網(wǎng)網(wǎng)絡(luò)6.2.1單神經(jīng)經(jīng)元網(wǎng)絡(luò)圖6-7神神經(jīng)元結(jié)結(jié)構(gòu)模型右圖是一種種簡(jiǎn)化的人人工神經(jīng)元元結(jié)構(gòu)模型型，它是一一個(gè)多輸入入、單輸出出的非線(xiàn)性性元件，其其輸入、輸輸出關(guān)系可可描述為上上述形式。。輸出激勵(lì)函函數(shù)f(··)又稱(chēng)為為變換函數(shù)數(shù)，它決定定該神經(jīng)元元的輸出。。常用的神經(jīng)經(jīng)元激勵(lì)函函數(shù)有以下下3種。閾值型閾值型函數(shù)數(shù)如圖6-8所示。。圖6-8閾閾值型函函數(shù)2．分段線(xiàn)線(xiàn)性型分段線(xiàn)性型型函數(shù)表達(dá)達(dá)式為圖6-9分分段線(xiàn)性性型函數(shù)3.函數(shù)數(shù)型有代表性的的有Sigmoid型和高斯斯型函數(shù)。。Sigmoid型型函數(shù)表達(dá)達(dá)式為圖6-10Sigmoid型函數(shù)6.2.2BP神經(jīng)網(wǎng)絡(luò)絡(luò)1986年年，Rumelhart等提提出了誤差反向傳傳播神經(jīng)網(wǎng)網(wǎng)絡(luò)，簡(jiǎn)稱(chēng)BP網(wǎng)網(wǎng)絡(luò)(BackPropagation)，該網(wǎng)網(wǎng)絡(luò)是一種種單向傳播播的多層前前向網(wǎng)絡(luò)。。誤差反向傳傳播的學(xué)習(xí)習(xí)算法簡(jiǎn)稱(chēng)稱(chēng)BP算法，其基本思想是梯度下降法法。它采用梯梯度搜索技技術(shù)，以期期使網(wǎng)絡(luò)的實(shí)實(shí)際輸出值值與期望輸輸出值的誤誤差均方值值為最小。。2.BP網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)圖6-11BP神神經(jīng)網(wǎng)絡(luò)結(jié)結(jié)構(gòu)3．BP網(wǎng)網(wǎng)絡(luò)的逼近近圖6-12BP神經(jīng)網(wǎng)絡(luò)絡(luò)逼近用于逼近的的BP網(wǎng)絡(luò)絡(luò)如圖6-13所示示。圖6-13用于逼逼近的BP網(wǎng)絡(luò)BP算法的的學(xué)習(xí)過(guò)程程由正向傳播和反向傳播組成。在正正向傳播過(guò)過(guò)程中，輸輸入信息從從輸入層經(jīng)經(jīng)隱層逐層層處理，并并傳向輸出出層，每層層神經(jīng)元(節(jié)點(diǎn))的的狀態(tài)只影影響下一層層神經(jīng)元的的狀態(tài)。如如果在輸出出層不能得得到期望的的輸出，則則轉(zhuǎn)至反向向傳播，將將誤差信號(hào)號(hào)(理想輸輸出與實(shí)際際輸出之差差)按連接接通路反向向計(jì)算，由由梯度下降降法調(diào)整各各層神經(jīng)元元的權(quán)值，，使誤差信信號(hào)減小。。(1)正向向傳播：計(jì)計(jì)算網(wǎng)絡(luò)的的輸出。(2)反向向傳播：采采用學(xué)學(xué)習(xí)算法法，調(diào)整各各層間的權(quán)權(quán)值。(1)正正向向傳傳播播：：計(jì)計(jì)算算網(wǎng)網(wǎng)絡(luò)絡(luò)的的輸輸出出。。隱層層神神經(jīng)經(jīng)元元的的輸輸入入為為所所有有輸輸入入的的加加權(quán)權(quán)之之和和，，即即隱層層神神經(jīng)經(jīng)元元的的輸輸出出采用用S函函數(shù)數(shù)激激發(fā)發(fā)，得得則輸出出層層神神經(jīng)經(jīng)元元的的輸輸出出為為誤差差性性能能指指標(biāo)標(biāo)函函數(shù)數(shù)為為網(wǎng)絡(luò)絡(luò)輸輸出出與與理理想想輸輸出出誤誤差差為為(2)反反向向傳傳播播：：采采用用學(xué)學(xué)習(xí)習(xí)算算法法，，調(diào)調(diào)整整各各層層間間的的權(quán)權(quán)值值。。根據(jù)據(jù)梯梯度度下下降降法法，，權(quán)權(quán)值值的的學(xué)學(xué)習(xí)習(xí)算算法法如如下下：：輸出出層層及及隱隱層層的的連連接接權(quán)權(quán)值值學(xué)習(xí)習(xí)算算法法為為式中中，，為學(xué)學(xué)習(xí)習(xí)速速率率，，。k十十1時(shí)時(shí)刻刻網(wǎng)網(wǎng)絡(luò)絡(luò)的的權(quán)權(quán)值值為為隱層層及及輸輸入入層層連連接接權(quán)權(quán)值值學(xué)習(xí)習(xí)算算法法為為式中中，，。問(wèn)題題:如何何調(diào)調(diào)整整權(quán)權(quán)值值W，，使使E最最小小。。可可用用梯梯度度下下降降法法來(lái)來(lái)求求解解，，其其基基本本思思想想是是沿沿E的的負(fù)負(fù)梯梯度度方方向向不不斷斷修修正正權(quán)權(quán)值值，，直直到到E達(dá)達(dá)到到最最小小。。k十十1時(shí)時(shí)刻刻網(wǎng)網(wǎng)絡(luò)絡(luò)的的權(quán)權(quán)值值為為為廠(chǎng)廠(chǎng)避避免免權(quán)權(quán)值值的的學(xué)學(xué)習(xí)習(xí)過(guò)過(guò)程程發(fā)發(fā)生生振振蕩蕩、、收收斂斂速速度度慢慢，，需需要要考考慮慮上上次次權(quán)權(quán)值值變變化化對(duì)對(duì)本本次次權(quán)權(quán)值值變變化化的的影影響響，，即即加加入入動(dòng)動(dòng)量量因因子子。。此時(shí)時(shí)的的權(quán)權(quán)值值為為式中中，，為動(dòng)動(dòng)量量因因子子，，。。4.BP網(wǎng)網(wǎng)絡(luò)絡(luò)逼逼近近仿仿真真實(shí)實(shí)例例使用用BP網(wǎng)網(wǎng)絡(luò)絡(luò)逼逼近近對(duì)對(duì)象象圖6-14BP網(wǎng)網(wǎng)絡(luò)絡(luò)逼逼近近效效果果圖6-15BP網(wǎng)網(wǎng)絡(luò)絡(luò)逼逼近近誤誤差差圖6-16Jacobian信信息息的的辯辯識(shí)識(shí)5.BP網(wǎng)網(wǎng)絡(luò)絡(luò)的的憂(yōu)憂(yōu)缺缺點(diǎn)點(diǎn)BP網(wǎng)絡(luò)的優(yōu)優(yōu)點(diǎn)：1.只要有足足夠多的隱層層和隱層節(jié)點(diǎn)點(diǎn)，BP網(wǎng)絡(luò)絡(luò)可以逼近任任意的非線(xiàn)性性映射關(guān)系；；由于BP網(wǎng)絡(luò)絡(luò)具有很好的的逼近非線(xiàn)性性映射的能力力，該網(wǎng)絡(luò)在模式識(shí)別、圖像處理、系統(tǒng)辨識(shí)、函數(shù)擬合、優(yōu)化計(jì)算、最優(yōu)預(yù)測(cè)和自適應(yīng)控制等領(lǐng)域有著較較為廣泛的應(yīng)應(yīng)用。2.BP網(wǎng)絡(luò)絡(luò)的學(xué)習(xí)算法法屬于全局逼逼近算法，具具有較強(qiáng)的泛泛化能力，可可用于神經(jīng)網(wǎng)網(wǎng)絡(luò)控制器的的設(shè)計(jì)。3.BP網(wǎng)絡(luò)絡(luò)輸入輸出之之間的關(guān)聯(lián)信信息分布地存存儲(chǔ)在網(wǎng)絡(luò)的的連接權(quán)中，，個(gè)別神經(jīng)元元的損壞只對(duì)對(duì)輸入輸出關(guān)關(guān)系有較小的的影響，因而而B(niǎo)P網(wǎng)絡(luò)具具有較好的容容錯(cuò)性。BP網(wǎng)絡(luò)的主主要缺點(diǎn)為：：1.待尋優(yōu)優(yōu)的參數(shù)多，，收斂速度慢慢；難以適應(yīng)應(yīng)實(shí)時(shí)控制的的要求。2.目標(biāo)函函數(shù)存在多個(gè)個(gè)極值點(diǎn)，按按梯度下降法法進(jìn)行學(xué)習(xí)，，很容易陷入入局部極小值值；3.難以確確定隱層及隱隱層節(jié)點(diǎn)的數(shù)數(shù)目。目前，，如何根據(jù)特特定的問(wèn)題來(lái)來(lái)確定具體的的網(wǎng)絡(luò)結(jié)構(gòu)尚尚無(wú)很好的方方法，仍需根根據(jù)經(jīng)驗(yàn)來(lái)試試湊。6.BP網(wǎng)網(wǎng)絡(luò)模式識(shí)別別由于神經(jīng)網(wǎng)絡(luò)絡(luò)具有自學(xué)習(xí)、自組織和并行處理等特征，并具具有很強(qiáng)的容錯(cuò)能力和聯(lián)想能力，因此，神經(jīng)網(wǎng)絡(luò)具有有模式識(shí)別的的能力。在神經(jīng)網(wǎng)絡(luò)模模式識(shí)別中，，根據(jù)標(biāo)準(zhǔn)的輸入輸輸出模式對(duì)，采用神經(jīng)網(wǎng)網(wǎng)絡(luò)學(xué)習(xí)算法法，以標(biāo)準(zhǔn)的的模式作為學(xué)學(xué)習(xí)樣本進(jìn)行行訓(xùn)練，通過(guò)過(guò)學(xué)習(xí)調(diào)整神神經(jīng)網(wǎng)絡(luò)的連連接權(quán)值。當(dāng)當(dāng)訓(xùn)練滿(mǎn)足要要求后，得到的神經(jīng)網(wǎng)網(wǎng)絡(luò)權(quán)值構(gòu)成成了模式識(shí)別別的知識(shí)庫(kù)，，利用神經(jīng)網(wǎng)絡(luò)并行行推理算法便可對(duì)所需要要的輸入模式式進(jìn)行識(shí)別。。神經(jīng)網(wǎng)絡(luò)模式式識(shí)別具有較較強(qiáng)的魯棒性性。當(dāng)待識(shí)別的輸輸入模式與訓(xùn)訓(xùn)練樣本中的的某個(gè)輸入模模式相同時(shí)，神經(jīng)網(wǎng)絡(luò)識(shí)別別的結(jié)果就是是與訓(xùn)練樣本本中相對(duì)應(yīng)的的輸出模式。。當(dāng)待識(shí)別的輸輸入模式與訓(xùn)訓(xùn)練樣本中所所有輸入模式式都不完全相相同時(shí)，則可得到與其其相近樣本相相對(duì)應(yīng)的輸出出模式。當(dāng)待識(shí)別的輸輸入模式與訓(xùn)訓(xùn)練樣本中所所有輸入模式式相差較遠(yuǎn)時(shí)時(shí)，就不能得到正正確的識(shí)別結(jié)結(jié)果，此時(shí)可將這一一模式作為新新的樣本進(jìn)行行訓(xùn)練，使神神經(jīng)網(wǎng)絡(luò)獲取取新的知識(shí)，，并存儲(chǔ)到網(wǎng)網(wǎng)絡(luò)的權(quán)值矩矩陣中，從而而增強(qiáng)網(wǎng)絡(luò)的的識(shí)別能力。BP網(wǎng)絡(luò)的訓(xùn)訓(xùn)練過(guò)程如下下：正向傳播是輸入信號(hào)從輸輸入層經(jīng)隱層層傳向輸出層層，若輸出層得得到了期望的的輸出，則學(xué)學(xué)習(xí)算法結(jié)束束；否則，轉(zhuǎn)至反反向傳播。以第p個(gè)樣本本為例，用于于訓(xùn)練的BP網(wǎng)絡(luò)結(jié)構(gòu)如如圖6-17所示。圖6-17BP神經(jīng)經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)網(wǎng)絡(luò)的學(xué)習(xí)算算法如下：(1)正向傳播：計(jì)算網(wǎng)絡(luò)的的輸出。(2)反向傳播：采用梯度下下降法，調(diào)整整各層間的權(quán)權(quán)值。(1)正向傳傳播：計(jì)算網(wǎng)網(wǎng)絡(luò)的輸出。。隱層神經(jīng)元的的輸入為所有有輸入的加權(quán)權(quán)之和，即隱層神經(jīng)元的的輸出采用S函數(shù)激激發(fā)，得則輸出層神經(jīng)元元的輸出為(2)反向傳播：采用梯度下下降法，調(diào)整整各層間的權(quán)權(quán)值。權(quán)值的學(xué)習(xí)算算法如下輸出層及隱層層的連接權(quán)值值學(xué)習(xí)算法為式中，為學(xué)習(xí)速率，，。k十1時(shí)刻網(wǎng)網(wǎng)絡(luò)的權(quán)值為為隱層及輸入層層連接權(quán)值學(xué)習(xí)算法為式中，。k十1時(shí)刻網(wǎng)網(wǎng)絡(luò)的權(quán)值為為為廠(chǎng)避免權(quán)值值的學(xué)習(xí)過(guò)程程發(fā)生振蕩、、收斂速度模模，需要考慮慮上次權(quán)值變變化對(duì)本次權(quán)權(quán)值變化的影影響，即加入入動(dòng)量因子。。此時(shí)的權(quán)值為為式中，為動(dòng)量因子，，。。7.BP網(wǎng)網(wǎng)絡(luò)模式識(shí)別別仿真實(shí)例取標(biāo)準(zhǔn)樣本為為三輸入兩輸輸出樣本，見(jiàn)見(jiàn)表6-1。。表6-1訓(xùn)訓(xùn)練樣本BP網(wǎng)絡(luò)模式式識(shí)別程序包包括網(wǎng)絡(luò)訓(xùn)練練程序chap6-2a.m和網(wǎng)絡(luò)絡(luò)測(cè)試程序chap6-2b.m。。運(yùn)行程序chap6-2a.m，，取網(wǎng)絡(luò)訓(xùn)練練的最終指標(biāo)標(biāo)為E=10-20，網(wǎng)絡(luò)訓(xùn)練指指標(biāo)的變化如如圖6-18所示。將網(wǎng)網(wǎng)絡(luò)訓(xùn)練的最最終權(quán)值為用用于模式識(shí)別別的知識(shí)庫(kù)，，將其保存在在文件wfile.mat中。表6-2測(cè)測(cè)試樣本及及結(jié)果圖6-18樣樣本訓(xùn)練練的收斂過(guò)程程6.3神經(jīng)經(jīng)網(wǎng)絡(luò)控制控制理論在經(jīng)經(jīng)歷了經(jīng)典控控制和現(xiàn)代控控制以后，隨隨著被控對(duì)象象變得越來(lái)越越復(fù)雜、對(duì)對(duì)對(duì)象和環(huán)境的的知識(shí)知道得得越來(lái)越少、、控制精度越越來(lái)越高，迫迫切希望控制制系統(tǒng)具有自適應(yīng)自學(xué)習(xí)習(xí)能力、良好的魯棒性和實(shí)時(shí)性。概概述神經(jīng)網(wǎng)絡(luò)是一一種具有高度度非線(xiàn)性的連連續(xù)時(shí)間動(dòng)力力系統(tǒng)，它有有著很強(qiáng)的自自學(xué)習(xí)能力和和對(duì)非線(xiàn)性系系統(tǒng)的強(qiáng)大映映射能力。神神經(jīng)網(wǎng)絡(luò)所具具有的大規(guī)模模并行性、冗冗余性、容錯(cuò)錯(cuò)性、本質(zhì)的的非線(xiàn)性及自自組織、自學(xué)學(xué)習(xí)、自適應(yīng)應(yīng)能力，使其其廣泛應(yīng)用于于復(fù)雜對(duì)象的的控制中。神經(jīng)網(wǎng)絡(luò)本身身具備傳統(tǒng)的的控制手段無(wú)無(wú)法實(shí)現(xiàn)的一一些優(yōu)點(diǎn)和特特征，使得神神經(jīng)網(wǎng)絡(luò)控制制器的研究迅迅速發(fā)展。從從控制角度來(lái)來(lái)看，神經(jīng)網(wǎng)絡(luò)用于于控制優(yōu)越性性主要表現(xiàn)為為：(1)神經(jīng)網(wǎng)網(wǎng)絡(luò)能處理那那些難以用模模型或規(guī)則描描述的對(duì)象；；(2)神經(jīng)網(wǎng)網(wǎng)絡(luò)采用并行行分布式信息息處理方式，，具有很強(qiáng)的的容錯(cuò)性；(3)神經(jīng)網(wǎng)網(wǎng)絡(luò)在本質(zhì)上上是非線(xiàn)性系系統(tǒng)，可以實(shí)實(shí)現(xiàn)任意非線(xiàn)線(xiàn)性映射，神神經(jīng)網(wǎng)絡(luò)在非非線(xiàn)性控制系系統(tǒng)中具有很很大的發(fā)展前前途；(4)神經(jīng)網(wǎng)網(wǎng)絡(luò)具有很強(qiáng)強(qiáng)的信息綜合合能力，它能能夠同時(shí)處理理大量不同類(lèi)類(lèi)型的輸入，，能夠很好地地解決輸入信信息之間的互互補(bǔ)性和冗余余性問(wèn)題；(5)神經(jīng)網(wǎng)網(wǎng)絡(luò)的硬件實(shí)實(shí)現(xiàn)愈趨方便便，大規(guī)模集集成電路技術(shù)術(shù)的發(fā)展為神神經(jīng)網(wǎng)絡(luò)的硬硬件實(shí)現(xiàn)提供供了技術(shù)手段段，為神經(jīng)網(wǎng)網(wǎng)絡(luò)在控制中中的應(yīng)用開(kāi)辟辟了廣闊的前前景。神經(jīng)網(wǎng)絡(luò)控制制所取得的進(jìn)進(jìn)展為：(1)基于于神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)的系系統(tǒng)辨辨識(shí)：：可在在己知知常規(guī)規(guī)模型型結(jié)構(gòu)構(gòu)的情情況下下，估估計(jì)模模型的的參數(shù)數(shù)；或或利用用神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)的線(xiàn)線(xiàn)性、、非線(xiàn)線(xiàn)性特特性，，建立立線(xiàn)性性、非非線(xiàn)性性系統(tǒng)統(tǒng)的靜靜態(tài)、、動(dòng)態(tài)態(tài)、逆逆動(dòng)態(tài)態(tài)及預(yù)預(yù)測(cè)模模型。。(2)神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)控制制器：：神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)作為為控制制器，，可實(shí)實(shí)現(xiàn)對(duì)對(duì)不確確定系系統(tǒng)或或未知知系統(tǒng)統(tǒng)進(jìn)行行有效效的控控制，，使控控制系系統(tǒng)達(dá)達(dá)到所所要求求的動(dòng)動(dòng)態(tài)、、靜態(tài)態(tài)特性性。(3)神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)與其其他算算法相相結(jié)合合：神神經(jīng)網(wǎng)網(wǎng)絡(luò)與與專(zhuān)家家系統(tǒng)統(tǒng)、模模糊邏邏輯、、遺傳傳算法法等相相結(jié)合合可構(gòu)構(gòu)成新新型控控制器器。(4)優(yōu)化化計(jì)算算：在在常規(guī)規(guī)控制制系統(tǒng)統(tǒng)的設(shè)設(shè)計(jì)中中，常常遇到到求解解約束束優(yōu)化化問(wèn)題題，神神經(jīng)網(wǎng)網(wǎng)絡(luò)為為這類(lèi)類(lèi)問(wèn)題題提供供了有有效的的途徑徑。(5)控制制系統(tǒng)統(tǒng)的故故障診診斷：：利用用神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)的逼逼近特特性，，可對(duì)對(duì)控制制系統(tǒng)統(tǒng)的各各種故故障進(jìn)進(jìn)行模模式識(shí)識(shí)別，，從而而實(shí)現(xiàn)現(xiàn)控制制系統(tǒng)統(tǒng)的故故障診診斷。。神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制在在理論論和實(shí)實(shí)踐上上，以以下問(wèn)問(wèn)題是是研究究的重重點(diǎn)：：(1)神神經(jīng)網(wǎng)網(wǎng)絡(luò)的的穩(wěn)定定性與與收斂斂性問(wèn)問(wèn)題；；(2)神神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制系系統(tǒng)的的穩(wěn)定定性與與收斂斂性問(wèn)問(wèn)題；；(3)神神經(jīng)網(wǎng)網(wǎng)絡(luò)學(xué)學(xué)習(xí)算算法的的實(shí)時(shí)時(shí)性；；(4)神神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制器器和辨辨識(shí)器器的模模型和和結(jié)構(gòu)構(gòu)。神神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制的的結(jié)構(gòu)構(gòu)根據(jù)神神經(jīng)網(wǎng)網(wǎng)絡(luò)在在控制制器中中的作作用不不同，，神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制器器可分分為兩兩類(lèi)：：一類(lèi)為為神經(jīng)經(jīng)控制制，它是是以神神經(jīng)網(wǎng)網(wǎng)絡(luò)為為基礎(chǔ)礎(chǔ)而形形成的的獨(dú)立立智能能控制制系統(tǒng)統(tǒng)；另一類(lèi)類(lèi)為混混合神神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制，它是是指利利用神神經(jīng)網(wǎng)網(wǎng)絡(luò)學(xué)學(xué)習(xí)和和優(yōu)化化能力力來(lái)改改善傳傳統(tǒng)控控制的的智能能控制制方法法，目前神神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制器器尚無(wú)無(wú)統(tǒng)一一的分分類(lèi)方方法。。綜合合目前前的各各種分分類(lèi)方方法，，可將將神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)控制制的結(jié)結(jié)構(gòu)歸歸結(jié)為為以下下7類(lèi)類(lèi)。1.神神經(jīng)網(wǎng)網(wǎng)絡(luò)監(jiān)監(jiān)督控控制首先對(duì)對(duì)人工工控制制或傳傳統(tǒng)控控制進(jìn)進(jìn)行學(xué)學(xué)習(xí)，，然后后用神神經(jīng)網(wǎng)網(wǎng)絡(luò)控控制器器逐漸漸取代代傳統(tǒng)統(tǒng)控制制器的的方法法，稱(chēng)稱(chēng)為神經(jīng)網(wǎng)網(wǎng)絡(luò)監(jiān)監(jiān)督控控制。神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)監(jiān)督督控制制的結(jié)結(jié)構(gòu)如如圖6-19所所示。。圖6-19神神經(jīng)網(wǎng)網(wǎng)絡(luò)監(jiān)監(jiān)督控控制在監(jiān)督督控制制系統(tǒng)統(tǒng)中，，神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)需要要脫機(jī)機(jī)進(jìn)行行訓(xùn)練練。訓(xùn)訓(xùn)練時(shí)時(shí)采用用一系系列示示教數(shù)數(shù)據(jù)。。這些些數(shù)據(jù)據(jù)是執(zhí)執(zhí)行人人工控控制時(shí)時(shí)的輸輸入、、輸出出數(shù)據(jù)據(jù)。輸輸入數(shù)數(shù)據(jù)一一般是是傳感感器所所檢測(cè)測(cè)出的的數(shù)據(jù)據(jù)，輸輸出數(shù)數(shù)據(jù)則則是人人所確確定的的數(shù)據(jù)據(jù)。也也就是是說(shuō)，，神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)的學(xué)學(xué)習(xí)是是執(zhí)行行傳感感輸入入到人人工控控制作作用的的映射射。2.神神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)直接接逆控控制神經(jīng)網(wǎng)網(wǎng)絡(luò)直直接逆逆控制制就是將將被控控對(duì)象象的神經(jīng)網(wǎng)網(wǎng)絡(luò)逆逆模型型直接與與被控控對(duì)象象串聯(lián)聯(lián)起來(lái)來(lái)，以以便使使期望望輸出出與對(duì)對(duì)象實(shí)實(shí)際輸輸出之之間的的傳遞遞函數(shù)數(shù)為1。則則將此此網(wǎng)絡(luò)絡(luò)作為為前饋控控制器器后，被被控對(duì)對(duì)象的的輸出出為期期望輸輸出。。在逆逆控制制系統(tǒng)統(tǒng)中，，如果果被控控對(duì)象象的模模型用用F表表示，，那么么，神神經(jīng)網(wǎng)網(wǎng)絡(luò)所所構(gòu)成成的控控制器器的模模型是是F-1，即是是一個(gè)個(gè)逆模模型。。實(shí)際上上，被被控對(duì)對(duì)象可可以是是一個(gè)個(gè)未知知的系系統(tǒng)，，在被被控對(duì)對(duì)象輸輸入端端加入入u*，則其其輸出出就會(huì)會(huì)產(chǎn)生生y*。用y*作為輸輸入，，u*作為輸輸出去去對(duì)神神經(jīng)網(wǎng)網(wǎng)絡(luò)進(jìn)進(jìn)行訓(xùn)訓(xùn)練，，則得到的的神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)就是是被控控對(duì)象象的逆逆模型型。在訓(xùn)訓(xùn)練時(shí)時(shí)，神神經(jīng)網(wǎng)網(wǎng)絡(luò)的的實(shí)際際輸出出用u’表表示，，則用用（u’-u*））這個(gè)個(gè)偏差差可以以控制制網(wǎng)絡(luò)絡(luò)的訓(xùn)訓(xùn)練過(guò)過(guò)程。。一般來(lái)來(lái)說(shuō)，，為了了獲取取良好好的逆逆動(dòng)力力學(xué)性性能，，通常常在訓(xùn)訓(xùn)練神神經(jīng)網(wǎng)網(wǎng)絡(luò)時(shí)時(shí)所取取值的的范圍圍比實(shí)實(shí)際對(duì)對(duì)象的的輸入入、輸輸出數(shù)數(shù)據(jù)的的取值值范圍圍要大大一些些。在逆控控制系系統(tǒng)中中，神神經(jīng)網(wǎng)網(wǎng)絡(luò)直直接連連在控控制回回路作作為控控制器器，控控制效效果嚴(yán)嚴(yán)重地地依賴(lài)賴(lài)控制制器對(duì)對(duì)對(duì)象象逆向向模擬擬的真真實(shí)程程度（（逆控控制的的可用用性在在相當(dāng)當(dāng)程度度上取取決于于逆模模型的的準(zhǔn)確確精度度）。。由于于這種種系統(tǒng)統(tǒng)缺少少反饋饋環(huán)節(jié)節(jié)，所所以，，其魯魯棒性性不足足。對(duì)對(duì)于要要求有有一定定魯棒棒性的的應(yīng)用用場(chǎng)合合，這這種控控制系系統(tǒng)就就存在在一些些問(wèn)題題。在在線(xiàn)學(xué)學(xué)習(xí)可可以在在一定定程度度上克克服其其魯棒棒性不不好的的問(wèn)題題。在在線(xiàn)學(xué)學(xué)習(xí)可可以調(diào)調(diào)整神神經(jīng)網(wǎng)網(wǎng)絡(luò)的的參數(shù)數(shù)，使使神經(jīng)經(jīng)網(wǎng)絡(luò)絡(luò)對(duì)逆逆模型型的真真實(shí)度度提高高。在圖6-20中，NNl和NN2為具有完全全相同的網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)，，并采用相相同的學(xué)習(xí)習(xí)算法，分分別實(shí)現(xiàn)對(duì)對(duì)象的逆。。圖6-20神經(jīng)網(wǎng)網(wǎng)絡(luò)直接逆逆控制的結(jié)結(jié)構(gòu)3.神經(jīng)網(wǎng)網(wǎng)絡(luò)自適應(yīng)應(yīng)控制神經(jīng)網(wǎng)絡(luò)自自適應(yīng)控制制是把神經(jīng)網(wǎng)網(wǎng)絡(luò)用于傳傳統(tǒng)自適應(yīng)應(yīng)控制方法法中而產(chǎn)生生的新的控控制方法。。神經(jīng)網(wǎng)絡(luò)自自適應(yīng)控制制分為神經(jīng)網(wǎng)絡(luò)自自校正控制制和神經(jīng)網(wǎng)絡(luò)模模型參考自自適應(yīng)控制制兩種。自校正控制制根據(jù)對(duì)系統(tǒng)統(tǒng)正向或逆逆模型的結(jié)結(jié)果調(diào)節(jié)控控制器內(nèi)部部參數(shù)，使使系統(tǒng)滿(mǎn)足足給定的指指標(biāo)；而在在模型參考自自適應(yīng)控制制中，閉環(huán)控控制系統(tǒng)的的期望性能能由一個(gè)穩(wěn)穩(wěn)定的參考考模型來(lái)描描述，控制制系統(tǒng)的目目的就是使使被控對(duì)象象的輸出漸漸進(jìn)地趨近近于參考模模型的輸出出。神經(jīng)網(wǎng)絡(luò)自自校正控制制a.神經(jīng)網(wǎng)網(wǎng)絡(luò)直接自自校正控制制直接自校正正控制同時(shí)時(shí)使用神經(jīng)經(jīng)網(wǎng)絡(luò)控制制器和神經(jīng)經(jīng)網(wǎng)絡(luò)估計(jì)計(jì)器。在本質(zhì)上同同神經(jīng)網(wǎng)絡(luò)絡(luò)直接逆控控制，其結(jié)結(jié)構(gòu)如圖6-20所所示。圖6-20神經(jīng)網(wǎng)網(wǎng)絡(luò)直接逆逆控制的結(jié)結(jié)構(gòu)b.神經(jīng)網(wǎng)網(wǎng)絡(luò)間接自自校正控制制間接自校正正控制使用用常規(guī)控制制器，神經(jīng)經(jīng)網(wǎng)絡(luò)估計(jì)計(jì)器需較高高建模精度度。其結(jié)構(gòu)如圖圖6-21所示。圖6-21神經(jīng)網(wǎng)網(wǎng)絡(luò)間接自自校正控制制假設(shè)被控對(duì)對(duì)象為單變變量仿射非非線(xiàn)性系統(tǒng)統(tǒng)神經(jīng)網(wǎng)絡(luò)模模型參考自自適應(yīng)控制制圖6-22神經(jīng)經(jīng)網(wǎng)絡(luò)模型型參考自適適應(yīng)控制4.神經(jīng)網(wǎng)網(wǎng)絡(luò)內(nèi)?？乜刂平?jīng)典的內(nèi)模?？刂茖⒈槐豢叵到y(tǒng)的的正向模型型和逆模型型直接加入入反饋回路路，系統(tǒng)的的正向模型型作為被控控對(duì)象的近近似模型與與實(shí)際對(duì)象象并聯(lián)，兩兩者輸出之之差被用做做反饋信號(hào)號(hào)，該反饋饋信號(hào)又經(jīng)經(jīng)過(guò)前向通通道的濾波波器及控制制器進(jìn)行處處理。控制制器直接與與系統(tǒng)的逆逆有關(guān)，通通過(guò)引入濾濾波器來(lái)提提高系統(tǒng)的的魯棒性。。圖6-23所示為為神經(jīng)網(wǎng)絡(luò)絡(luò)內(nèi)?？刂浦?，被控對(duì)對(duì)象的正向向模型及控控制器均由由神經(jīng)網(wǎng)絡(luò)絡(luò)來(lái)實(shí)現(xiàn)。。圖6-23神經(jīng)經(jīng)網(wǎng)絡(luò)內(nèi)模模控制5.神經(jīng)網(wǎng)網(wǎng)絡(luò)預(yù)測(cè)控控制圖6-24神經(jīng)網(wǎng)網(wǎng)絡(luò)預(yù)測(cè)控控制神經(jīng)網(wǎng)絡(luò)預(yù)預(yù)測(cè)控制的的結(jié)構(gòu)如圖圖6-24所示，神神經(jīng)網(wǎng)絡(luò)預(yù)預(yù)測(cè)器建立立了非線(xiàn)性性被控對(duì)象象的預(yù)測(cè)模模型，并可可在線(xiàn)進(jìn)行行學(xué)習(xí)修正正。利用此此預(yù)測(cè)模型型，可以由由當(dāng)前的系系統(tǒng)控制信信息預(yù)測(cè)出出在未來(lái)一一段時(shí)間范范圍內(nèi)內(nèi)的輸出值值。。通過(guò)設(shè)計(jì)計(jì)優(yōu)化性能能指標(biāo)，利利用非線(xiàn)性性?xún)?yōu)化器可可求出優(yōu)化化的控制作作用u(t)。THANKYOUVERYMUCH??！結(jié)束放映9、靜夜夜四無(wú)無(wú)鄰，，荒居居舊業(yè)業(yè)貧。。。1月-231月-23Sunday,January1,202310、雨中中黃葉葉樹(shù)，，燈下下白頭頭人。。。13:02:2413:02:2413:021/1/20231:02:24PM11、以我我獨(dú)沈沈久，，愧君君相見(jiàn)見(jiàn)頻。。。1月-2313:02:2413:02Jan-2301-Jan-2312、故人江海海別，幾度度隔山川。。。13:02:2413:02:2413:02Sunday,January1,202313、乍乍見(jiàn)見(jiàn)翻翻疑疑夢(mèng)夢(mèng)，，相相悲悲各各問(wèn)問(wèn)年年。。。。1月月-231月月-2313:02:2413:02:24January1,202314、他鄉(xiāng)生白白發(fā)，舊國(guó)國(guó)見(jiàn)青山。。。01一月月20231:02:24下下午13:02:241月-2315、比比不不了了得得就就不不比比，，得得