智能控制 課件全套 李少遠(yuǎn) 第1-10章 概論、復(fù)雜系統(tǒng)結(jié)構(gòu)與智能控制-智能控制的進(jìn)一步發(fā)展：自適應(yīng)與學(xué)習(xí)控制

《智能控制》2023年5月第一章概論主要內(nèi)容控制科學(xué)發(fā)展的新階段—智能控制1.11.21.3智能控制的基本概念與研究?jī)?nèi)容本書主要內(nèi)容智能控制的溯源與發(fā)展溯源誕生發(fā)展新興控制論的英文名稱cybernetics最早出現(xiàn)在古希臘哲學(xué)家柏拉圖《FirstAlcibiades》中，含義為“自治研究”第一個(gè)人工實(shí)現(xiàn)的有反饋?zhàn)詣?dòng)控制系統(tǒng)是古希臘發(fā)明家Ktesibios發(fā)明的水鐘，通過(guò)控制液體在管道內(nèi)流入或者流出的量來(lái)計(jì)時(shí)。達(dá)爾文的物種起源指出生物個(gè)體與環(huán)境間的交互反饋決定了物種及其進(jìn)化方向水鐘智能控制的溯源與發(fā)展溯源誕生發(fā)展新興上世紀(jì)20-40年代，不同領(lǐng)域的研究人員（系統(tǒng)理論學(xué)、進(jìn)化生物學(xué)、神經(jīng)科學(xué)、電子電路等）控制論和人工智能的產(chǎn)生奠定了共同基礎(chǔ)：1927年，VannevarBush等開(kāi)發(fā)了第一臺(tái)能夠求解微分方程的模擬計(jì)算機(jī)。1927年，H.S.Black在貝爾實(shí)驗(yàn)室使用反饋控制的放大器來(lái)減小電話失真1931年，KurtG?del提出G?del‘s理論，成為關(guān)于人類認(rèn)知的符號(hào)處理以及人類與機(jī)器智能的辯論的典范參考。1932年，HarryNyquist在放大器設(shè)計(jì)的研究中提出了反饋穩(wěn)定性1936年，AlanTuring確定了抽象的圖靈機(jī)智能控制的溯源與發(fā)展溯源誕生發(fā)展新興AlanTuring計(jì)算機(jī)科學(xué)家WarrenMcCulloch神經(jīng)生理學(xué)家NorbertWiener數(shù)學(xué)家機(jī)器自主邏輯與計(jì)算反饋調(diào)節(jié)與自動(dòng)控制神經(jīng)計(jì)算與神經(jīng)通信智能機(jī)器與控制論（學(xué)習(xí),調(diào)節(jié),自適應(yīng),自組織,感知,記憶）智能控制的溯源與發(fā)展溯源誕生發(fā)展新興1943年的兩篇論文代表了控制科學(xué)早期的醞釀ArturoRosenblueth,NorbertWiener

and

JulianBigelow,“Behavior,PurposeandTeleology”WarrenMcCulloch

and

WalterPitts,“ALogicalCalculusoftheIdeasImmanentinNervousActivity”

（McCulloch本人設(shè)計(jì)了最早的神經(jīng)網(wǎng)絡(luò)）1948年，NorbertWiener發(fā)表了著名論著Cybernetics:OrControlandCommunicationintheAnimalandtheMachine標(biāo)志著控制科學(xué)作為一個(gè)獨(dú)立學(xué)科的誕生控制論本身就是研究“動(dòng)物和機(jī)器”的智能的原理

達(dá)特茅斯（Dartmouth）

會(huì)議提出了“人工智能”控制論的神經(jīng)感知、模型調(diào)節(jié)等研究方向，在人工智能領(lǐng)域取得了很大的進(jìn)展人工智能三大流派（連結(jié)主義、符號(hào)注意、行為主義）中的行為主義深受控制論影響

行為主義的主要思想和發(fā)展Wiener的控制論；McCulloch的自組織系統(tǒng)；錢學(xué)森的工程控制論20世紀(jì)60-70年代，初步產(chǎn)生了智能控制傅京孫的啟發(fā)式學(xué)習(xí)控制，提出“二元論”思想1967年Leondes和Mendel首次使用“智能控制”20世紀(jì)80年代，智能控制誕生1985年，在紐約召開(kāi)第一屆智能控制學(xué)術(shù)會(huì)議，IEEE成立智能控制專業(yè)委員會(huì)張鐘俊《智能控制與智能控制系統(tǒng)》，蔣新松《人工智能及智能控制系統(tǒng)概述》智能控制的溯源與發(fā)展溯源誕生發(fā)展新興智能控制是控制理論發(fā)展的新階段溯源誕生發(fā)展新興經(jīng)典控制論40-50年代現(xiàn)代控制論50-60年代智能控制論60年代醞釀80年代形成狀態(tài)空間法、極大值原理、動(dòng)態(tài)規(guī)劃、卡爾曼-布什濾波等頻率響應(yīng)法和根軌跡法研究采樣控制系統(tǒng)和簡(jiǎn)單的非線性控制系統(tǒng)神經(jīng)網(wǎng)絡(luò)、模糊控制、專家系統(tǒng)、遺傳算法等新一代人工智能背景下的智能控制溯源誕生發(fā)展新興物聯(lián)網(wǎng)生物醫(yī)學(xué)航空航天無(wú)人駕駛機(jī)器人控制理論+人工智能控制科學(xué)發(fā)展的新階段——智能控制控制理論在應(yīng)用中面臨的難題模型精確性：實(shí)際系統(tǒng)由于存在復(fù)雜性、非線性、時(shí)變性等，一般無(wú)法獲得精確的數(shù)學(xué)模型；假設(shè)嚴(yán)苛性：研究時(shí)提出并遵循一些比較苛刻的假設(shè)，往往與實(shí)際不相吻合；建模困難性：對(duì)于某些復(fù)雜的和具有不確定性的對(duì)象，無(wú)法以傳統(tǒng)數(shù)學(xué)模型來(lái)表示；系統(tǒng)可靠性：傳統(tǒng)控制系統(tǒng)的復(fù)雜性增加了設(shè)備投資和維修費(fèi)用，降低了系統(tǒng)的可靠性。自動(dòng)控制發(fā)展存在上述挑戰(zhàn)的原因科學(xué)技術(shù)間的相互影響和相互促進(jìn)：例如，計(jì)算機(jī)、人工智能和超大規(guī)模集成電路等技術(shù)；當(dāng)前和未來(lái)應(yīng)用的需求：例如，空間技術(shù)、海洋工程和機(jī)器人技術(shù)等應(yīng)用要求；基本概念和時(shí)代進(jìn)程的推動(dòng)：例如，離散事件驅(qū)動(dòng)、信息高速公路、和人工神經(jīng)網(wǎng)絡(luò)的連接機(jī)制等控制科學(xué)發(fā)展的新階段——智能控制面對(duì)挑戰(zhàn)，自動(dòng)控制工作者的任務(wù)擴(kuò)展視野，發(fā)展新的控制概念和控制方法，采用非完全模型控制系統(tǒng)；采用在開(kāi)始時(shí)知之甚少和不甚正確的，但可以在系統(tǒng)工作過(guò)程中加以在線改進(jìn)，使之知之較多和愈臻正確的系統(tǒng)模型；采用離散事件驅(qū)動(dòng)的動(dòng)態(tài)系統(tǒng)和本質(zhì)上完全斷續(xù)的系統(tǒng)。從這些任務(wù)可以看出建模過(guò)程，將不把模型視為固定不變的，而是不斷演化的實(shí)體；所開(kāi)發(fā)的模型不僅含有解析與數(shù)值，而且包含定性和符號(hào)數(shù)據(jù)；對(duì)于非完全己知的系統(tǒng)和非傳統(tǒng)數(shù)學(xué)模型描述的系統(tǒng)，必須建立包括控制律、控制算法、控制策略、控制規(guī)則和協(xié)議等理論；實(shí)質(zhì)上，這就是要建立智能化控制系統(tǒng)模型，或者建立傳統(tǒng)解析和智能方法的混合(集成)控制模型，而其核心就在于實(shí)現(xiàn)控制器的智能化?？刂瓶茖W(xué)發(fā)展的新階段——智能控制開(kāi)發(fā)應(yīng)用計(jì)算機(jī)科學(xué)與工程的最新成果“計(jì)算機(jī)科學(xué)面臨工業(yè)控制應(yīng)用的挑戰(zhàn)”的研究計(jì)劃指出：開(kāi)發(fā)大型的實(shí)時(shí)控制與信號(hào)處理系統(tǒng)是工程界面臨的最具挑戰(zhàn)的任務(wù)之一，這涉及硬件、軟件和智能(尤其是算法)的結(jié)合，而系統(tǒng)集成又需要先進(jìn)的工程管理技術(shù)人工智能為自動(dòng)控制系統(tǒng)智能化提供了有力支撐簡(jiǎn)化處理松散結(jié)構(gòu)的啟發(fā)式軟件方法(專家系統(tǒng)外殼、面向?qū)ο蟪绦蛟O(shè)計(jì)和再生軟件等)

；基于角色(Actor)或智能體(Agent)的處理超大規(guī)模系統(tǒng)的軟件模型；模糊信息處理與控制技術(shù)以及基于信息論和人工神經(jīng)網(wǎng)絡(luò)的控制思想和方法；等等。控制科學(xué)發(fā)展的新階段——智能控制推進(jìn)控制硬件、軟件和智能的結(jié)合，實(shí)現(xiàn)控制系統(tǒng)的智能化；實(shí)現(xiàn)自動(dòng)控制科學(xué)與計(jì)算機(jī)科學(xué)、信息科學(xué)、系統(tǒng)科學(xué)以及人工智能的結(jié)合，為自動(dòng)控制提供新思想，新方法和新技術(shù)，創(chuàng)立邊緣交叉新學(xué)科，推動(dòng)智能控制的發(fā)展。自動(dòng)控制既面臨嚴(yán)峻挑戰(zhàn)，又存在良好發(fā)展機(jī)遇硬件軟件智能控制系統(tǒng)的智能化自動(dòng)控制科學(xué)信息科學(xué)計(jì)算機(jī)科學(xué)系統(tǒng)科學(xué)人工智能為自動(dòng)控制提供新思想，新方法和新技術(shù)，創(chuàng)立邊緣交叉新學(xué)科，推動(dòng)智能控制的發(fā)展主要內(nèi)容控制科學(xué)發(fā)展的新階段—智能控制1.11.21.3智能控制的基本概念與研究?jī)?nèi)容本書主要內(nèi)容智能控制的研究?jī)?nèi)容—模糊邏輯控制期望值＋－模糊值精確值模糊化模糊控制系統(tǒng)結(jié)構(gòu)

模糊推理清晰化規(guī)則庫(kù)D/AA/D傳感器受控對(duì)象輸出值y模糊控制器eeuu精確值模糊值將人類專家對(duì)特定對(duì)象的控制經(jīng)驗(yàn)，運(yùn)用模糊集理論進(jìn)行量化，轉(zhuǎn)化為可數(shù)學(xué)實(shí)現(xiàn)的控制器，從而實(shí)現(xiàn)對(duì)被控對(duì)象的控制。模糊控制的概念智能控制的研究?jī)?nèi)容—模糊邏輯控制模糊模型就是用if-then

形式的規(guī)則表示控制系統(tǒng)的輸入/輸出關(guān)系，有Mamdani模型和Sugeno模型兩種。模糊模型的概念模糊模型

智能控制的研究?jī)?nèi)容—模糊邏輯控制Mamdani模型模糊模型的概念

系統(tǒng)總的推理輸出為：

智能控制的研究?jī)?nèi)容—模糊邏輯控制模糊模型的概念T-S模糊模型

也可以表示為狀態(tài)方程的形式：

智能控制的研究?jī)?nèi)容—模糊邏輯控制模糊模型的概念T-S模糊模型這種控制系統(tǒng)的結(jié)構(gòu)如圖所示。T-S模糊模型可以看成是系統(tǒng)在不同工況時(shí)的局部模型，基于T-S模型，可以充分利用現(xiàn)代控制理論知識(shí)對(duì)各個(gè)局部模型分別設(shè)計(jì)控制器。Sugeno模糊控制器的設(shè)計(jì)智能控制的研究?jī)?nèi)容—神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)控制的優(yōu)越性并行分布式處理非線性映射通過(guò)訓(xùn)練進(jìn)行學(xué)習(xí)很強(qiáng)的信息綜合能力神經(jīng)網(wǎng)絡(luò)控制的分類和典型模型便于硬件實(shí)現(xiàn)……

人工神經(jīng)網(wǎng)絡(luò)（ANN）前向網(wǎng)絡(luò)反饋網(wǎng)絡(luò)自組織網(wǎng)絡(luò)CMACMLPHopfieldBoltzman

MachineRNN

KohonenART智能控制的研究?jī)?nèi)容—神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)用于控制的方式

智能控制的研究?jī)?nèi)容—神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)控制與傳統(tǒng)控制決策變量：

傳統(tǒng)的控制中，單輸出控制系統(tǒng)中控制策略就是指單一的控制量；

智能控制中，控制策略還可以指一串動(dòng)作或者一個(gè)決策。輸入信息：

傳統(tǒng)的控制中，控制器通過(guò)輸出量和給定量的誤差來(lái)進(jìn)行控制策略的計(jì)算的；

智能控制中，控制器通過(guò)獲取系統(tǒng)的狀態(tài)來(lái)進(jìn)行控制策略的計(jì)算。

控制策略：

傳統(tǒng)的控制是根據(jù)系統(tǒng)的機(jī)理來(lái)設(shè)計(jì)控制器的；

智能控制中，深度神經(jīng)網(wǎng)絡(luò)的控制策略是系統(tǒng)經(jīng)過(guò)多次訓(xùn)練而得出的。智能控制的研究?jī)?nèi)容—遺傳算法遺傳算法（GA）是模擬自然進(jìn)化過(guò)程而得到的一種隨機(jī)性全局優(yōu)化方法。全局性快速性并行性魯棒性遺傳算法在自動(dòng)控制學(xué)科中的的應(yīng)用離散時(shí)間最優(yōu)控制問(wèn)題；Riccati方程的求解問(wèn)題；控制系統(tǒng)的魯棒穩(wěn)定問(wèn)題，等。遺傳算法已滲透到許多學(xué)科，如工程結(jié)構(gòu)優(yōu)化、計(jì)算數(shù)學(xué)、制造系統(tǒng)、航空航天、交通、計(jì)算機(jī)科學(xué)、通信、電子學(xué)、電力、材料科學(xué)等。主要內(nèi)容控制科學(xué)發(fā)展的新階段—智能控制1.11.21.3智能控制的基本概念與研究?jī)?nèi)容本書主要內(nèi)容本書的主要內(nèi)容本書的主要內(nèi)容簡(jiǎn)述智能控制產(chǎn)生的背景、起源與發(fā)展，討論智能控制的定義、特點(diǎn)和智能控制器的一般結(jié)構(gòu)，介紹智能控制的分層遞階結(jié)構(gòu)，闡述專家系統(tǒng)和學(xué)習(xí)控制與智能控制之間的關(guān)系。

介紹現(xiàn)有智能控制的主要形式，包括模糊推理、神經(jīng)網(wǎng)絡(luò)和遺傳算法，著重從控制系統(tǒng)的建模、控制與優(yōu)化的學(xué)科內(nèi)容要求出發(fā)，系統(tǒng)地介紹這些理論和方法對(duì)控制系統(tǒng)的意義。結(jié)合近年來(lái)在復(fù)雜控制系統(tǒng)的數(shù)據(jù)挖掘和信息處理，介紹智能控制方法的應(yīng)用，主要包括控制系統(tǒng)軟測(cè)量、數(shù)據(jù)挖掘、數(shù)據(jù)校正與數(shù)據(jù)融合等。本書的主要內(nèi)容本書的主線智能控制的結(jié)構(gòu)框架是模糊推理和神經(jīng)網(wǎng)絡(luò)。智能控制的核心算法是現(xiàn)代優(yōu)化算法。智能控制的目的是實(shí)現(xiàn)控制系統(tǒng)的學(xué)習(xí)和自適應(yīng)功能?！吨悄芸刂啤?023年5月第二章復(fù)雜系統(tǒng)結(jié)構(gòu)與智能控制主要內(nèi)容復(fù)雜系統(tǒng)的分層遞階智能控制2.12.22.3專家系統(tǒng)學(xué)習(xí)控制分層遞階智能控制的一般結(jié)構(gòu)原理G.N.Saridis等：提出了一種分層遞階智能控制理論，將數(shù)學(xué)建模和綜合方法以及語(yǔ)言學(xué)方法結(jié)合在一起，形成了一種適合于工程需要的智能控制方法該理論可認(rèn)為是三個(gè)主要學(xué)科領(lǐng)域的交叉：人工智能、運(yùn)籌學(xué)和控制理論溯源基本結(jié)構(gòu)各層功能分層遞階智能控制的一般結(jié)構(gòu)原理分層遞階智能控制系統(tǒng)的結(jié)構(gòu)：由組織級(jí)、協(xié)調(diào)級(jí)和執(zhí)行級(jí)三個(gè)層次組成三個(gè)層次按照自上而下精確程度漸增、智能程度逐減的原則進(jìn)行功能分配右圖2是一個(gè)典型的復(fù)雜系統(tǒng)智能控制的分層遞階結(jié)構(gòu)溯源基本結(jié)構(gòu)各層功能圖2.機(jī)器人分層遞階智能控制系統(tǒng)圖1.典型的分層遞階結(jié)構(gòu)分層遞階智能控制的一般結(jié)構(gòu)原理

溯源基本結(jié)構(gòu)各層功能

組織級(jí)組織級(jí)的主要任務(wù)任務(wù)規(guī)劃：對(duì)于給定的外部命令和任務(wù)，尋找能夠完成該任務(wù)的子系統(tǒng)控制任務(wù)的組合；任務(wù)傳達(dá)：將子任務(wù)要求送到協(xié)調(diào)級(jí)，通過(guò)協(xié)調(diào)處理，最后將具體的執(zhí)行動(dòng)作要求送至執(zhí)行級(jí)去完成所要求的任務(wù)；評(píng)價(jià)與反饋：對(duì)任務(wù)執(zhí)行的結(jié)果進(jìn)行性能評(píng)價(jià)，并將評(píng)價(jià)結(jié)果逐級(jí)向上反饋；學(xué)習(xí)：同時(shí)對(duì)以前存儲(chǔ)的知識(shí)信息加以修改，從而起到學(xué)習(xí)的作用。組織級(jí)的作用主要是進(jìn)行任務(wù)規(guī)劃，是典型的人工智能中的問(wèn)題求解組織級(jí)

協(xié)調(diào)級(jí)協(xié)調(diào)級(jí)的結(jié)構(gòu)

協(xié)調(diào)級(jí)的拓?fù)浣Y(jié)構(gòu)協(xié)調(diào)級(jí)分配器的任務(wù)和功能分配器的任務(wù)：處理對(duì)協(xié)調(diào)器的控制和通信。控制和通訊：將給定的基本事件的順序變換成具有必需信息的、面向協(xié)調(diào)器的控制動(dòng)作，并在適當(dāng)?shù)臅r(shí)刻把它們分配給相應(yīng)的協(xié)調(diào)器。在完成任務(wù)后，分配器也負(fù)責(zé)組成反饋信息，送回給組織級(jí)。分配器需要有以下功能：通訊能力數(shù)據(jù)處理能力任務(wù)處理能力學(xué)習(xí)功能協(xié)調(diào)級(jí)協(xié)調(diào)器的任務(wù)和功能協(xié)調(diào)器的任務(wù)：將給定的和面向協(xié)調(diào)器的控制動(dòng)作順序變換成具有必需數(shù)據(jù)和面向硬件的實(shí)時(shí)操作動(dòng)作，并將這些動(dòng)作發(fā)送給裝置。在執(zhí)行任務(wù)之后，協(xié)調(diào)器應(yīng)該將結(jié)果報(bào)告給分配器。協(xié)調(diào)器的功能：其能力與分配器完全一樣，但它處在較低和更特定的級(jí)別上。協(xié)調(diào)級(jí)分配器和協(xié)調(diào)器的結(jié)構(gòu)分配器和協(xié)調(diào)器有相同的組織結(jié)構(gòu)：由數(shù)據(jù)處理器、任務(wù)處理器和學(xué)習(xí)處理器組成。數(shù)據(jù)處理器：提供被執(zhí)行任務(wù)有關(guān)信息和目前系統(tǒng)的狀態(tài)。任務(wù)處理器：為下級(jí)單元建立控制命令，任務(wù)處理器采用遞階決策，包含三個(gè)步驟：任務(wù)調(diào)度、任務(wù)轉(zhuǎn)換和任務(wù)建立。學(xué)習(xí)處理器：是改善任務(wù)處理器的特性，以減少在決策和信息處理中的不確定性。執(zhí)行級(jí)的最優(yōu)控制優(yōu)化控制問(wèn)題的描述動(dòng)態(tài)系統(tǒng)的最優(yōu)控制已有系統(tǒng)的數(shù)學(xué)描述。在遞階智能控制中，最優(yōu)控制描述方法轉(zhuǎn)化為用熵進(jìn)行描述。這二種描述的方法實(shí)質(zhì)上是一致的。給定一個(gè)動(dòng)態(tài)系統(tǒng)

和性能指標(biāo)

執(zhí)行級(jí)的最優(yōu)控制優(yōu)化控制問(wèn)題的描述

并滿足Hamilton-Jacobi方程

執(zhí)行級(jí)的最優(yōu)控制優(yōu)化控制問(wèn)題的描述

對(duì)這個(gè)概率密度，可以賦予以下熵函數(shù)

執(zhí)行級(jí)的最優(yōu)控制優(yōu)化控制問(wèn)題的求解結(jié)合公式(6),(7),(8)，得到熵的無(wú)約束表達(dá)式為：

執(zhí)行級(jí)的最優(yōu)控制優(yōu)化控制問(wèn)題的求解因此最壞情況，即不確定性最大的概率密度為

注意到于是

執(zhí)行級(jí)的最優(yōu)控制優(yōu)化控制問(wèn)題的求解

因此

執(zhí)行級(jí)的最優(yōu)控制優(yōu)化控制問(wèn)題的求解

當(dāng)系統(tǒng)存在過(guò)程噪聲和測(cè)量噪聲時(shí)，用熵來(lái)描述最優(yōu)反饋控制，在信息理論與最優(yōu)控制問(wèn)題之間建立等價(jià)的測(cè)度關(guān)系。主要內(nèi)容復(fù)雜系統(tǒng)的分層遞階智能控制2.12.22.3專家系統(tǒng)學(xué)習(xí)控制專家系統(tǒng)的基本組成與特點(diǎn)專家系統(tǒng)的組成知識(shí)庫(kù)和推理機(jī)：專家系統(tǒng)中兩個(gè)主要的組成要素。知識(shí)庫(kù)：存儲(chǔ)著判斷性知識(shí)和敘述性知識(shí)。完整的知識(shí)庫(kù)還應(yīng)該包括具有管理功能的軟件系統(tǒng)。通過(guò)專家系統(tǒng)與領(lǐng)域?qū)＜业娜?機(jī)接口，建立和實(shí)時(shí)更新知識(shí)庫(kù)、對(duì)知識(shí)條目進(jìn)行測(cè)試和精練專家系統(tǒng)是一種人工智能的計(jì)算機(jī)程序系統(tǒng)，這些程序軟件具有相當(dāng)于某個(gè)專門領(lǐng)域?qū)＜业闹R(shí)和經(jīng)驗(yàn)水平，以及解決專門問(wèn)題的能力。專家系統(tǒng)的基本組成專家系統(tǒng)的基本組成與特點(diǎn)專家系統(tǒng)的組成推理機(jī)：運(yùn)用知識(shí)庫(kù)中提供的兩類知識(shí)，基于某種通用的問(wèn)題求解模型，進(jìn)行自動(dòng)推理、求解問(wèn)題的計(jì)算機(jī)軟件系統(tǒng)。包含兩類程序：

解釋程序：用于決定如何使用判斷性知識(shí)來(lái)推導(dǎo)新的知識(shí)；

調(diào)度程序：用于決定判斷性知識(shí)的使用次序。通過(guò)專家系統(tǒng)與系統(tǒng)用戶之間的人-機(jī)接口，系統(tǒng)可以輸入并“理解”用戶有關(guān)領(lǐng)域問(wèn)題的咨詢提問(wèn)，再向用戶輸出問(wèn)題求解的結(jié)論，并對(duì)推理過(guò)程做出解釋。專家系統(tǒng)的基本組成與特點(diǎn)專家系統(tǒng)的特點(diǎn)功能上：專家系統(tǒng)是一種知識(shí)信息處理系統(tǒng)，而不是數(shù)值信息計(jì)算系統(tǒng)。采用知識(shí)推理的各種方法求解問(wèn)題，進(jìn)行決策，而不是在固定程序控制下通過(guò)執(zhí)行指令完成求解任務(wù)。結(jié)構(gòu)上：專家系統(tǒng)的知識(shí)庫(kù)和推理機(jī)是獨(dú)立構(gòu)造、分離組織，但又相互作用的。維持專家系統(tǒng)的知識(shí)是明確的，可存取的，而且是可積累的。常規(guī)的軟件程序包含的領(lǐng)域知識(shí)往往是隱含的，與求解問(wèn)題的方法混雜在一起。專家系統(tǒng)的基本組成與特點(diǎn)專家系統(tǒng)的特點(diǎn)性能上：專家系統(tǒng)具有啟發(fā)性，透明性，和靈活性。啟發(fā)性：運(yùn)用專家的經(jīng)驗(yàn)知識(shí)對(duì)不確定或不精確的問(wèn)題進(jìn)行啟發(fā)式推理。透明性：向用戶顯示為得出某一結(jié)論而形成的推理鏈。靈活性：通過(guò)知識(shí)庫(kù)的擴(kuò)充和更新，提高求解專門問(wèn)題的水平或適應(yīng)環(huán)境對(duì)象的某些變化，通過(guò)與系統(tǒng)用戶的交互使自身的性能得到評(píng)價(jià)和監(jiān)控。專家智能控制系統(tǒng)的基本原理專家控制的目標(biāo)功能目標(biāo)：模擬、延伸、擴(kuò)展“控制專家”的思想、策略和方法。包括成熟的理論方法，直覺(jué)經(jīng)驗(yàn)和手動(dòng)控制技能。專家控制并不是對(duì)傳統(tǒng)控制理論和技術(shù)的排斥、替代，而是對(duì)它的包容和發(fā)展。專家控制是指將專家系統(tǒng)的設(shè)計(jì)規(guī)范和運(yùn)行機(jī)制與傳統(tǒng)控制理論和技術(shù)相結(jié)合而形成的實(shí)時(shí)控制系統(tǒng)設(shè)計(jì)、實(shí)現(xiàn)的方法。專家智能控制系統(tǒng)的基本原理傳統(tǒng)控制技術(shù)中存在的啟發(fā)式控制邏輯控制算法的參數(shù)整定和優(yōu)化。例如PID控制算法參數(shù)整定常用的Ziegler-Nichols規(guī)則。不同算法的選擇決策和協(xié)調(diào)。例如參數(shù)自適應(yīng)控制中可以使用不同的控制算法：最小方差控制、極點(diǎn)配置控制等。未建模動(dòng)態(tài)的處理。例如PID控制中，若并未考慮系統(tǒng)元件的非線性，誤差過(guò)大，則取消積分項(xiàng)。

系統(tǒng)在線運(yùn)行的輔助操作。例如，當(dāng)系統(tǒng)出現(xiàn)異常狀態(tài)或控制幅值超限時(shí)，必須在某種邏輯控制下進(jìn)行報(bào)警和現(xiàn)場(chǎng)處理。專家智能控制所實(shí)現(xiàn)的控制作用是控制規(guī)律的解析算法與各種啟發(fā)式控制邏輯的有機(jī)結(jié)合。仿人智能控制廣義上講，各種智能控制方法研究的共同點(diǎn)都是使工程控制系統(tǒng)具有某種“仿人”的智能，即研究人腦的微觀或宏觀的結(jié)構(gòu)功能，并把它移植到工程控制系統(tǒng)上。

a)一種簡(jiǎn)單的特征模型a)偏差響應(yīng)曲線仿人智能控制

仿人智能控制

仿人智能控制仿人智能控制器的設(shè)計(jì)步驟

仿人智能控制器設(shè)計(jì)特征辨識(shí)特征記憶決策模態(tài)根據(jù)系統(tǒng)的輸入/輸出數(shù)據(jù)進(jìn)行特征識(shí)別，從而確定系統(tǒng)當(dāng)前處于什么樣的特征狀態(tài)特征信息或者集中地表示了控制器前期決策與控制的效果，或者集中地反映了控制任務(wù)的要求以及被控對(duì)象的性質(zhì)。仿人智能控制器的輸入信息和特征記憶量與輸出信息之間的某種定量或定性的映射關(guān)系仿人智能控制器在實(shí)現(xiàn)上為分層遞階的結(jié)構(gòu)，并遵循層次隨“智能增加而精度降低”的IPDI原則仿人智能控制仿人智能控制的方法原理分層的信息處理和決策機(jī)構(gòu)；在線的特征辨識(shí)和特征記憶；開(kāi)/閉環(huán)控制，正/負(fù)反饋控制和定性/定量控制相結(jié)合的多模態(tài)控制；啟發(fā)式直覺(jué)推理邏輯的運(yùn)用。主要內(nèi)容復(fù)雜系統(tǒng)的分層遞階智能控制2.12.3學(xué)習(xí)控制2.2專家系統(tǒng)概述學(xué)習(xí)控制的概述的主要任務(wù)學(xué)習(xí)控制是智能控制的一個(gè)重要分支。學(xué)習(xí)控制是傳統(tǒng)控制技術(shù)發(fā)展的高級(jí)形態(tài)。隨著智能控制的興起和發(fā)展，學(xué)習(xí)控制已被看作是脫離開(kāi)傳統(tǒng)范疇的新技術(shù)、新方法，可形成一類獨(dú)立的智能控制系統(tǒng)。學(xué)習(xí)控制把過(guò)去的經(jīng)驗(yàn)與過(guò)去的控制局勢(shì)相聯(lián)系，能針對(duì)一定的控制局勢(shì)來(lái)調(diào)用適當(dāng)?shù)慕?jīng)驗(yàn)。學(xué)習(xí)控制強(qiáng)調(diào)記憶，而且記憶的是控制作用表示為運(yùn)行狀態(tài)的函數(shù)的經(jīng)驗(yàn)信息?；谀Ｊ阶R(shí)別的學(xué)習(xí)控制基于模式識(shí)別的學(xué)習(xí)控制的結(jié)構(gòu)具有三個(gè)反饋環(huán)的層次結(jié)構(gòu)底層是簡(jiǎn)單反饋環(huán)，包括一個(gè)補(bǔ)償器，它提供控制作用；中間層是自適應(yīng)層，包括一個(gè)模式識(shí)別器，它對(duì)補(bǔ)償器進(jìn)行調(diào)整，以響應(yīng)對(duì)象動(dòng)態(tài)特性變化的估計(jì)；高層是學(xué)習(xí)環(huán)，包括一個(gè)“教師”(一種控制器)，它對(duì)模式識(shí)別器進(jìn)行訓(xùn)練，以做出最優(yōu)或近似最優(yōu)的識(shí)別?；舅枷耄横槍?duì)先驗(yàn)知識(shí)不完全的對(duì)象和環(huán)境，將控制局勢(shì)進(jìn)行分類，確定這種分類的決策，根據(jù)不同的決策切換控制作用的選擇，通過(guò)對(duì)控制器性能估計(jì)來(lái)引導(dǎo)學(xué)習(xí)過(guò)程，從而使系統(tǒng)總的性能得到改善?；谀Ｊ阶R(shí)別的學(xué)習(xí)控制基于模式識(shí)別的學(xué)習(xí)控制的結(jié)構(gòu)補(bǔ)償器：由多路開(kāi)關(guān)和控制作用的并行單元組成；模式識(shí)別器：將對(duì)象的動(dòng)態(tài)特性變化轉(zhuǎn)換為一組特征；分類器：把特征與模式類別相聯(lián)系；“教師”：監(jiān)視系統(tǒng)的性能，并調(diào)整模式類別在特征空間中的界面；根據(jù)計(jì)算所得的性能指標(biāo)對(duì)分類器進(jìn)行“獎(jiǎng)勵(lì)”或“懲罰”。學(xué)習(xí)控制器的原理框圖基于模式識(shí)別的學(xué)習(xí)控制三個(gè)反饋環(huán)的作用

基于模式識(shí)別的學(xué)習(xí)控制反饋環(huán)自適應(yīng)層學(xué)習(xí)環(huán)對(duì)象的參數(shù)在穩(wěn)定范圍內(nèi)變化，而且外部干擾統(tǒng)計(jì)上也是穩(wěn)態(tài)的如對(duì)象參數(shù)變化劇烈，出現(xiàn)不穩(wěn)定的干擾，那么借助于模式識(shí)別器進(jìn)行參數(shù)估計(jì)，啟用自適應(yīng)控制對(duì)象變化和環(huán)境干擾的統(tǒng)計(jì)特性是未知的，模式識(shí)別器并不可能事先得到充分的設(shè)計(jì)再勵(lì)學(xué)習(xí)控制

再勵(lì)學(xué)習(xí)控制

Bayes學(xué)習(xí)控制

Bayes學(xué)習(xí)控制利用一種基于Bayes定理的迭代方法來(lái)估計(jì)未知的密度函數(shù)信息。迭代學(xué)習(xí)控制

針對(duì)一類特定的系統(tǒng)但又不依賴系統(tǒng)的精確數(shù)學(xué)模型，迭代學(xué)習(xí)控制通過(guò)反復(fù)訓(xùn)練的方式進(jìn)行自學(xué)習(xí)，使系統(tǒng)逐步逼近期望的輸出。迭代學(xué)習(xí)控制下圖描述了這種方法的迭代運(yùn)行結(jié)構(gòu)和過(guò)程。迭代自學(xué)習(xí)控制的運(yùn)行迭代學(xué)習(xí)控制

基于聯(lián)結(jié)主義的學(xué)習(xí)控制

聯(lián)結(jié)主義的機(jī)制是實(shí)現(xiàn)學(xué)習(xí)功能、形成學(xué)習(xí)控制系統(tǒng)總體結(jié)構(gòu)的一種有效方法。聯(lián)結(jié)主義學(xué)習(xí)控制的研究主要基于神經(jīng)網(wǎng)絡(luò)、模糊推理等技術(shù)，代表了學(xué)習(xí)控制問(wèn)題中一類重要的理論觀點(diǎn)?；诼?lián)結(jié)主義的學(xué)習(xí)控制

《智能控制》2023年5月第三章模糊集合與模糊推理主要內(nèi)容模糊集合及其運(yùn)算3.13.23.3模糊關(guān)系與模糊推理基于規(guī)則庫(kù)的模糊推理3.1模糊集合及其運(yùn)算

圖3-1“年輕”、“中年”、“老年”的隸屬度函數(shù)3.1.1模糊集合的定義及表示方法

圖3-2模糊單點(diǎn)的隸屬度函數(shù)

3.1模糊集合及其運(yùn)算模糊集合的表達(dá)方式

3.1模糊集合及其運(yùn)算

3.1模糊集合及其運(yùn)算

3.1模糊集合及其運(yùn)算

圖3-3“年青”與“年老”的隸屬函數(shù)曲線3.1模糊集合及其運(yùn)算

3.1模糊集合及其運(yùn)算3.1.2模糊集合的基本運(yùn)算

3.1模糊集合及其運(yùn)算

圖3-4模糊集合運(yùn)算的韋氏圖3.1模糊集合及其運(yùn)算

3.1模糊集合及其運(yùn)算

模糊集合的代數(shù)運(yùn)算法則3.1模糊集合及其運(yùn)算

3.1模糊集合及其運(yùn)算

3.1.2模糊集合運(yùn)算的基本性質(zhì)

3.1模糊集合及其運(yùn)算

3.1模糊集合及其運(yùn)算3.2模糊關(guān)系與模糊推理

3.2.1

模糊關(guān)系的定義及表示方法

405060708014010.80.20.101500.810.80.20.11600.20.810.80.21700.10.20.810.818000.10.20.81表

3-1身高與體重接近標(biāo)準(zhǔn)關(guān)系的程度3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理3.2.2

模糊關(guān)系的合成

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理3.2.3

語(yǔ)言變量與蘊(yùn)含關(guān)系

圖3-7模糊語(yǔ)言變量“速度”的隸屬度函數(shù)3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

圖3-8語(yǔ)言變量的五元體示圖在模糊控制中，模糊控制規(guī)則實(shí)質(zhì)上是模糊蘊(yùn)含關(guān)系。在模糊邏輯中有很多種定義模糊蘊(yùn)含的方法，我們必須針對(duì)控制的目的選擇符合直覺(jué)判據(jù)的定義方法。在模糊推理中有兩類最主要的模糊蘊(yùn)含推理方式：一類是廣義前向推理方式；另一類是廣義反向推理方式。3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

準(zhǔn)則1準(zhǔn)則2-1準(zhǔn)則2-2準(zhǔn)則3-1準(zhǔn)則3-2準(zhǔn)則4-1準(zhǔn)則4-2表3-2廣義前向推理的準(zhǔn)則

準(zhǔn)則5準(zhǔn)則6準(zhǔn)則7準(zhǔn)則8-1準(zhǔn)則8-2表3-3廣義反向推理的準(zhǔn)則3.2模糊關(guān)系與模糊推理

模糊蘊(yùn)含關(guān)系的運(yùn)算方法3.2模糊關(guān)系與模糊推理

模糊蘊(yùn)含關(guān)系的運(yùn)算方法3.2模糊關(guān)系與模糊推理3.2.4

近似推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理

3.2模糊關(guān)系與模糊推理3.3基于規(guī)則庫(kù)的模糊邏輯3.3.1

模糊推理的基本方法

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯3.3.2

模糊推理的性質(zhì)

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯圖3-11和圖3-12表示了輸入為單點(diǎn)模糊集合時(shí)的模糊推理的圖示計(jì)算方法。3.3.3

模糊控制中幾種常用的模糊推理

3.3基于規(guī)則庫(kù)的模糊邏輯圖3-13采用第三種方法的模糊推理3.3基于規(guī)則庫(kù)的模糊邏輯

3.3基于規(guī)則庫(kù)的模糊邏輯第四章基于模糊推理的智能控制主要內(nèi)容模糊控制系統(tǒng)的基本概念4.14.24.4模糊控制的基本原理模糊控制器的設(shè)計(jì)過(guò)程4.5模糊控制系統(tǒng)的分析與設(shè)計(jì)4.6模糊控制系統(tǒng)的應(yīng)用4.3模糊控制系統(tǒng)的兩種基本類型主要內(nèi)容模糊控制系統(tǒng)的基本概念4.14.24.4模糊控制的基本原理模糊控制器的設(shè)計(jì)過(guò)程4.5模糊控制系統(tǒng)的分析與設(shè)計(jì)4.6模糊控制系統(tǒng)的應(yīng)用4.3模糊控制系統(tǒng)的兩種基本類型模糊控制系統(tǒng)組成4.1模糊控制系統(tǒng)的基本概念被控對(duì)象：對(duì)于那些難以建立精確數(shù)學(xué)模型的復(fù)雜對(duì)象，更適宜采用模糊控制執(zhí)行機(jī)構(gòu)：除了電氣以外,如各類交、直流電動(dòng)機(jī)，伺服電動(dòng)機(jī)，步進(jìn)電動(dòng)機(jī)等，還有氣動(dòng)的和液壓的，如各類氣動(dòng)調(diào)節(jié)閥和液壓馬達(dá)、液壓閥等控制器：采用基于模糊知識(shí)表示和規(guī)則推理的語(yǔ)言型“模糊控制器”，這也是模糊控制系統(tǒng)區(qū)別于其他自動(dòng)控制系統(tǒng)的特點(diǎn)所在輸入/輸出（I/O）接口：適用于模糊邏輯處理的“模糊化”與“解模糊化”（或稱“非模糊化”)環(huán)節(jié)測(cè)量裝置：往往將測(cè)量裝置的觀測(cè)值反饋到系統(tǒng)輸入端，并與給定輸入量相比較，構(gòu)成具有反饋通道的閉環(huán)結(jié)構(gòu)形式模糊控制系統(tǒng)的原理4.1模糊控制系統(tǒng)的基本概念圖4-1模糊控制原理框圖控制步驟：根據(jù)本次采樣得到的系統(tǒng)的輸出值，計(jì)算所選擇的系統(tǒng)的輸入變量；將輸入變量的精確值變?yōu)槟：?；根?jù)輸入變量（模糊量）及模糊控制規(guī)則，按模糊推理合成規(guī)則計(jì)算控制量（模糊量）；由上述得到的控制量（模糊量）計(jì)算精確的控制量。模糊控制系統(tǒng)的分類4.1模糊控制系統(tǒng)的基本概念1．線性模糊控制系統(tǒng)與非線性模糊控制系統(tǒng)

線性度定義

模糊控制系統(tǒng)的分類4.1模糊控制系統(tǒng)的基本概念2．恒值模糊控制系統(tǒng)與隨動(dòng)模糊控制系統(tǒng)模糊控制系統(tǒng)與確定性控制系統(tǒng)一樣，根據(jù)系統(tǒng)輸出量（被控制量）為恒定值或者是以一定精度跟蹤輸入量函數(shù)的不同要求，可以分為恒值模糊控制系統(tǒng)與隨動(dòng)模糊控制系統(tǒng)兩類。恒值模糊控制系統(tǒng)：若系統(tǒng)的給定值不變，要求其被控制輸出量保持恒定，而影響被控制量變化的只是進(jìn)入系統(tǒng)的有界擾動(dòng)作用，控制的目的是要求系統(tǒng)自動(dòng)地克服這些擾動(dòng)影響，如液位模糊控制系統(tǒng)等。隨動(dòng)模糊控制系統(tǒng)：若系統(tǒng)的給定值是時(shí)間函數(shù)，要求其被控制輸出量按一定精度要求，快速地跟蹤給定值函數(shù)。盡管系統(tǒng)也存在外界擾動(dòng)，但其對(duì)系統(tǒng)的影響不是控制的主要目標(biāo)，如機(jī)器人關(guān)節(jié)的模糊控制位置隨動(dòng)系統(tǒng)。模糊控制系統(tǒng)的分類4.1模糊控制系統(tǒng)的基本概念3．有差模糊控制系統(tǒng)與無(wú)差模糊控制系統(tǒng)控制系統(tǒng)靜態(tài)精度的重要標(biāo)志之一是系統(tǒng)的穩(wěn)態(tài)誤差，即當(dāng)系統(tǒng)達(dá)到穩(wěn)定狀態(tài)后，其輸出與給定輸入所對(duì)應(yīng)的期望輸出之間的差值。顯然，這種誤差越小，系統(tǒng)的穩(wěn)態(tài)精度越高。按靜態(tài)誤差是否存在，也可以分為有差模糊控制系統(tǒng)和無(wú)差模糊控制系統(tǒng)。：有差模糊控制系統(tǒng)：通常的模糊控制器在設(shè)計(jì)中只考慮系統(tǒng)輸出誤差的大小及其變化率，相當(dāng)于一般的PD調(diào)節(jié)器作用，再加上模糊控制器本身的多級(jí)繼電特性，因此，一般的模糊控制系統(tǒng)均存在有靜態(tài)誤差無(wú)差模糊控制系統(tǒng)：根據(jù)在通常的自動(dòng)控制系統(tǒng)中采用帶有積分環(huán)節(jié)的PID調(diào)節(jié)器原理，如果在模糊控制器中也引入積分作用，則可以將常規(guī)模糊控制器所存在的余差抑制到最小限度，達(dá)到模糊控制系統(tǒng)的無(wú)差要求。當(dāng)然，這里的無(wú)差也是一個(gè)模糊概念，只能是某種限度上的無(wú)靜差主要內(nèi)容模糊控制系統(tǒng)的基本概念4.14.24.4模糊控制的基本原理模糊控制器的設(shè)計(jì)過(guò)程4.5模糊控制系統(tǒng)的分析與設(shè)計(jì)4.6模糊控制系統(tǒng)的應(yīng)用4.3模糊控制系統(tǒng)的兩種基本類型模糊控制系統(tǒng)的結(jié)構(gòu)4.2模糊控制系統(tǒng)的基本原理模糊控制系統(tǒng)又稱為模糊邏輯控制器（FuzzyLogicController,FLC），一般模糊控制系統(tǒng)的框圖如圖4-2所示，從功能上劃分，它主要由四個(gè)部分組成：模糊化、知識(shí)庫(kù)、模糊推理和清晰化。圖4-2模糊控制器的結(jié)構(gòu)圖4.2模糊控制系統(tǒng)的基本原理

模糊控制系統(tǒng)的結(jié)構(gòu)分類4.2模糊控制系統(tǒng)的基本原理

1.模糊化

4.2模糊控制系統(tǒng)的基本原理

2.模糊控制的知識(shí)庫(kù)知識(shí)庫(kù)主要包含有數(shù)據(jù)庫(kù)和規(guī)則庫(kù)：數(shù)據(jù)庫(kù)：存放所有輸入、輸出變量論域，以及模糊子集的定義。用于向推理機(jī)、在模糊化接口和清晰化接口提供必要的數(shù)據(jù)。規(guī)則庫(kù)：存放模糊控制規(guī)則。建立方法有：a.總結(jié)操作人員、領(lǐng)域?qū)＜摇⒖刂乒こ處煹慕?jīng)驗(yàn)和知識(shí)b.基于過(guò)程的模糊模型c.基于學(xué)習(xí)和優(yōu)化的方法4.2模糊控制系統(tǒng)的基本原理

3.模糊推理機(jī)模糊推理：采用某種推理方法，由采樣時(shí)刻的輸入和模糊控制規(guī)則導(dǎo)出模糊控制器的控制量輸出常用的推理算法：采樣時(shí)刻的輸入模糊控制規(guī)則控制器輸出某種推理方法Mamdani模糊推理算法Larsen模糊推理算法Takagi-Sugeno模糊推理算法Tsukamoto模糊推理算法簡(jiǎn)單模糊推理算法4.2模糊控制系統(tǒng)的基本原理

3.模糊推理機(jī)

4.2模糊控制系統(tǒng)的基本原理

4.清晰化

4.2模糊控制系統(tǒng)的基本原理

4.清晰化

4.2模糊控制系統(tǒng)的基本原理

4.清晰化

優(yōu)點(diǎn)：簡(jiǎn)單易行，也十分直觀缺點(diǎn)：不夠全面（僅考慮主要信息，放棄次要信息）全面考慮模糊量各部分信息作用4.2模糊控制系統(tǒng)的基本原理

4.清晰化

4.2模糊控制系統(tǒng)的基本原理及類型

4.清晰化

圖4-8元素隸屬度累加曲線

4.2模糊控制系統(tǒng)的基本原理

4.清晰化

4.2模糊控制系統(tǒng)的基本原理

4.清晰化

主要內(nèi)容模糊控制系統(tǒng)的基本概念4.14.24.4模糊控制的基本原理模糊控制器的設(shè)計(jì)過(guò)程4.5模糊控制系統(tǒng)的分析與設(shè)計(jì)4.6模糊控制系統(tǒng)的應(yīng)用4.3模糊控制系統(tǒng)的兩種基本類型4.3模糊控制系統(tǒng)的兩種基本類型4.3.1Mamdani型模糊控制系統(tǒng)的工作原理

4.3模糊控制系統(tǒng)的兩種基本類型4.3.1Mamdani型模糊控制系統(tǒng)的工作原理

4.3模糊控制系統(tǒng)的兩種基本類型4.3.2T-S型模糊控制系統(tǒng)的工作原理

4.3模糊控制系統(tǒng)的兩種基本類型4.3.2T-S型模糊控制系統(tǒng)的工作原理

主要內(nèi)容模糊控制系統(tǒng)的基本概念4.14.24.4模糊控制的基本原理模糊控制器的設(shè)計(jì)過(guò)程4.5模糊控制系統(tǒng)的分析與設(shè)計(jì)4.6模糊控制系統(tǒng)的應(yīng)用4.3模糊控制系統(tǒng)的兩種基本類型4.4模糊控制系統(tǒng)的設(shè)計(jì)過(guò)程4.4.1輸入量的模糊化

圖4-3模糊控制系統(tǒng)4.4模糊控制系統(tǒng)的設(shè)計(jì)過(guò)程4.4.1輸入量的模糊化

正大(PL)：取在+6附近負(fù)零(NZ)：在比零稍小一點(diǎn)正中(PM)：取在+4附近負(fù)小(NS)：取在-2附近正小(PS)：取在+2附近負(fù)中(NM)：取在-4附近正零(PZ)：在比零稍大一點(diǎn)負(fù)大(NL)：取在-6附近圖4-4控制系統(tǒng)語(yǔ)言變量的隸屬度函數(shù)

4.4模糊控制系統(tǒng)的設(shè)計(jì)過(guò)程4.4.2模糊規(guī)則與模糊推理

4.4模糊控制系統(tǒng)的設(shè)計(jì)過(guò)程4.4.2模糊規(guī)則與模糊推理

4.4模糊控制系統(tǒng)的設(shè)計(jì)過(guò)程4.4.3模糊判決

主要內(nèi)容模糊控制系統(tǒng)的基本概念4.14.24.4模糊控制的基本原理模糊控制器的設(shè)計(jì)過(guò)程4.5模糊控制系統(tǒng)的分析與設(shè)計(jì)4.6模糊控制系統(tǒng)的應(yīng)用4.3模糊控制系統(tǒng)的兩種基本類型4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.1模糊模型①基于模糊關(guān)系方程的模糊模型

②一階T-S模糊模型

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.1模糊模型

③擬非線性模糊模型

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.2模糊關(guān)系模型的辨識(shí)

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.2模糊關(guān)系模型的辨識(shí)

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.2模糊關(guān)系模型的辨識(shí)

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.2模糊關(guān)系模型的辨識(shí)

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)①

T-S模糊模型結(jié)構(gòu)

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)②

T-S模糊模型辨識(shí)的基本方法

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)②

T-S模糊模型辨識(shí)的基本方法前提部分和結(jié)論部分的聯(lián)合辨識(shí)：先給出初始的前提結(jié)構(gòu)和參數(shù)然后辨識(shí)結(jié)論參數(shù)再計(jì)算性能指標(biāo)，若不滿足要求，則再次修改模糊集合的劃分存在的問(wèn)題：前提部分的劃分和參數(shù)與結(jié)論參數(shù)直接耦合前提條件中模糊集合劃分的改變直接影響到結(jié)論參數(shù)的辨識(shí)建立的模型對(duì)特定的數(shù)據(jù)有較高的精度工況的改變又會(huì)影響到模糊集合的劃分4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)③T-S模糊模型辨識(shí)的改進(jìn)方法前提部分和結(jié)論部分的分開(kāi)辨識(shí)：根據(jù)系統(tǒng)的特征或某種指標(biāo)，對(duì)輸入變量先進(jìn)行模糊聚類，確定前提部分輸入變量的隸屬度函數(shù)分布，在這種劃分下，再辨識(shí)結(jié)論部分的參數(shù)前提部分的模糊離散化模糊聚類算法結(jié)論參數(shù)的辨識(shí)4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)④基于T-S模糊模型的控制PDC(paralleldistributedcompensation)：對(duì)每一規(guī)則對(duì)應(yīng)的線性子系統(tǒng)采用狀態(tài)反饋控制律，然后通過(guò)模糊加權(quán)得到全局系統(tǒng)的控制器，并對(duì)全局系統(tǒng)的穩(wěn)定性進(jìn)行分析，得到系統(tǒng)全局穩(wěn)定的充分性條件。圖4-9T-S模糊控制系統(tǒng)的設(shè)計(jì)4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)④基于T-S模糊模型的控制

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)④基于T-S模糊模型的控制

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)④基于T-S模糊模型的控制

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.3基于Takagi-Sugeno模糊模型的辨識(shí)④基于T-S模糊模型的控制

4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.4模糊控制系統(tǒng)的穩(wěn)定性分析

①相平面分析4.5模糊控制系統(tǒng)的分析和設(shè)計(jì)4.5.4模糊控制系統(tǒng)的穩(wěn)定性分析②

Lyapunov判據(jù)分析法

該標(biāo)量函數(shù)是Lyapunov函數(shù)，用來(lái)確定模糊控制系統(tǒng)靜止?fàn)顟B(tài)的穩(wěn)定特性主要內(nèi)容模糊控制系統(tǒng)的基本概念4.14.24.4模糊控制的基本原理模糊控制器的設(shè)計(jì)過(guò)程4.5模糊控制系統(tǒng)的分析與設(shè)計(jì)4.6模糊控制系統(tǒng)的應(yīng)用4.3模糊控制系統(tǒng)的兩種基本類型4.6模糊控制系統(tǒng)的應(yīng)用4.6.1蒸汽發(fā)動(dòng)機(jī)的模糊控制系統(tǒng)英國(guó)學(xué)者M(jìn)amdani和Assilian研究了小型實(shí)驗(yàn)室用汽輪機(jī)的模糊控制被控對(duì)象：蒸汽發(fā)動(dòng)機(jī)和鍋爐蒸汽發(fā)動(dòng)機(jī)：通過(guò)調(diào)整發(fā)動(dòng)機(jī)氣缸的風(fēng)門，控制速度鍋爐：以熱量作為輸入量，控制汽壓圖4-20蒸汽機(jī)和鍋爐的模糊控制系統(tǒng)兩輸入兩輸出控制系統(tǒng)操縱變量：鍋爐的供給熱量與蒸汽機(jī)油門的開(kāi)度采用人工控制上述過(guò)程比較困難（存在非線性、噪聲以及兩個(gè)控制回路件的強(qiáng)耦合）4.6模糊控制系統(tǒng)的應(yīng)用4.6.1蒸汽發(fā)動(dòng)機(jī)的模糊控制系統(tǒng)①模糊控制器的結(jié)構(gòu)采用如下六個(gè)模糊變量：輸入模糊變量：（1）：PE(pressureerror)——壓力誤差（2）：SE(speederror)——速度誤差（3）：CPE(changeinpressureerror)——壓力誤差的變化（4）：CSE(changeinspeederror)——速度誤差的變化輸出模糊變量：（5）：HC(heatchange)——熱量變化（6）：TC（throttlechange）——油門變化4.6模糊控制系統(tǒng)的應(yīng)用4.6.1蒸汽發(fā)動(dòng)機(jī)的模糊控制系統(tǒng)②模糊變量的論域及其隸屬度函數(shù)

輸入模糊變量4.6模糊控制系統(tǒng)的應(yīng)用4.6.1蒸汽發(fā)動(dòng)機(jī)的模糊控制系統(tǒng)②模糊變量的論域及其隸屬度函數(shù)

輸出模糊變量4.6模糊控制系統(tǒng)的應(yīng)用4.6.1蒸汽發(fā)動(dòng)機(jī)的模糊控制系統(tǒng)③控制規(guī)則兩個(gè)反饋環(huán)分別制定在兩套模糊控制規(guī)則：2.速度控制規(guī)則

1.壓力控制規(guī)則4.6模糊控制系統(tǒng)的應(yīng)用4.6.1蒸汽發(fā)動(dòng)機(jī)的模糊控制系統(tǒng)④模糊控制的結(jié)果Mamdani比較了鍋爐出口壓力的模糊控制結(jié)果與DDC控制的結(jié)果如下：實(shí)驗(yàn)結(jié)果表明：當(dāng)工作條件在大范圍變動(dòng)時(shí)，由于動(dòng)力過(guò)程的改變，傳統(tǒng)的DDC控制方式無(wú)法在同一主參數(shù)下得到滿意的控制特性。與此相反，模糊控制系統(tǒng)對(duì)過(guò)程參數(shù)的變化很不靈敏，在所有的工作點(diǎn)都能收到很好的控制效果。圖4-20階躍響應(yīng)曲線《智能控制》第五章基于經(jīng)典機(jī)器學(xué)習(xí)方法的智能控制主要內(nèi)容機(jī)器學(xué)習(xí)的基本概念5.15.25.3決策樹(shù)支持向量機(jī)5.5經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用5.4主成成分分析

機(jī)器學(xué)習(xí)(ML)有監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)聚類5.1—機(jī)器學(xué)習(xí)的基本概念機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的分類邏輯回歸降維決策樹(shù)支持向量機(jī)人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)機(jī)器學(xué)習(xí)模型指標(biāo)預(yù)測(cè)/性能提升數(shù)據(jù)分析圖像處理自然語(yǔ)言處理控制工程領(lǐng)域……5.2—決策樹(shù)決策樹(shù)的概念決策樹(shù)是一種簡(jiǎn)單有效的分類方法。基于樣本數(shù)據(jù)，遞歸選擇合適特征條件作為分支節(jié)點(diǎn)，不斷提高子分支的“純度”特征在于，能夠?qū)?fù)雜的決策過(guò)程分解為一系列更加簡(jiǎn)單的步驟優(yōu)點(diǎn)在于，結(jié)果直觀，可解釋性更強(qiáng)結(jié)點(diǎn)(Node)分支(Branch)根結(jié)點(diǎn)(RootNode)內(nèi)部結(jié)點(diǎn)(InternalNode)葉結(jié)點(diǎn)(LeafNode)父結(jié)點(diǎn)(ParentNode)子結(jié)點(diǎn)(ChildNode)5.2—決策樹(shù)決策樹(shù)的構(gòu)建—生成過(guò)程

遞歸過(guò)程開(kāi)始選擇最優(yōu)特征a根據(jù)a對(duì)數(shù)據(jù)進(jìn)行分類查看結(jié)點(diǎn)中數(shù)據(jù)類別是否同類是否滿足停止條件設(shè)為葉結(jié)點(diǎn)完成是否是否停止條件當(dāng)前結(jié)點(diǎn)內(nèi)的數(shù)據(jù)樣本均屬于同一個(gè)類別，無(wú)需進(jìn)一步分割能夠作為劃分標(biāo)準(zhǔn)的特征已經(jīng)全部使用，無(wú)法選出新的劃分特征當(dāng)前結(jié)點(diǎn)內(nèi)的數(shù)據(jù)樣本在所有特征上具有相同的值當(dāng)前結(jié)點(diǎn)內(nèi)的數(shù)據(jù)樣本集為空，無(wú)法再做劃分5.2—決策樹(shù)

決策樹(shù)的構(gòu)建—特征選擇5.2—決策樹(shù)目的：對(duì)正在構(gòu)造的或是已經(jīng)生成的決策樹(shù)進(jìn)行簡(jiǎn)化，降低過(guò)擬合的風(fēng)險(xiǎn)。種類：預(yù)剪枝（pre-pruning）和后剪枝（pro-pruning）決策樹(shù)的構(gòu)建—剪枝預(yù)剪枝：在構(gòu)建決策樹(shù)過(guò)程中，根據(jù)一定的條件，提前停止剪枝過(guò)程。舉例：訓(xùn)練數(shù)據(jù)T中抽出一部分組成驗(yàn)證集Test，在對(duì)樣本進(jìn)行劃分時(shí)，在Test上驗(yàn)證劃分前與劃分后的精度，若精度有提升，則執(zhí)行劃分操作，否則不執(zhí)行劃分操作，當(dāng)前結(jié)點(diǎn)修改為葉節(jié)點(diǎn)。后剪枝：后剪枝則是指在生成了一棵完整的決策樹(shù)后，再對(duì)分支進(jìn)行刪減。舉例：從決策樹(shù)的葉結(jié)點(diǎn)開(kāi)始遞歸地向上回溯，將某個(gè)葉結(jié)點(diǎn)的父結(jié)點(diǎn)修改為葉結(jié)點(diǎn)，考察在驗(yàn)證集上分類精度的變化。若修改為葉結(jié)點(diǎn)后分類精度上升，則意味著當(dāng)前的分支造成了決策樹(shù)泛化能力的下降，應(yīng)當(dāng)被剪除。類別：二分類算法

算法核心：劃分超平面

面對(duì)問(wèn)題：線性劃分/非線性劃分難點(diǎn)：尋找合適的超平面，使模型具備良好的魯棒性和泛化能力，乃至處理非線性劃分分類思想依據(jù)：最大化間隔的分類思想5.3—支持向量機(jī)支持向量機(jī)的概念正類反類分離超平面

5.3—支持向量機(jī)線性可分問(wèn)題與硬間隔支持向量機(jī)正類反類分離超平面

問(wèn)題特點(diǎn)：兩個(gè)類別線性可分，存在一個(gè)明確的分隔間隔。處在間隔邊界上的樣本點(diǎn)叫做“支持向量”

支持向量幾何間隔

5.3—支持向量機(jī)求解超平面及其對(duì)偶問(wèn)題

5.3—支持向量機(jī)求解超平面及其對(duì)偶問(wèn)題

5.3—支持向量機(jī)線性問(wèn)題與軟間隔支持向量機(jī)

正類反類不可分點(diǎn)

5.3—支持向量機(jī)非線性可分問(wèn)題與核方法低維，線性不可分映射到高維，線性可分維度災(zāi)難：實(shí)際應(yīng)用中，數(shù)據(jù)維度較高，但是可能只有部分特征與學(xué)習(xí)任務(wù)強(qiáng)相關(guān)，其余特征冗余。同時(shí)，高維數(shù)據(jù)還會(huì)在機(jī)器學(xué)習(xí)算法中帶來(lái)巨大的計(jì)算負(fù)擔(dān)。降維：通過(guò)某種數(shù)學(xué)變換，將數(shù)據(jù)特征由原本的高維空間投射到低維空間。通常用在機(jī)器學(xué)習(xí)和圖像處理過(guò)程中來(lái)降低高維數(shù)據(jù)的維度，同時(shí)提取并保留初始數(shù)據(jù)的主要特征，便于模型的建立。5.4—主成成分分析主成成分分析的基本思想—降維滿足要求：

最近重構(gòu)性：樣本集中所有點(diǎn)，重構(gòu)后

的點(diǎn)距離原來(lái)的點(diǎn)的誤差之和最小。

最大可分性：樣本在低維空間的投影盡可能分開(kāi)。5.4—主成成分分析理論推導(dǎo)

矩陣分解（SingularValueDecomposition）

5.4—主成成分分析方法步驟背景：石油，鋼鐵，化工，建材等行業(yè)產(chǎn)能過(guò)剩，環(huán)境風(fēng)險(xiǎn)，安全風(fēng)險(xiǎn)，急需改革信息技術(shù)的發(fā)展，數(shù)據(jù)大量冗余，新要求和新方向終端生產(chǎn)指標(biāo)預(yù)測(cè)模型在工業(yè)化和信息化加速融合的背景下，利用數(shù)據(jù)驅(qū)動(dòng)方法及人工智能技術(shù)，充分利用工業(yè)現(xiàn)場(chǎng)的海量數(shù)據(jù)進(jìn)行終端生產(chǎn)指標(biāo)預(yù)測(cè)，對(duì)于生產(chǎn)過(guò)程的操作條件優(yōu)化、提高流程制造企業(yè)的智能化程度和實(shí)現(xiàn)全流程的整體優(yōu)化具有重要的理論意義和應(yīng)用價(jià)值。5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用流程工業(yè)生產(chǎn)控制系統(tǒng)流程工業(yè)生產(chǎn)過(guò)程中，由于其具有工藝流程長(zhǎng)、物理化學(xué)性質(zhì)多變、噪聲干擾大等生產(chǎn)特性，采集到的生產(chǎn)過(guò)程數(shù)據(jù)也呈現(xiàn)出獨(dú)特的數(shù)據(jù)特征。了解、分析這些流程工業(yè)數(shù)據(jù)特有的特征，對(duì)于生產(chǎn)控制方案的設(shè)計(jì)具有重要的意義。5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用流程工業(yè)生產(chǎn)控制系統(tǒng)的分析時(shí)滯特征和時(shí)空相關(guān)性原因：由工業(yè)對(duì)象本身的特點(diǎn)引起的時(shí)滯，化驗(yàn)過(guò)程和在線分析儀引起的時(shí)滯

方法：ARMA,ARMIA,HMM,RNN等標(biāo)簽樣本有限性原因：過(guò)程變量由傳感器實(shí)時(shí)得到，而生產(chǎn)指標(biāo)常常需要耗時(shí)的化學(xué)檢測(cè)，導(dǎo)致標(biāo)簽相對(duì)較少。方法：半監(jiān)督學(xué)習(xí)等工況波動(dòng)下的數(shù)據(jù)分布時(shí)變?cè)颍汗に囕斎朐系牟▌?dòng)、工藝積垢、機(jī)械部件的磨損、催化劑失活、外部環(huán)境的變化等方法：自適應(yīng)策略，如即時(shí)學(xué)習(xí)，滑動(dòng)窗等噪聲和質(zhì)量數(shù)據(jù)小樣本過(guò)程的不確定性原因：在數(shù)據(jù)采集、傳輸與存儲(chǔ)等環(huán)節(jié)均會(huì)受到不確定的噪聲干擾，以及模型的認(rèn)知不確定性。方法：數(shù)據(jù)預(yù)處理，構(gòu)造魯棒性強(qiáng)的模型等優(yōu)勢(shì)：數(shù)據(jù)驅(qū)動(dòng)方法不需要復(fù)雜的物理化學(xué)背景知識(shí)，基于歷史數(shù)據(jù)建立變量的相關(guān)關(guān)系模型來(lái)實(shí)現(xiàn)預(yù)測(cè)任務(wù)，因其較好的通用性，成為建立生產(chǎn)指標(biāo)預(yù)測(cè)模型的一種有效方法。建立步驟：數(shù)據(jù)預(yù)處理：用于剔除噪聲及離群點(diǎn)的影響，提升模型泛化性能。輸入變量選擇：提高建模效率，減少模型復(fù)雜度及計(jì)算負(fù)擔(dān)。特征提?。罕M可能保留主要信息，剔除冗余信息，集中數(shù)據(jù)特征。建立預(yù)測(cè)模型：根據(jù)任務(wù)需求，建立合適的預(yù)測(cè)模型，預(yù)測(cè)終端生產(chǎn)指標(biāo)。常用建模方法：PCA,ICA,PLS,KPCA,KPLS,SVM等5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于統(tǒng)計(jì)學(xué)習(xí)的終端生產(chǎn)指標(biāo)預(yù)測(cè)模型高爐爐缸特點(diǎn)：應(yīng)用于生鐵冶煉，高能耗，多相反應(yīng)物，高溫高壓，反應(yīng)復(fù)雜，影響產(chǎn)品質(zhì)量，熱狀態(tài)難以直接測(cè)量。5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于支持向量機(jī)的高爐爐缸熱狀態(tài)控制方法熱狀態(tài)評(píng)價(jià)指標(biāo)

：鐵水含硅量與高爐爐缸的溫度近似呈線性關(guān)系，爐缸溫度越高，則鐵水含硅量越高，故用其作為指標(biāo)。輸出標(biāo)簽：+1和-1，分別代表鐵水含硅量增加和減少。輸入變量：在輸入變量的選擇上，與生產(chǎn)原料、燃料相關(guān)的變量鼓風(fēng)壓力、進(jìn)料速度以及與出料成分密切相關(guān)的變量如硫含量均被包括在內(nèi)。數(shù)據(jù)增強(qiáng)：考慮預(yù)測(cè)含硅量的趨勢(shì)變化，所以還需考慮是采用原始數(shù)據(jù)（Originldata，表中記作OD）還是微分?jǐn)?shù)據(jù)（Differentiateddata，表中記作DD）。輸入變量：5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于支持向量機(jī)的高爐爐缸熱狀態(tài)控制方法符號(hào)變量名單位符號(hào)變量名單位最新硅含量wt%FTT爐膛頂部溫度℃S硫含量wt%SB爐渣堿度wt%BV鼓風(fēng)量m^3/minCO爐頂煤氣一氧化碳含量wt%BT鼓風(fēng)溫度℃爐頂煤氣二氧化碳含量wt%BP鼓風(fēng)壓力kPa爐頂煤氣氫氣含量wt%FTP爐膛頂部壓力kPaBI成分堿度wt%FS送料速度mm/hCLI配料焦炭量wt%GP透氣性m^3/min?kPaSI冶煉強(qiáng)度t/m^3?dPC煤粉噴吹tonCR焦比kg/tOE富氧率wt%UC利用系數(shù)t/m^3?d表5-1數(shù)據(jù)增強(qiáng)：5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于支持向量機(jī)的高爐爐缸熱狀態(tài)控制方法數(shù)據(jù)類型SBVBTBPFTPFSGPPCOEDD-0.24-0.45-0.20-0.07-0.08-0.09-0.150.06-0.01-0.13OD-0.33-0.23-0.08-0.05-0.01-0.01-0.120.02-0.03-0.03數(shù)據(jù)類型FTTSBCOBICLISICRUCDD0.060.02-0.13-0.10-0.050.40-0.04-0.150.02-0.06OD0.02-0.01-0.07-0.070.020.14-0.03-0.140.02-0.10

表5-2

5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于支持向量機(jī)的高爐爐缸熱狀態(tài)控制方法變量篩選（通過(guò)計(jì)算F-score）：根據(jù)下表，即可通過(guò)設(shè)定F-score閾值等方法確定最終的輸入變量5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于支持向量機(jī)的高爐爐缸熱狀態(tài)控制方法變量F-score變量F-score0.27550.00710.21720.00510.12630.00390.04130.00270.02260.00260.01830.00240.01810.00070.01540.0006UC0.01220.00040.0104PC0.0001表5-3

5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于支持向量機(jī)的高爐爐缸熱狀態(tài)控制方法丙烯酸工藝介紹：主要原材料是丙烯和空氣。丙烯在催化劑的催化作用下，首先和氧氣反應(yīng)生成丙烯醛，而后再進(jìn)行第二步氧化反應(yīng)，最終生成丙烯酸。關(guān)鍵變量指標(biāo)

：經(jīng)過(guò)第一步氧化反應(yīng)后丙烯醛的轉(zhuǎn)化率，對(duì)于提高丙烯酸最終生成率有重要意義。但是由于技術(shù)的限制，很難實(shí)時(shí)獲得丙烯醛的轉(zhuǎn)化率5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于主成成分分析的丙烯醛軟測(cè)量建模方法流程說(shuō)明：丙烯醛轉(zhuǎn)化為丙烯酸的反應(yīng)發(fā)生在第二步氧化過(guò)程的第二個(gè)反應(yīng)器（R-102）中，圖5-11中展示了丙烯第二步氧化工藝流程。丙烯經(jīng)過(guò)第一步氧化制得丙烯醛后，需補(bǔ)充進(jìn)一步氧化所需要的空氣，丙烯醛和循環(huán)廢棄、空氣在進(jìn)料混合器（M-103）中混合，進(jìn)入二段氧化反應(yīng)器（R-102），在催化劑的作用下轉(zhuǎn)化為丙烯酸。丙烯第二步氧化變量說(shuō)明

：5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于主成成分分析的丙烯醛軟測(cè)量建模方法編號(hào)標(biāo)簽號(hào)變量描述編號(hào)標(biāo)簽號(hào)變量描述1FIC1011空氣到M‐103控制流量8TI1083H‐103出口溫度2FIC1023K‐102出口流量9TI1084H‐103入口溫度3TI1085M‐103內(nèi)部溫度10TI1052R‐102底部溫度4TI1057AM‐103出口溫度11TI1054P‐104出口溫度5TI1057BE‐106進(jìn)口溫度12PI1021AR‐102頂部壓力6TI1051R‐102最高溫度13PI1021BR‐102底部壓力7TI1082H‐103入口溫度14TIC1053E‐105控制溫度

5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于主成成分分析的丙烯醛軟測(cè)量建模方法主成成分分析得到結(jié)果展示

：5.5—經(jīng)典機(jī)器學(xué)習(xí)在控制領(lǐng)域的應(yīng)用基于主成成分分析的丙烯醛軟測(cè)量建模方法主成分編號(hào)特征值方差百分比（%）累計(jì)方差百分比（%）主成分編號(hào)特征值方差百分比（%）累計(jì)方差百分比（%）15.137936.7036.7080.45883.2893.7522.662619.0255.7290.30412.1795.9231.934513.8269.54100.24341.7497.6641.10597.9077.43110.13520.9798.6350.77005.5082.93120.10170.7299.3560.58704.2087.13130.06520.4799.8270.46823.3490.47140.02560.18100《智能控制》2023年5月第六章神經(jīng)元與神經(jīng)網(wǎng)絡(luò)主要內(nèi)容神經(jīng)網(wǎng)絡(luò)的基本概念6.16.26.3前饋神經(jīng)網(wǎng)絡(luò)反饋神經(jīng)網(wǎng)絡(luò)6.4模糊神經(jīng)網(wǎng)絡(luò)6.5深度學(xué)習(xí)課程內(nèi)容—神經(jīng)網(wǎng)絡(luò)的基本概念神經(jīng)網(wǎng)絡(luò)的基本概念神經(jīng)元網(wǎng)絡(luò)的研究已有30多年的歷史：20世紀(jì)40年代初，心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts提出了形式神經(jīng)元的數(shù)學(xué)模型，并研究了基于神經(jīng)元模型幾個(gè)基本元件互相連接的潛在功能。1958年，Rosenblatt首先引入了感知器（Perceptron）概念并提出了構(gòu)造感知器的結(jié)構(gòu)。1969年，Minsky和Papert對(duì)感知器為代表的網(wǎng)絡(luò)作了嚴(yán)格的數(shù)學(xué)分析，指出了幾個(gè)模型的局限性。由于結(jié)論相當(dāng)悲觀，此后神經(jīng)網(wǎng)絡(luò)的研究在相當(dāng)長(zhǎng)時(shí)間內(nèi)發(fā)展緩慢。20世紀(jì)70年代，Grossberg根據(jù)生物學(xué)和生理學(xué)的證明，他提出具有新特征的幾種非線性動(dòng)態(tài)系統(tǒng)的結(jié)構(gòu)，使神經(jīng)元網(wǎng)絡(luò)的研究又有了突破性的進(jìn)展。1986年，以Rumelthard和Mcclelland為首的PDP（ParalellDistributedProcessing）小組發(fā)表了一系列的研究結(jié)果和應(yīng)用，神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入全盛時(shí)期。課程內(nèi)容—神經(jīng)網(wǎng)絡(luò)的基本概念神經(jīng)網(wǎng)絡(luò)的重要特征和性質(zhì)非線性：神經(jīng)元網(wǎng)絡(luò)在理論上可以趨近任何非線性函數(shù)，人工神經(jīng)元網(wǎng)絡(luò)比其他方法建模更經(jīng)濟(jì)。平行分布處理：神經(jīng)元網(wǎng)絡(luò)具有高度平行的結(jié)構(gòu)，比常規(guī)方法有更大程度的容錯(cuò)能力。神經(jīng)元網(wǎng)絡(luò)的基本單元結(jié)構(gòu)簡(jiǎn)單，并行連接的處理速度很快。硬件實(shí)現(xiàn)：它不僅可以平行實(shí)現(xiàn)，而且許多制造廠家已經(jīng)用專用的VLSL硬件來(lái)制作神經(jīng)元網(wǎng)絡(luò)，網(wǎng)絡(luò)能實(shí)現(xiàn)的規(guī)模也明顯增大。學(xué)習(xí)和自適應(yīng)性：利用系統(tǒng)過(guò)去的數(shù)據(jù)記錄，可對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。受適當(dāng)訓(xùn)練的網(wǎng)絡(luò)有能力泛化，也即當(dāng)輸入出現(xiàn)訓(xùn)練中未提供的數(shù)據(jù)時(shí)，網(wǎng)絡(luò)也有能力進(jìn)行辨識(shí)。神經(jīng)元網(wǎng)絡(luò)也可以在線訓(xùn)練。數(shù)據(jù)融合：網(wǎng)絡(luò)可以同時(shí)對(duì)定性和定量的數(shù)據(jù)進(jìn)行操作。在這方面，網(wǎng)絡(luò)正好是傳統(tǒng)工程系統(tǒng)（定量數(shù)據(jù)）和人工智能領(lǐng)域（符號(hào)數(shù)據(jù)）信息處理技術(shù)之間的橋梁。多變量系統(tǒng)：神經(jīng)元網(wǎng)絡(luò)自然地處理多輸入信號(hào)并具有多輸出，適合于多變量系統(tǒng)。課程內(nèi)容—神經(jīng)網(wǎng)絡(luò)的基本概念神經(jīng)元網(wǎng)絡(luò)的基本結(jié)構(gòu)圖6-1表示了在中央神經(jīng)系統(tǒng)中，典型神經(jīng)細(xì)胞的主要元件，包括：細(xì)胞體、軸突、樹(shù)突、突觸、膜電位。圖6-1神經(jīng)元的構(gòu)造

圖6-2神經(jīng)元模型

課程內(nèi)容—神經(jīng)網(wǎng)絡(luò)的基本概念神經(jīng)元網(wǎng)絡(luò)的模型圖6-3神經(jīng)元模型框圖從控制工程角度來(lái)看，為了采用控制領(lǐng)域中相同的符號(hào)和描述方法，可以把神經(jīng)元網(wǎng)絡(luò)改為圖6-3所示形式。該模型由三部分組成：加權(quán)的加法器線性動(dòng)態(tài)單輸入單輸出（SISO）系統(tǒng)靜態(tài)非線性函數(shù)（1）可微和不可微（2）類脈沖和類階躍（3）正函數(shù)和零均函數(shù)課程內(nèi)容—神經(jīng)網(wǎng)絡(luò)的基本概念常用的非線性函數(shù)的數(shù)學(xué)表示及其形狀:課程內(nèi)容—神經(jīng)網(wǎng)絡(luò)的基本概念神經(jīng)元的連結(jié)方式單層的靜態(tài)網(wǎng)絡(luò)：神經(jīng)元的結(jié)合可以按一組代數(shù)方程來(lái)描述：

多層神經(jīng)元網(wǎng)絡(luò)：

動(dòng)態(tài)網(wǎng)絡(luò)：在網(wǎng)絡(luò)中引入反饋，動(dòng)態(tài)方程可以表示為

課程內(nèi)容—前饋神經(jīng)網(wǎng)絡(luò)感知器感知器是美國(guó)心里學(xué)家Rosenblatt于1958年提出的，它是最基本的但具有學(xué)習(xí)功能的層狀結(jié)構(gòu)（Layednetwork）。最初的感知器由三層即S（Sensory）層、A（Association）層和R（Response）層組成。圖6-4三層的感知器圖6-5三層的感知器S層和A層之間的耦合是固定的，只有A層和R層（即輸出層）只有一個(gè)輸出節(jié)點(diǎn)的感知器，它相當(dāng)于單個(gè)神經(jīng)元，簡(jiǎn)化為如圖6-5所示。Minsky和Papert曾對(duì)感知器的分類能力作了嚴(yán)格的評(píng)價(jià)，并指出了它的局限性，例如它連最常用的異或（XOR）邏輯運(yùn)算都無(wú)法實(shí)現(xiàn)。課程內(nèi)容—前饋神經(jīng)網(wǎng)絡(luò)感知器感知器權(quán)值的學(xué)習(xí)是通過(guò)給定的導(dǎo)前信號(hào)（即希望輸出）按下式進(jìn)行的

如果在感知器的A層和R層加上一層或多層隱單元，則構(gòu)成的多層感知器具有很強(qiáng)的處理功能，事實(shí)上我們有以下的結(jié)論：定理6-1假定隱層的節(jié)點(diǎn)可以根據(jù)需要自由設(shè)置，那么三層（不包括S層）的閾值網(wǎng)絡(luò)可以實(shí)現(xiàn)任意的二值邏輯函數(shù)。課程內(nèi)容—前饋神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)BP網(wǎng)絡(luò)（BackPropagationNN）是一單向傳播的度層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖6-6所示。

圖6-6BP網(wǎng)絡(luò)

課程內(nèi)容—前饋神經(jīng)網(wǎng)絡(luò)GMDH網(wǎng)絡(luò)GMDH（TheGroupMethodofDataHandling）模型是由Ivakhnenko（1971）為預(yù)報(bào)海洋河流中的魚群而提出的模型。它成功地應(yīng)用于非線性系統(tǒng)的建模和控制中，如超音速飛機(jī)的控制系統(tǒng)，電力系統(tǒng)的負(fù)荷預(yù)測(cè)等。又稱多項(xiàng)式網(wǎng)絡(luò)。圖6-7GDMH的典型網(wǎng)絡(luò)結(jié)構(gòu)圖6-8GMDH網(wǎng)絡(luò)的處理單元圖6-7所示的是一典型的GDMH網(wǎng)絡(luò)，它由4個(gè)輸入和單輸出構(gòu)成。輸入層節(jié)點(diǎn)只是傳遞輸入信號(hào)到中間隱層的節(jié)點(diǎn)，每一隱層節(jié)點(diǎn)和輸出節(jié)點(diǎn)正好有兩個(gè)輸入，因此單輸出節(jié)點(diǎn)的前一層肯定只有兩個(gè)隱層節(jié)點(diǎn)。

課程內(nèi)容—前饋神經(jīng)網(wǎng)絡(luò)RBF網(wǎng)絡(luò)RBF（RadialBasisFunctiion）網(wǎng)絡(luò)由三層組成，其結(jié)構(gòu)如圖6-10所示：圖6-10RBF網(wǎng)絡(luò)輸入層節(jié)點(diǎn)：傳遞輸入信號(hào)到隱層隱層節(jié)點(diǎn)（RBF節(jié)點(diǎn)）：由輻射狀作用函數(shù)構(gòu)成，最常用的時(shí)高斯核函數(shù)輸出層節(jié)點(diǎn)：隱層節(jié)點(diǎn)輸出的線性組合

與BP網(wǎng)絡(luò)的區(qū)別：作用函數(shù)不同課程內(nèi)容—反饋神經(jīng)網(wǎng)絡(luò)CG網(wǎng)絡(luò)模型在反饋網(wǎng)絡(luò)中，輸入信號(hào)決定反饋系統(tǒng)的初始狀態(tài)，然后系統(tǒng)經(jīng)過(guò)一系列狀態(tài)轉(zhuǎn)移后，逐漸收斂于平衡狀態(tài)。這樣的平衡狀態(tài)就是反饋網(wǎng)絡(luò)經(jīng)計(jì)算后的輸出結(jié)果，由此可見(jiàn)，穩(wěn)定性是反饋網(wǎng)絡(luò)中最重要的問(wèn)題之一。Cohen和Grossberg提出的反饋網(wǎng)絡(luò)模型可用下述一組非線性微分方程描述

關(guān)于CG網(wǎng)絡(luò)模型的穩(wěn)定性，我們有以下的結(jié)果：

定理6-4的證明可通過(guò)Lyapunov函數(shù)來(lái)完成。課程內(nèi)容—反饋神經(jīng)網(wǎng)絡(luò)盒中腦（BSB）模型BSB(Brain-State-in-a-Box)模型由下列離散方程描述對(duì)應(yīng)的連續(xù)時(shí)間模型為

定義

課程內(nèi)容—反饋神經(jīng)網(wǎng)絡(luò)Hopfield網(wǎng)絡(luò)模型Hopfield提出的網(wǎng)絡(luò)模型可用下列非線性微分方程描述，上述模型還可用一電路來(lái)表示（如圖6-12所示）

圖6-12Hopfield電路

定義Hopfield網(wǎng)絡(luò)的能量函數(shù)為

（6-24）（6-25）課程內(nèi)容—反饋神經(jīng)網(wǎng)絡(luò)Hopfield網(wǎng)絡(luò)模型

對(duì)于理想放大器，等式（6-25）可簡(jiǎn)化為

或?qū)?yīng)等式(6-24)的連續(xù)時(shí)間的Hopfield網(wǎng)絡(luò)模型，離散的的Hopfield網(wǎng)絡(luò)模型描述如下：

（6-30）對(duì)于網(wǎng)絡(luò)的每個(gè)節(jié)點(diǎn)課程內(nèi)容—反饋神經(jīng)網(wǎng)絡(luò)回歸BP網(wǎng)絡(luò)回歸BP網(wǎng)絡(luò)可由非線性動(dòng)態(tài)方程描述

（6-33）

網(wǎng)絡(luò)的權(quán)矩陣可通過(guò)一輔助網(wǎng)絡(luò)來(lái)修正，即

（6-39）課程內(nèi)容—反饋神經(jīng)網(wǎng)絡(luò)Boltzmann網(wǎng)絡(luò)G.E.Hinton和T.J.Sejnowski借助統(tǒng)計(jì)物理學(xué)的方法，對(duì)具有對(duì)稱權(quán)矩陣的隨機(jī)網(wǎng)絡(luò)引進(jìn)了一般的學(xué)習(xí)方法。由于這種隨機(jī)網(wǎng)絡(luò)的狀態(tài)服從于統(tǒng)計(jì)學(xué)的Boltzmann分布，故被稱為Boltzmann機(jī)。

（6-40）網(wǎng)絡(luò)由可見(jiàn)單元和隱單元構(gòu)成，每個(gè)單元只取兩種狀態(tài)：+1和-1。輸出值取+1的概率：輸出值取-1的概率：

（6-41）

課程內(nèi)容—反饋神經(jīng)網(wǎng)絡(luò)Boltzmann網(wǎng)絡(luò)

（6-41）

采用梯度下降法得

權(quán)值修正方程為

課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)將模糊邏輯與神經(jīng)網(wǎng)絡(luò)適當(dāng)?shù)亟Y(jié)合起來(lái)，吸取兩者的長(zhǎng)處，則可組成比單獨(dú)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)或單獨(dú)的模糊系統(tǒng)性能更好的系統(tǒng)。神經(jīng)網(wǎng)絡(luò)模糊邏輯模糊神經(jīng)網(wǎng)絡(luò)不適于表達(dá)基于規(guī)則的知識(shí)訓(xùn)練時(shí)不能很好地利用經(jīng)驗(yàn)知識(shí)適合于表達(dá)模糊或定性的知識(shí)缺乏自學(xué)習(xí)和自適應(yīng)能力課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)一種是模糊規(guī)則的后件為輸出量的某一模糊集合，如NB，PB等。另一種是模糊規(guī)則的后件為輸入語(yǔ)言變量的函數(shù)。圖6-13基于標(biāo)準(zhǔn)模型的模糊系統(tǒng)原理結(jié)構(gòu)圖由于該方法是Takagi和Sugeno首先提出來(lái)的，因此通常稱它為模糊系統(tǒng)的Takagi-Sugeno模型。模糊模型的表示主要有兩種：模糊系統(tǒng)的標(biāo)準(zhǔn)模型

課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)

輸出量總的模糊集合為

若采用加權(quán)平均的清晰化方法，則可求得輸出的清晰化量為

其中課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)圖6-14基于標(biāo)準(zhǔn)模型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6-14所示模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

圖6-15單個(gè)神經(jīng)元結(jié)點(diǎn)的基本結(jié)構(gòu)課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)下面具體給出它的每一層的結(jié)點(diǎn)函數(shù)：第一層第二層第三層第四層第五層或者設(shè)取誤差代價(jià)函數(shù)為

課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)

最后可給出參數(shù)調(diào)整的學(xué)習(xí)算法

課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)例6-1設(shè)有如下的二維非線性函數(shù)

圖6-17模糊神經(jīng)網(wǎng)絡(luò)的誤差學(xué)習(xí)曲線圖6-18模糊神經(jīng)網(wǎng)絡(luò)輸入輸出的三維圖形課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)基于Takagi-Sugenno模型的模糊神經(jīng)網(wǎng)絡(luò)Takagi-Sugenno模型

模糊系統(tǒng)的輸出量為每條規(guī)則的輸出量的加權(quán)平均，即

課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)該網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成，前件網(wǎng)絡(luò)用來(lái)匹配模糊規(guī)則的前件，后件網(wǎng)絡(luò)用來(lái)產(chǎn)生模糊規(guī)則的后件，如圖6-18所示。圖6-18基于Takagi-Sugeno模型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

圖6-18基于Takagi-Sugeno模型的模糊神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化結(jié)構(gòu)課程內(nèi)容—模糊神經(jīng)網(wǎng)絡(luò)

課程內(nèi)容—深度學(xué)習(xí)深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)的研究1943年，心理學(xué)家WarrenMcculloch和數(shù)理邏輯學(xué)家WalterPitts在合作的