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象，并具有較強的自適應(yīng)和自學(xué)習(xí)功能，因此是智能控制的一個重要分支領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)利用物理器件來模擬生物神經(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)一般由幾個神經(jīng)元組

2、成，每一個神經(jīng)元有一個單一的輸出，但可通過連接的很多其它神經(jīng)元，獲得有多個連接通道的輸入，每個連接通道對應(yīng)一個連接權(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胞的動作和結(jié)構(gòu)，以及生物神經(jīng)元的一些基本生理特征，提出第一個神經(jīng)計算模型，即神經(jīng)元的閾值元件模型(MP模型)，并指出:即使是最簡單的神經(jīng)網(wǎng)絡(luò)，從原則上講也可以進行任意算術(shù)或邏輯函數(shù)的計算。1949年，D.O.Hebb提出了改變神經(jīng)元連接強度的Hebb規(guī)則，其正確性30年后才得到證實，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)，這與當時占主導(dǎo)地位的以順序離散符號推理為基本特征的AI途徑完全不同，因而引起人們的興趣，同時也引起符號主義與連接主義的爭論。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價值的同時，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等線性不可分問題。20世紀80年代以來，人工神經(jīng)網(wǎng)絡(luò)進入一個高速發(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；近年來廣泛研究的渾沌動力學(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，有力地推動了神經(jīng)網(wǎng)絡(luò)的研究。Hopfield通過引入“計算能量函數(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)模型實現(xiàn)的電子電路，為神經(jīng)網(wǎng)絡(luò)的工程實現(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機模型，為神經(jīng)網(wǎng)絡(luò)優(yōu)化計算提供了一個有效方法。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)。進入20世紀90年代以來，神經(jīng)網(wǎng)絡(luò)的研究已進入相對平穩(wěn)的發(fā)展時期，許多理論得到了進一步的證實、補充與發(fā)展。同時神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究得以廣泛開展，應(yīng)用的領(lǐng)域也不斷擴大。神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到各個領(lǐng)域，并在智能控制、模式識別、計算機視覺、自適應(yīng)濾波和信號處理、非線性優(yōu)化、自動目標識別、連續(xù)語音識別、聲納信號的處理、知識處理、傳感技術(shù)與機器人、生物醫(yī)學(xué)工程等方面，都取得很大的進展。3

6、人工神經(jīng)網(wǎng)絡(luò)的特點人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似，主要從兩個方面進行模擬:一個是結(jié)構(gòu)和實現(xiàn)機理方面，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)和機理非常復(fù)雜，現(xiàn)在從這方面模擬還僅在嘗試1；另一個是功能方面，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)、識別、控制等。目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)均是對功能方面的模擬。神經(jīng)網(wǎng)絡(luò)有以下一些特點。(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，從而求得問題的解答，而不是依靠對問題的經(jīng)驗知識和規(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能力。(3) 非線性映射功能：現(xiàn)實的問題非常復(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)為處理這些問題提供了有用的工具。(4) 高度并行處理信息：此特點使用硬件實現(xiàn)的神經(jīng)網(wǎng)絡(luò)的處理速度遠遠高于普通計算機。3.1高度的并行性人工神經(jīng)網(wǎng)絡(luò)是由許多相同的簡單處理單元并聯(lián)組合而成，大量簡單處理單元的并行活動，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)的每個神經(jīng)元接受大量其他神經(jīng)元的輸入，并通過并行網(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。從全局的觀點來看，網(wǎng)絡(luò)整體性能不是網(wǎng)絡(luò)局部性能的簡單疊加，而是表現(xiàn)出某種集體性行為。3.3良好的容錯性和聯(lián)想記憶功能人工神經(jīng)網(wǎng)絡(luò)通過自身的網(wǎng)絡(luò)結(jié)構(gòu)能夠?qū)崿F(xiàn)對信息的記憶，所記憶的信息以分布式存儲在神經(jīng)元之間的權(quán)值中，使得網(wǎng)絡(luò)具有良好的容錯性，并能進行聚類分析、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)想等模式識別工作。人工神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練和學(xué)習(xí)來獲得網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)，呈現(xiàn)出很強的自學(xué)能力和對環(huán)境的自適應(yīng)能力，便于現(xiàn)有計算機技術(shù)虛擬實現(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60年代。1960年，Widrow和Ho

9、ff首先將神經(jīng)網(wǎng)絡(luò)運用于控制系統(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、實用反向傳播控制和適應(yīng)評價控制等。在智能控制系統(tǒng)中，最重要的是和知識基有關(guān)的推理機型，以及隨環(huán)境變化的適應(yīng)能力。一般而言，推理是以符號為元素執(zhí)行的，而客觀世界中的信號是數(shù)值，為了理解過程的狀態(tài)，需要實施數(shù)值數(shù)據(jù)到符號數(shù)據(jù)的映射，這就要把數(shù)值數(shù)據(jù)進行分類。另外，對過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)會出版刊物主席ToshioFukuda教授和神經(jīng)計算應(yīng)用手冊的作者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；四是實用反問傳播控制；五是適應(yīng)評價控制。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?；神經(jīng)網(wǎng)絡(luò)自適應(yīng)評判控制(或稱神經(jīng)網(wǎng)絡(luò)再勵控制)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)是在整個權(quán)空間上對誤差超曲面的逼近，故對輸入空間中的任意一點，任意一個或多個連接權(quán)的變化都會影響到整個網(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，每一個訓(xùn)練樣本都會使所有連接權(quán)發(fā)生變化，這就使響應(yīng)的收斂速度極其緩慢。當網(wǎng)絡(luò)規(guī)模較大時，這一特點使其實際上難以在線應(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)控制器實際上是一個非線性控制器，因此一般難以對其進行穩(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)在兩個方面:提供一個類似于傳統(tǒng)控制器的神經(jīng)網(wǎng)絡(luò)控制器；為神經(jīng)網(wǎng)絡(luò)控制器進行在線學(xué)習(xí)，提供性能指標關(guān)于控制誤差梯度的反向傳播通道，如建立被控對象的正向網(wǎng)絡(luò)模型等。此外，結(jié)合穩(wěn)定性分析，對神經(jīng)網(wǎng)絡(luò)的控制結(jié)構(gòu)方案進行特別設(shè)計，還可以為分析復(fù)雜問題提供一個有效的解決途徑。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)只是對輸入空間一個局部鄰域中的點，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時應(yīng)用。其不足之處是采用間斷超平面對非線性超曲面的逼近，可能精度不夠，同時也得不到相應(yīng)的導(dǎo)數(shù)估計；采用高階B樣條的BMAC控制，則部分彌補了CMAC的不足，但計算量略有增加；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的計算也太多，利用目前的串行計算機仿真實現(xiàn)時，計算量與內(nèi)存過大，很難實時實現(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分割問題空間，使每個模糊box

14、不僅具有CEN給出的評分，含有作為控制作用的輸出語言變量，而且整個模糊box還隱含定義了模糊規(guī)則庫。模糊神經(jīng)網(wǎng)絡(luò)主要有三種結(jié)構(gòu):輸入信號為普通變量，連接權(quán)為模糊變量；輸入信號為模糊變量，連接權(quán)為普通變量；!輸入信號與連接權(quán)均為模糊變量。它們還可根據(jù)網(wǎng)型及學(xué)習(xí)算法中的點積運算是使用模糊邏輯運算，還是使用模糊算術(shù)運算，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，無論從理論上還是從應(yīng)用上目前都取得了很大進展，但是，離模擬真實的生物神經(jīng)系統(tǒng)還相距甚遠，所使用的形式神經(jīng)網(wǎng)絡(luò)模型無論從結(jié)構(gòu)還是網(wǎng)絡(luò)規(guī)模上，都是真實神經(jīng)網(wǎng)絡(luò)的極簡單模擬，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)嶒炇已芯侩A段，完整、系統(tǒng)的理論體系，大量艱難而富有挑戰(zhàn)性的理論問題尚未解決。從總體上來看，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題的動態(tài)神經(jīng)網(wǎng)絡(luò)模型，解決相應(yīng)產(chǎn)生的對動態(tài)網(wǎng)絡(luò)的逼近能力與學(xué)習(xí)算法問題；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)分布式并行計算特點的快速學(xué)習(xí)算法；對成熟的網(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1