人工神经网络与神经网络控制的发展及展望-李会玲

第26卷第5期邢台职业技术学院学报Vol.26No.52009年10月JournalofXingtaiPolytechnicCollegeOct.2009————————————收稿日期：2009—04—26作者简介：李会玲（1980—），女，河北唐山人，宁波职业技术学院，讲师。44人工神经网络与神经网络控制的发展及展望李会玲1，柴秋燕2(1.宁波职业技术学院，浙江宁波315800；2.宁波柯力电气制造有限公司，浙江宁波315033)摘要：由于神经网络控制在处理非线性不确定系统所表现出来的优点，近年来各国对神经网络控制技术均进行了深入广泛的研究。本文在现有各研究者的研究成果的基础上，对神经网络控制的发展历程、发展现状以及发展趋势做了详细系统的论述。关键词：神经网络；神经网络控制中图分类号：TP19文献标识码：A文章编号：1008—6129（2009）05—0044—03自20世纪40年代，随着神经解剖学、神经生理学以及神经元的电生理过程等的研究取得突破性进展，人们对人脑的结构、组成及昀基本工作单元有了越来越充分的认识，在此基本认识的基础上，综合数学、物理学以及信息处理等学科的方法对人脑神经网络进行抽象，并建立简化的模型，称为人工神经网络ANN(ArtificialNeuralNetwork)。[1]目前，关于人工神经网络的定义尚不统一，按美国神经网络学家HechtNielsen的观点，神经网络的定义是：“神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息的”。综合神经网络的来源、特点和各种解释，它可简单地表述为：人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。[2]基于神经网络的控制称为神经网络控制(NNC)。神经网络控制具有以下优点：[3](1)能够充分逼近任意复杂的非线性系统；(2)能够学习和适应严重不确定系统的动态特性；(3)由于大量神经元之间广泛连接，即使少量神经元或连接损坏，也不影响系统的整体功能，表现出很强的鲁棒性和容错性；(4)采用并行分布处理方法，使得快速进行大量运算成为可能。这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力。一、人工神经网络和神经网络控制技术发展过程人工神经网络发展过程到目前为止经过三个不同的时期：起始阶段——上世纪五六十年代是人工神经网络发展的起始阶段，也是理论研究的奠基阶段。1943年，心理学家W.S.McCulloch和数学家W.Pitts提出M-P模型，也是第一个人工神经元模型，并在此基础上抽象出神经元的数理模型，开创了人工神经网络的研究。1949年Hebb从心理学的角度提出了至今仍对神经网络理论有着重要影响的Hebb学习法则。Hebb法则为构造有学习功能的神经网络模型奠定了基础。1952年英国生物学家Hodgkin和Huxley建立了著名的长枪乌贼巨大轴索非线性动力学微分方程，即H—H方程。这一方程可用来描述神经膜中所发生的非线性现象如自激震荡、混沌及多重稳定性等问题，所以有重大的理论与应用价值。1958年Rosenblatt在原有MP模型的基础上增加了学习机制，并在1961年提出了著名的感知机模型。他提出的感知器模型，首次把神经网络理论付诸工程实现，他的成功大大激发了众多学者对神经网络的兴趣。Rosenblatt的神经网络模型包含了一些现代神经计算机的基本原理，从而形成神经网络方法和技术的重大突破。神经网络的研究迎来了第一次高潮期。1962年Widrow提出了主要适用于自适应系统的自适应广线性元件Adaline网络。上述成果足以表明神经网络研究已获得了广泛的成功，并建立了初步理论基础。低潮时期——上世纪六十年代末至七十年代。1969年人工智能的创始人之一Minsky和Papert出版了轰动一时《Perceptrons》书，指出简单的线性感知器的功能是有限的，它无法解决线性不可分的两类样本的分类问题，如简单的线性感知器不可能实现“异或”的逻辑关系等。加之受到冯·诺依曼式计算机大发展的冲击等因素的影响，对神经网络的研究陷入低谷。但是，在美、日等国仍有少数学者在扎邢台职业技术学院学报2009年第5期45扎实实地继续着网络模型和学习算法的研究，提出了许多有意义的理论和方法：如Arbib的竞争模型、1977年Kohonen提出的自组织映射模型、Grossberg的自适应谐振模型、Fukushima的新认知机等。有的学者还提出了连接机制和并行分布处理概念(ParallelDistributedProcessing)。复兴时期——上世纪八十年代至今。这是神经网络理论研究的主要发展时期。1982年，生物物理学家J.Hoppield教授在美国国家科学院的刊物上发表了著名的Hopfield神经网络模型理论。在这一理论模型中，引入了能量函数概念，这一成果的取得使神经网络的研究取得了突破性进展。1984年他用此模型成功地解决了复杂度为NP的旅行商问题(TSP)。在Hopfield模型的影响下，大量学者又激发起研究神经网络的热情，积极投身于这一学术领域中，神经网络理论研究很快便迎来了第二次高潮。同年，Marr开辟了视觉和神经科学研究的新篇章，他对视觉信息加工和过程进行了全面、系统和深刻的描述，并与神经实现机制联系起来。1986年，由Rumelhart主编的《ParallelDistributedProcessing：ExplorationintheMicrostructuresofCognition》一书出版，在该书中，回答了《Perceptrons》一书中关于神经网络局限性的问题，从实践上证实了人工神经网络有很强的运算能力，BP算法是目前昀引人注目、应用昀广泛的神经网络算法之一。该书的出版表明PDP理论已达到一个新水平，在世界各地产生了广泛的影响。二、人工神经网络与控制技术国内外发展状况及应用经过近半个世纪的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功。关于学习、联想和记忆等具有智能特点过程的机理及其模拟方面的研究正受到越来越多的重视。人工神经网络的研究和发展主要集中在神经生理学、神经解剖学研究的发展、与之相关的数学领域的研究与发展、神经网络应用的研究与发展、神经网络硬件的研究与发展和新型神经网络模型的研究等五个方面。对于神经网络控制系统原则上可分为两大类：一种是基于神经网络的智能控制，包括神经网络直接反馈控制、神经网络专家系统控制、神经网络模糊逻辑控制和神经网络滑模控制；另一种是基于传统控制理论的神经控制，包括神经自适应控制、神经预测控制和神经昀优决策控制。目前，在人工神经网络与控制上取的了众多的研究成果。陈恩伟在《机器人末端臂惯性参数辨识的人工神经网络方法》一文中，采用人工神经网络方法分析了机器人操作臂末端连杆惯性参数辨识的原理及数学模型，提出了一种与传统神经网络问题不同的惯性参数辨识方法，使神经网络的结构与权值具有明确的物理意义，解决了获取样本难的问题。施伟锋结合人工神经网络与PID控制，形成船舶柴油发电机转速神经网络控制系统；控制系统中神经网络控制器与PID控制器相结合，经过神经网络控制器的不断学习，控制器获取船舶柴油发电机转速系统的动态逆模型。陈科等人在《基于反馈式人工神经网络的优化算法及其应用研究》一文中，将人工神经网络理论和思想应用于优化设计算法的研究，提出了基于反馈式人工神经网络的并行优化算法并分析了这种算法的特点和应用背景。王涛在《半主动悬架自适应模糊神经网络控制的研究》中提出了一种半主动悬架系统自适应模糊神经网络控制方法，该方法采用径向基神经网络作为辨识器，模糊神经网络作为控制器，根据辨识器提供的雅可比信息和汽车自身运行状态在线调整控制器参数，以达到自适应减振控制。张金龙在《超精密定位的模糊神经网络控制》中将模糊神经网络应用于超精密定位装置控制系统中，给出了模糊推理BP网络模型，改造后的模糊控制系统具有了知识自动获取功能，能更好地适应工况环境。王清的《一种基于遗传算法的神经网络控制方法研究》给出了一种采用遗传算法同时进行神经网络控制器的权值和结构优化设计的方法。曾涛在《基于多层神经网络控制的动态自适应播放》中提出了一种基于多层神经网络控制的AMP方法，产生随着当前缓冲动态变化的速度，并且保持缓冲稳定在一定的范围内，该方法引入了多层神经网络控制结构，并采用反向传播学习算法（BP）进行离线训练。AbderrezakBezazi在《FatiguelifepredictionofsandwichcompositematerialsunderflexuraltestsusingaBayesiantrainedartificialneuralnetwork》采用人工神经网络对一种多层复合材料的疲劳寿命进行了预测。HasanOkuyucu在《Artificialneuralnetworkapplicationtothefrictionstirweldingofaluminumplates》一文中采用人工神经网络模型分析模拟了铝合金移动摩擦焊工艺参数同其机械性能之间的关系。三、人工神经网络和控制技术发展趋势与展望邢台职业技术学院学报2009年第5期46人工神经网络是对人脑信息处理方式的模拟，但是目前的对人脑处理信息方式中一些实质性问题还没有取得突破性进展。由于人们对人脑完整工作过程几乎没有什么认识，连一个稍微完善的可令人接受的假设也没有，这造成神经网络研究始终缺乏一个明确的大方向。这方面如果不能有所突破，神经网络研究将始终限于模仿人脑局部功能的缓慢摸索过程当中，而难以达到研究水平的质的飞跃。在数学研究方面，当今神经网络理论的发展，已经客观要求有关数学领域必须有所发展，并大胆预期一种更简洁、更完善和更有效的非线性系统表达与分析的数学方法是这一领域数学发展的主要目标之一。因此与人工神经网络技术发展相关的数学领域的发展至关重要。从神经网络发展过程看，理论研究经常走在前列，有时会超出实际使用阶段。虽然说理论研究和实际应用可以相辅相成，但实际需求总是科技发展的主要推动力。目前，在神经网络实用上，虽然有不少实际应用成果报道，如智能控制、模式识别及机器人控制等，但真正成熟的应用还比较少见。故而在神经网络的应用上应寻求新的突破。要真正实现神经网络计算机，神经网络芯片设计与生产技术必须有实质性的进展。目前，在单片上集成数百个神经元的制作技术已经没有困难，但这种水平与神经网络实际应用的要求尚有较大距离。神经网络硬件设计和理论研究相比，要落后很多。因此，这也是神经网络研究发展的重要方向之一。对于神经网络控制技术的研究主要集中在以下几个方面：模糊神经网络的研究；模糊神经网络与遗传算法(GA)的结合；模糊神经网络与其他控制方法综台的选择；闭环系统稳定性的研究；新型神经网络和快速算法及其在控制系统中的应用的研究。尽管神经控制相对于常规控制在某些方面有无可比拟的优势，它可以用来处理常规控制方法难以处理的复杂非线性系统的控制问题，而这并不意味着对所有的非线性系统的控制问题，神经控制就一定比常规控制好。对有些可以用常规控制解决的非线性系统的控制问题，究竟采用哪一种方法好，目前尚无定论。[4]因此，可将神经控制和常规控制用于相同的非线性系统，并对它们的控制效果进行比较研究。它可为人们选择合适的控制方案提供指导。参考文献：[1]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报(自然科学版)，2004，(2).[2]董军等.混沌神经网络研究进展和展望[J].信息与控制，1997，26(5)：360~368.[3]徐瑜等.神经网络在控制系统中的应用现状及展望[J].电脑知识与技术，2006，(1).[4]邱东强.神经网络控制的现状与发展[J].自动化与仪器仪表，2001，(5).DevelopmentandProspectofArtificialNeuralNetworkandNeuralNetworkControl（NNC）LIHui-ling1，C