搜索
南昌大学实验报告智能控制技术南昌大学实验报告学生姓名：郑军学号：6100311106专业班级：自动化111班一、智能控制的发展及由来1.智能控制的提出传统控制方法包括经典控制和现代控制，是基于被控对象精确模型的控制方式，缺乏灵活性和应变能力，适于解决线性、时不变性等相对简单的控制问题，难以解决对复杂系统的控制。在传统控制的实际应用遇到很多难解决的问题，主要表现以下几点：（1）实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，无法获得精确的数学模型。（2）某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述，即无法解决建模问题。（3）针对实际系统往往需要进行一些比较苛刻的线性化假设，而这些假设往往与实际系统不符合。（4）实际控制任务复杂，而传统的控制任务要求低，对复杂的控制任务，如机器人控制、CIMS、社会经济管理系统等复杂任务无能为力。在生产实践中，复杂控制问题可通过熟练操作人员的经验和控制理论相结合去解决，由此，产生了智能控制。智能控制将控制理论的方法和人工智能技术灵活地结合起来，其控制方法适应对象的复杂性和不确定性。2.智能控制的概念智能控制是一门交叉学科，著名美籍华人傅京逊教授1971年首先提出智能控制是人工智能与自动控制的交叉，既二元论。美国学者G.N.Saridis1997年在此基础上引入运筹学，提出了三元论的智能控制概念。1985年8月，IEEE在美国纽约召开了第一届智能控制学术讨论会，随后成立了IEEE智能控制专业委员会；1987年一月，在美国举行第一次国际智能控制大会，标志着智能控制领域的形成。智能控制的三个主要分支为专家控制、神经网络控制和模糊控制。二、专家控制瑞典学者K.J.Astrom在1983年首先把人工智能中的专家系统引入智能控制领域，于1986年提出“专家控制”的概念，构成一种智能控制方法。专家控制（ExpertControl）是智能控制的一个重要分支，又称专家智能控制。所谓专家控制，是将专家系统的理论和技术同控制理论、方法与技术相结合，在未知环境下，仿效专家的经验，实现对系统的控制。专家控制试图在传统控制的基础上“加入”一个富有经验的控制工程师，实现南昌大学实验报告控制的功能，它由知识库和推理机构构成主体框架，通过对控制领域知识（先验经验、动态信息、目标等）的获取与组织，按某种策略及时地选用恰当的规则进行推理输出，实现对实际对象的控制。专家控制的基本原理：1．结构专家控制的基本结构如图2.2所示2．功能（1）能够满足任意动态过程的控制需要，尤其适用于带有时变、非线性和强干扰的控制；（2）控制过程可以利用对象的先验知识；（3）通过修改、增加控制规则，可不断积累知识，改进控制性能；（4）可以定性地描述控制系统的性能，如“超调小”、“偏差增大”等；（5）对控制性能可进行解释；（6）可通过对控制闭环中的单元进行故障检测来获取经验规则。专家控制的关键技术及特点1．专家控制的关键技术(1)知识的表达方法；(2)从传感器中识别和获取定量的控制信号；(3)将定性知识转化为定量的控制信号；(4)控制知识和控制规则的获取。2．专家控制的特点（1）灵活性：根据系统的工作状态及误差情况，可灵活地选取相应的控制律；（2）适应性：能根据专家知识和经验，调整控制器的参数，适应对象特性及环境的变化；（3）鲁棒性：通过利用专家规则，系统可以在非线性、大偏差下可靠地工作。专家控制仿真实例求三阶传递函数的阶跃响应，其中对象采样时间为1ms。采用专家PID设计控制器。在仿真过程中，取0.001，程序中的五条规则与控制知知识识库库实实时时推推理理机机AA//DD被被控控对对象象DD//AA控控制制算算法法库库南昌大学实验报告算法的五种情况相对应。实验所得曲线如下：三、神经网络控制神经网络从从人恼的生理学和心理学着手，通过人工模拟人脑的工作机理来南昌大学实验报告实现机器的部分智能行为。人工神经网络（简称神经网络，NeuralNetwork）是模拟人脑思维方式的数学模型。神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为。神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。20世纪80年代以来，人工神经网络（ANN，ArtificialNeuralNetwork）研究所取得的突破性进展。神经网络控制是将神经网络与控制理论相结合而发展起来的智能控制方法。它已成为智能控制的一个新的分支，为解决复杂的非线性、不确定、未知系统的控制问题开辟了新途径。神经网络原理神经生理学和神经解剖学的研究表明，人脑极其复杂，由一千多亿个神经元交织在一起的网状结构构成，其中大脑皮层约140亿个神经元，小脑皮层约1000亿个神经元。人脑能完成智能、思维等高级活动，为了能利用数学模型来模拟人脑的活动，导致了神经网络的研究。神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支—树突组成。轴突功能是将本神经元的输出信号(兴奋)传递给别的神经元，其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接收到的所有信号进行简单地处理后，由轴突输出。神经元的轴突与另外神经元神经末梢相连的部分称为突触。一个神经元通过其轴突的神经末梢，经突触与另外一个神经元的树突连接，以实现信息的传递。由于突触的信息传递特性是可变的，随着神经冲动传递方式的变化，传递作用强弱不同，形成了神经元之间连接的柔性，称为结构的可塑性。通过树突和轴突，神经元之间实现了信息的传递。神经网络的分类目前神经网络模型的种类相当丰富，已有近40余种神经网络模型。典型的神经网络有多层前向传播网络（BOP网络）、Hopfield网络、CMAC小脑模型、ART网络、BAM双向联想记忆网络、SOM自组织网络、Blotzman机网络和Madaline网络等。BP神经网络1986年，Rumelhart等提出了误差反向传播神经网络，简称BP网络（BackPropagation），该网络是一种单向传播的多层前向网络。误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。BP网络特点（1）是一种多层网络，包括输入层、隐含层和输出层；（2）层与层之间采用全互连方式，同一层神经元之间不连接；（3）权值通过δ学习算法进行调节；（4）神经元激发函数为S函数；南昌大学实验报告（5）学习算法由正向传播和反向传播组成；（6）层与层的连接是单向的，信息的传播是双向的。BP网络结构含一个隐含层的BP网络结构如图7-5所示，图中为输入层神经元，为隐层神经元，为输出层神经元。BP网络的优缺点BP网络的优点为：（1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系；（2）BP网络的学习算法属于全局逼近算法，具有较强的泛化能力。（3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。BP网络的主要缺点为：（1）待寻优的参数多，收敛速度慢；（2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；（3）难以确定隐层及隐层节点的数目。目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。由于BP网络具有很好的逼近非线性映射的能力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。由于BP网络具有很好的逼近特性和泛化能力，可用于神经网络控制器的设计。但由于BP网络收敛速度慢，难以适应实时控制的要求。神经网络控制仿真实例使用BP网络逼近对象，采样时间取1ms。权值W1，W2的初始值取[-1,+1]之间的随机值，取n=0.50，a=0.05。所得曲线图如下：南昌大学实验报告南昌大学实验报告四、模糊控制将神经网络的学习能力引到模糊系统中，将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示是实现模糊系统自组织、自学习的重要途径。在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。模糊神经网络在本质上是将常规的神经网络赋予模糊输入信号和模糊权值，其学习算法通常是神经网络学习算法或其推广。模糊神经网络是将模糊系统和神经网络相结合而构成的网络。利用RBF网络与模糊系统相结合，构成了模糊RBF网络。网络结构采用图8-1所示的模糊神经网络系统，其模糊推理系统主要由输入层、模糊化层、模糊相联层、模糊后相连层和输出层构成。南昌大学实验报告模糊控制仿真实例使用模糊RBF网络逼近对象，其中采样时间为1ms。所得曲线图如下：南昌大学实验报告南昌大学实验报告五、智能控制系统三种主要方法的比较模糊控制系统通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制；神经网络具有并行机制、模式识别、记忆和自学习能力的特点，它能充分逼近任意复杂的非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性；专家系统其内部包含某领域专家水平的知识和经验，具有解决专门问题的能力。