基于神经网络的智能控制系统

基于神经网络的智能控制系统【摘要】介绍了神经网络的基本概念，论述了人工神经网络的产生与发展，以及人工神经网络在控制系统中的应用现状，分析了人工神经网络的特点和监视控制系统的原理，并阐述了几种基于神经网络的控制系统,最后展望了基于神经网络控制的发展方向。【关键词】人工神经网络；控制系统；监视控制系统；智能控制；应用1引言神经网络控制是一种基本上不依赖于模型的控制方法，它适合于具有不确定性或高度非线性的控制对象，并具有较强的自适应和自学习功能，因此是智能控制的一个重要分支领域。人工神经网络利用物理器件来模拟生物神经网络的某些结构和功能，具有并行和分布式的信息处理网络结构，该结构一般由几个神经元组成，每一个神经元有一个单一的输出，但可通过连接的很多其它神经元，获得有多个连接通道的输入，每个连接通道对应一个连接权系数。2人工神经网络的产生与发展早在1943年，美国神经生物学家W.S.McCul-loch就与数学家W.Pitts合作，采用数理模型的方法研究脑细胞的动作和结构，以及生物神经元的一些基本生理特征，提出第一个神经计算模型，即神经元的阈值元件模型(MP模型)，并指出:即使是最简单的神经网络，从原则上讲也可以进行任意算术或逻辑函数的计算。1949年，D.O.Hebb提出了改变神经元连接强度的Hebb规则，其正确性30年后才得到证实，至今仍在各种神经网络模型中起着重要的作用。1957年F.Rosenblatt提出并设计制作了著名的感知器(Perceptron)，从而掀起第一次研究神经网络的热潮。1960年B.Windrow和M.E.Hoff提出自适应线性单元(Adaline)网络，这与当时占主导地位的以顺序离散符号推理为基本特征的AI途径完全不同，因而引起人们的兴趣，同时也引起符号主义与连接主义的争论。1969年M.Minsky和S.Papert编写了影响很大的《Perceptron》一书。在肯定感知器的研究价值的同时，指出感知器的局限性，在数学上证明了感知器不能解决XOR等线性不可分问题。20世纪80年代以来，人工神经网络进入一个高速发展的阶段，Prigogine因提出非平衡系统的自组织理论(耗散结构理论)而获得诺贝尔奖；近年来广泛研究的浑沌动力学和奇异吸引子理论，则揭示了系统的复杂行为。1982年美国加州工学院物理学家J.J.Hopfield提出著名的Hopfield模型，有力地推动了神经网络的研究。Hopfield通过引入“计算能量函数”的概念，给出网络稳定性判据。1984年Hopfield提出网络模型实现的电子电路，为神经网络的工程实现指明了方向。1985年Hinton和Sejnowski将模拟退火算法引入到神经网络中，提出Boltzmann机模型，为神经网络优化计算提供了一个有效方法。D.E.Rumelhart和J.L.McClelland等人提出的PDP(并行分布处理理论)，致力于认知微观结构的探索；1986年提出了多层网络的反向传播学习算法(BP算法)，把学习结果反馈到中间层次的隐单元，改变它们的联系矩阵，从而达到预期的学习目的，迄今为止仍是应用最广泛的神经网络。进入20世纪90年代以来，神经网络的研究已进入相对平稳的发展时期，许多理论得到了进一步的证实、补充与发展。同时神经网络的应用研究得以广泛开展，应用的领域也不断扩大。神经网络理论的应用已经渗透到各个领域，并在智能控制、模式识别、计算机视觉、自适应滤波和信号处理、非线性优化、自动目标识别、连续语音识别、声纳信号的处理、知识处理、传感技术与机器人、生物医学工程等方面，都取得很大的进展。3人工神经网络的特点人工神经网络是生物神经网络的一种模拟和近似，主要从两个方面进行模拟:一个是结构和实现机理方面，它涉及到生物学、生理学、心理学、物理及化学等许多基础学科。由于生物神经网络的结构和机理非常复杂，现在从这方面模拟还仅在尝试[1]；另一个是功能方面，即尽量使人工神经网络具有生物神经网络的某些功能特性，如学习、识别、控制等。目前应用的神经网络均是对功能方面的模拟。神经网络有以下一些特点。(1)具有自适应功能：主要是根据所提供的数据，通过学习和训练，找出和输出之间的内在联系，从而求得问题的解答，而不是依靠对问题的经验知识和规则，因而具有良好的自适应性。(2)具有泛化功能：能够处理那些不经训练过的数据，而获得相应于这些数据的合适的解答；也能处理那些有噪声或不完全的数据，从而显示了很好的容错能力。(3)非线性映射功能：现实的问题非常复杂，各因素间互相影响，呈现出复杂的非线性关系，神经元网络为处理这些问题提供了有用的工具。(4)高度并行处理信息：此特点使用硬件实现的神经网络的处理速度远远高于普通计算机。3.1高度的并行性人工神经网络是由许多相同的简单处理单元并联组合而成，大量简单处理单元的并行活动，使其处理信息的能力大大提高。3.2高度的非线性全局作用人工神经网络的每个神经元接受大量其他神经元的输入，并通过并行网络产生输出，影响其他神经元。网络之间的这种相互制约和影响，实现了从输入状态到输出状态空间的非线性映射。从全局的观点来看，网络整体性能不是网络局部性能的简单叠加，而是表现出某种集体性行为。3.3良好的容错性和联想记忆功能人工神经网络通过自身的网络结构能够实现对信息的记忆，所记忆的信息以分布式存储在神经元之间的权值中，使得网络具有良好的容错性，并能进行聚类分析、特征提取、模式复原等模式信息处理工作，又宜于做模式分类、模式联想等模式识别工作。人工神经网络可以通过训练和学习来获得网络的权值和结构，呈现出很强的自学能力和对环境的自适应能力，便于现有计算机技术虚拟实现。4人工神经网络在控制系统中的应用神经网络控制的研究始于20世纪60年代。1960年，Widrow和Hoff首先将神经网络运用于控制系统。Kilmer和McCulloch提出了KMB神经网络模型，并在“阿波罗”登月计划中的应用取得良好的效果。1964年，widrow等用神经网络对小车倒立摆系统控制取得成功。神经网络控制可以分为监视控制、逆控制、神经适应控制、实用反向传播控制和适应评价控制等。在智能控制系统中，最重要的是和知识基有关的推理机型，以及随环境变化的适应能力。一般而言，推理是以符号为元素执行的，而客观世界中的信号是数值，为了理解过程的状态，需要实施数值数据到符号数据的映射，这就要把数值数据进行分类。另外，对过程的控制需要自适应控制器。神经网络的分类功能和学习能力可以使其有效地用于智能控制系统，神经网络用于控制系统是“物尽其用”的必然结果。IEEE神经网络协会出版刊物主席ToshioFukuda教授和《神经计算应用手册》的作者P.J.Werbos把神经网络控制系统分为5大类:一是监视控制；二是逆控制；三是神经适应控制；四是实用反问传播控制；五是适应评价控制。根据划分情况，神经网络控制系统有5类不同的结构，而且神经网络在控制系统中的位置和功能有所不同，学习方法也不尽相同。5基于神经网络的几种控制系统有关神经网络控制方法与结构的文献很多，分类方法也很多，但典型的控制结构应包括:神经网络监督控制(或称神经网络学习控制)；神经网络自适应控制(自校正、模型参考控制，含直接与间接自适应控制)；神经网络内模控制；神经网络自适应评判控制(或称神经网络再励控制)等。神经网络控制结构方案的研究，构成了神经网络控制方法的设计基础。具有代表性的神经网络控制系统有:全局逼近、局部逼近和模糊神经网络控制系统。5.1基于全局逼近神经网络的控制全局逼近网络是在整个权空间上对误差超曲面的逼近，故对输入空间中的任意一点，任意一个或多个连接权的变化都会影响到整个网络的输出，其泛化能力遍及全空间，如BP网络等。由于在全局逼近网络中，每一个训练样本都会使所有连接权发生变化，这就使响应的收敛速度极其缓慢。当网络规模较大时，这一特点使其实际上难以在线应用。利用全局逼近神经网络的异步自学习控制系统如图1所示。图1基于全局逼近式神经网络异步自学习控制系统由于神经网络控制器实际上是一个非线性控制器，因此一般难以对其进行稳定性分析。全局逼近网络在控制系统中的作用，主要体现在两个方面:提供一个类似于传统控制器的神经网络控制器；为神经网络控制器进行在线学习，提供性能指标关于控制误差梯度的反向传播通道，如建立被控对象的正向网络模型等。此外，结合稳定性分析，对神经网络的控制结构方案进行特别设计，还可以为分析复杂问题提供一个有效的解决途径。5.2基于局部逼近神经网络的控制局部逼近网络只是对输入空间一个局部邻域中的点，才有少数相关连接权发生变化，如CMAC、RBF和FLN网络等。由于在每次训练中只是修正少量连接权，而且可修正的连接权是线性的，因此其学习速度极快，并且可保证全空间上误差全平面的全局收敛特性可以实时应用。其不足之处是采用间断超平面对非线性超曲面的逼近，可能精度不够，同时也得不到相应的导数估计；采用高阶B样条的BMAC控制，则部分弥补了CMAC的不足，但计算量略有增加；基于高斯径向函数(RBF)的直接自适应控制，是有关非线性动态系统的神经网络控制方法中，较为系统且逼近精度最高的一种方法，但它需要的固定或可调连接权太多，且RBF的计算也太多，利用目前的串行计算机仿真实现时，计算量与内存过大，很难实时实现。5.3模糊神经网络控制模糊神经网络控制系统的基本思路是:利用模糊box分割问题空间，使每个模糊box不仅具有CEN给出的评分，含有作为控制作用的输出语言变量，而且整个模糊box还隐含定义了模糊规则库。模糊神经网络主要有三种结构:输入信号为普通变量，连接权为模糊变量；输入信号为模糊变量，连接权为普通变量；!输入信号与连接权均为模糊变量。它们还可根据网型及学习算法中的点积运算是使用模糊逻辑运算，还是使用模糊算术运算，分成常规和混合型模糊神经网络。6人工神经网络的发展方向人工神经网络控制的研究，无论从理论上还是从应用上目前都取得了很大进展，但是，离模拟真实的生物神经系统还相距甚远，所使用的形式神经网络模型无论从结构还是网络规模上，都是真实神经网络的极简单模拟，因此神经网络控制的研究还非常原始，结果也大都停留在仿真或实验室研究阶段，完整、系统的理论体系，大量艰难而富有挑战性的理论问题尚未解决。从总体上来看，今后的研究应致力于以下几方面:基础理论研究，包括神经网络的统一模型与通用学习算法，网络的层数、单元数、激发函数的类型、逼近精度与拟逼近非线性映射之间的关系，持续激励与收敛，神经网络控制系统的稳定性、能控性、能观性及鲁棒性等；研究专门适合于控制问题的动态神经网络模型，解决相应产生的对动态网络的逼近能力与学习算法问题；神经网络控制算法的研究，特别是适合于神经网络分布式并行计算特点的快速学习算法；对成熟的网络模型与学习算法，研究相应的神经网络控制专用芯片。参考文献[1]孙增圻,张再兴,邓志东.智能控制理论与技术[M].北京:清华大学出版社,1997[2]邵军力,张景,魏长华.人工智能控制[M].北京:电子工业出版社,2000[3]易继锴.智能控制技术[M].北京；北京工业大学出版社,1999[4]杨行峻,郑君里.人工神经网络[M].北京:高等教育出版社,1992[5]刘永红,神经网络理论的发展与前沿问题[J].信息与控制,1999，28(1):31-46[6]王旭东,邵惠鹤.RBF神经网络理论及其在控制中的应用[J].信息控制，1997,26(4):273-277