您的位置：关键词：控制
一、若干动态系统与控制方法
人类智能主要体现在感觉、意识、记忆、形成抽象概念、判断和识别事物、逻辑推理以及自身行为的决策分析上。相应地,机器智能系统的控制将体现出以下特点:
·具有以微积分表示和以技术应用语言表示的混合系统方法。
·采用不精确的或不完全的装置分层模型,具有并行处理的能力。
·含有由多传感器递送的分级和不完全的外系统知识,并在学习过程中不断加以辨识、更新,做出判断、决策,有自适应、自组织、自学习、自修复和自协调的能力,并应具有高度的可靠性。
以上三个特点的核心是掌握知识和运用知识解决实际问题的能力。智能控制系统应具有自适应、大型记忆、模式识别及高级智能决策的功能。其设计方法除应用解析法外,主要采用模拟人类行为的方法。
1. 由自适应控制与学习控制到智能控制
高度自主的控制系统的一个必不可少的特征是系统学习过去经验的能力。机器学习领域的焦点是人造系统学习过去的经验及基于积累的经验而改进性能的能力。这种学习能力包括知识获取、知识表示和一定程度的推理决策技巧。在过去的20多年里,学习过程的计算机建模一直是机器学习领域的研究主题。
60年代末期的机器学习过程包括一个分类过程,其中部分或全部的先验信息未知。Tsypkin认为学习是一个过程,通过重复各种输入信号,从外部校正该系统,使其对特定输入信号具有期望的响应。自学习就是没有外部校正的学习,它没有给出系统响应正确与否的任何信息;傅京孙(Fu)认为,如果一个系统对环境的未知特征进行学习,并将获取的经验用于未来的估计、分类、决策和控制,以改善系统的性能,则这样的系统是一个学习系统;Fu把学习控制系统的实现算法分成模式分类、再励学习、Bayessian估计、随机逼近、随机自动机、模糊自动机和语言学等方法。就控制而言,我们认为,可以简单地把学习视为这样一个过程,借此获取尽可能丰富的系统和环境知识,以改变自身的行为,更有效地执行控制任务。自适应控制与学习控制的关系问题是一个十分重要的问题。当根据某种自适应控制算法调整控制器的参数以满足一定的性能要求时,可以认为完成了一定意义下的学习,这种情况下系统获取的知识是自适应控制器的新参数。然而,如果此后再发生相同的变化,并且控制系统由以前辨识得到的完全相同的参数描述,自适应控制算法仍然需要重新调整控制器和受控系统的参数。究其原因,主要是由于自适应算法没有记忆功能。在这种意义下可以认为系统没有学习。所以,一个有意义的经验就是学习控制器需要记忆,即存储过去的经验,以便相近的情况发生时使用。
70年代以来,自适应方法一直是研究的一个重点,目前的研究进展主要集中在对于系数部分未知的微分或差分方程描述的系统的自适应算法的收敛性和自适应系统的稳定性上。为了增强自适应控制方法的实用性,最近在许多控制类文献中,重新引入了神经网络的学习控制方法。故障诊断和调节在高度自主智能系统中是不可缺少的,采用学习方法使系统适应不可测故障,可以取得良好效果。
我们认为,无监督学习算法的深入研究对于未来机器智能系统的实现具有重要的理论意义与实用价值。无监督方式是指在教导信号未知的情况下,系统按已掌握的先验信息在线地修正自身的特性或特征,逐步积累经验和知识,以最终获得满意的控制性能。实际上,从另一个角度看,该学习方式的教导信号隐含在系统的学习目标中,按学习目标来决定控制策略选择和记忆。一个明显的例子是人类日常生活的大部分学习属于无监督方式,它正是我们寻找的无监督学习的理想化模型。