您的位置：关键词：控制
2. 神经网络、神经计算与神经控制
人们对于神经网络的研究已有30多年的历史,其间曾几度起落,近年重新成热门研究课题,其研究兴衰与计算机科学、人工智能的进展紧密联系在一起。计算机的高速运算能力和一定的逻辑处理能力曾使早期学者对人工智能产生过分乐观的期望,专家系统在某些领域的成功应用更激发了人们对于AI的研究热情。80年代之后,专家系统深入研究中存在的问题和困难致使其进展缓慢。于是神经网络研究的复兴热潮应运而生。到1988年,神经网络被美国空军用于识别战术目标,同年随机神经网络被成功用来解决两个分离式智能化电子发射器的干扰问题。
(1) 基本特性 神经网络的基本特性包括:
·分布式存储和容错性(或称网络性能的优雅降级)。既使网络中的个别计算单元出错或部分信息丢失,但大部分信息仍然存在,因而可以使信息得到恢复。与传统的计算机相比,神
经网络具有更强的鲁棒性。
·高度的并行处理能力。在神经网络中,单个神经元的响应速度虽然很慢(毫秒级),但整个网络的反应速度却很快,可以在极短的时间内对复杂的问题做出判断和决策。这是因为各神经元可同时进行同样的处理,构成大规模并行处理,而这里的并行处理决不是简单地以空间复杂性代替时间复杂性,而是反映了根本不同的操作机理。现在文献中的神经网络一般是指大量简单神经元广泛互连构成的一种计算结构,它在某种程度上可以模拟生物神经系统。
·自组织性。网络可以通过训练进行自组织,以适应不同信息处理的要求。
·层次性。神经生理学的研究表明,信息在网络中的传递过程是在不同层次的神经回路中逐级加工处理的过程。
(2) 工作方式 按对能量函数的利用,神经网络可分为三种工作方式:
·能量函数的所有局部极小点都起作用,用于相联存储器、信息压缩及编码。
·只利用能量函数的全局极小点,用于求解组合优化问题、计算机和机器人视觉 、控制
领域的反演问题。
·不考虑能量函数,主要实现函数映射,例如多层感知器。
(3)应用 神经网络在智能控制和信息处理中的应用,是近年来一个十分活跃的研究领域。
神经网络(NN) 的自学习和非线性映射能力,受到了控制界的普遍关注。Werbos把NN在控制中的应用分为五种方法,即监督学习控制、自适应神经控制、直接逆控制、通过时间或效用的反向传播算法以及自适应评价方式。Werbos认为,上面的五种方法虽然大多数要求控制器或模型可微,但都可以应用到任何类的大规模、稀疏的非线性控制器或模型。
作为一种通用的方法,神经网络控制设计提供了一个相对常规方法的重要优点广义学习能力。通过学习而不是费力、费时的人工建模过程,可以节省系统开发的大量工作,实时学习还可以实现新任务和新产品的更平滑、更快速的自适应。在原理上,实时学习的这些优点都可以通过把神经控制用于经典模型和控制器或模糊逻辑系统而获得 。
实际上,除Werbos早期在反向传播上的工作外,几乎所有神经控制方法的应用都是把神经网络用作模型或控制器。迄今为止神经网络控制已在机器臂控制(包括航天飞机的主臂)、化工过程控制、高质量部件的连续生产及其他航空应用中获得引人瞩目的成功。大量的工程实践表明,许多简单设计在实际应用中是不合适的,高级研究小组应把注意力放在基于学习的动态优化领域,以构造真正的通用智能系统,这类复杂设计方法的优化指标往往是系统时间上的效用、性能或利润。
总之,神经网络实现具有许多常规方法所不具备的优点,诸如硬件实现、使用方便、数学基础的一般性以及与人脑的紧密联系,因而对神经网络、神经计算和神经控制的研究不只是加深人们对人类大脑功能的了解,而且将对新型计算机、人工智能、控制论等学科的发展起到决定性的作用,从而为实现高级的机器智能系统产生深远的影响。
3. 模糊系统与控制
为了解决工程实际中出现的模糊性问题,现代控制理论提出了许多对策。但是这些方法都直接或间接地依赖于受控对象或过程的数学模型,在实际工程中很难做到。即使做到了,又因为算法通常都很复杂,致使控制系统的实时性难以保证。目前,在工业上投入运行的模糊控制器大都由一组模糊规则组成,通过一定的模糊推理机制确定控制作用。大量的控制工程实践表明,模糊控制主要适用于那些由于非线性和其他建模复杂性引起的结构或参数未建模的系统的控制。同基于精确数学模型的控制方法相比,模糊控制在处理不精确与启发式知识、控制具有高度不确定性的复杂系统时具有明显的优越性。近年来模糊控制技术的实际应用越来越多,许多模糊推理芯片也开始陆续投放市场。
模糊控制技术的主要特点包括:
(1)设计模糊逻辑系统时,不需要建立被控对象或过程的精确数学模型。
(2)系统对被控过程或对象参数变化具有较强的鲁棒性。
(3)由工业过程和操作人员的定性知识、经验出发,容易建立语言规则库,以形成适于自
动控制的模糊算法。
(4) 模糊数学 (包括模糊集和模糊逻辑理论)为这种语言综合方法奠定了形式基础。
(5)这种语言方法是人类思维过程中定性和近似推理的更合适的表征工具。
(6) 操作人员可以干预控制过程,从而提高控制系统实际应用的灵活性和智能化程度。到目前为止,模糊控制主要应用在动力系统控制、智能机器人和交通管理系统。模糊控制近年在水质控制、船舶自动驾驶、锅炉控制、航天飞机模拟姿态控制、地铁列车的实时控制、起重机的自动运营、电梯控制、核反应堆控制、汽车传动、模糊逻辑硬件、模糊记忆器件和模糊计算机等方面的广泛应用,为模糊控制方法在那些熟练操作员无需数学建模就能够有效实施控制的复杂过程中的使用积累了经验。