智能控制论文
智能家居控制系统研究论文
智能家居控制系统研究论文智能家居控制系统是一种将智能技术与家居建筑有机结合的产物，其开发目的在于实现对家居环境及设备的智能灵活控制，从而提高家居生活的便捷性和舒适度。
近年来随着科技的迅猛发展，智能家居控制系统成为了受到广泛关注的研究领域，其发展也呈现出了蓬勃的态势。
本文将探讨智能家居控制系统的现状与未来发展趋势，以及当前需要解决的主要问题。
一、智能家居控制系统的现状目前，智能家居控制系统已经得到广泛应用和推广，具备了智能化、自动化、网络化等特点。
智能家居控制系统可实现的基本功能包括环境控制、能源管理、安全监视、娱乐休闲等。
其中，环境控制可通过智能化调节家居温度、照明亮度、通风、湿度等，从而打造一个优美舒适的生活环境；能源管理方面，智能家居控制系统可通过智能监控和控制家居能源使用情况，实现家居能源节约，降低家庭能源成本；安防监视方面，智能家居控制系统可通过布置各类智能监控设备，实时检测家居安全状况，并通过智能警示措施及时报警处理；娱乐休闲方面，智能家居控制系统可通过数字家庭娱乐设备实现多媒体应用、网络娱乐等，为家庭休闲娱乐提供更多的便捷和选择。
智能家居控制系统不同于一般传统家居体系，它不仅具备传统的家居功能，还通过网络与云平台进行互联，能够实现对家居的长距离运营管理。
同时智能家居控制系统的应用领域也非常广泛，不仅涉及到住宅、公寓、别墅等个人家庭，还包括商业、教育、医疗、旅游等社会公共场所。
二、智能家居控制系统的未来发展趋势随着科技水平的不断提高，智能家居控制系统也在不断发展更新。
未来，智能家居控制系统的发展趋势将体现在以下几个方面：1、智能化程度及操作简便性：随着智能家居控制技术的不断发展，未来的智能家居控制系统将进一步智能化和自动化。
整合人工智能、大数据、云计算等技术，使智能控制系统更加智能化、高效化、人性化。
2、多设备互联及智能化应用：未来，智能家居控制系统将不再是仅仅控制空调、灯光、家电等设备的简单应用。
智能控制技术毕业论文【范本模板】
摘要：本文主要介绍了智能控制技术从经典控制理论、现代控制理论发展到今天的智能控制理论的发展过程和主要方法，并介绍了智能控制在工业发展、机械制造、电力电子学研究领域中的应用.关键字：自动化智能控制应用随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段,这对自动控制技术提出犷新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。
一、智能控制的发展过程从经典控制理论、现代控制理论发展到今天的智能控制理论，经历了很长时间.四十年代到五十年代形成了经典控制理论。
经典控制理论中基于传递函数建立起来的如频率特性、根轨迹等图解解析设计方法，对于单输入—单输出系统极为有效，至今仍在广泛地应用。
但传递函数对处于系统内部的变量不便描述，对某些内部变量还不能描述，且忽略了初始条件的影响。
鼓传递函数描述不能包含系统的所有信息。
现代控制理论主要研究具有高性能、高精度的多变量变参数系统的最优控制问题，它对多变量有很强的描述和综合能力，其局限在于必须预先知道被空对象或过程的数学模型.智能控制是在经典和现代控制理论基础上进一步发展和提高的。
智能控制的提出，一方面是实现大规模复杂系统控制的需要；另一方面是现代计算机技术、人工智能和微电子学等学科的高度发展，给智能控制提供了实现的基础。
智能控制提供了一种新的控制方法,基本解决了非线性、大时滞、变结构、无精确数学模型对象的控制问题。
二、智能控制的主要方法通俗地讲,智能控制就是利用有关知识（方法）来控制对象，按一定要求达到预定目的。
智能控制为解决控制领域的难题，摆脱了经典和现代控制理论的困境，开辟了新的途径.智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等，以及常用优化算法有：遗传算法、蚁群算法、免疫算法等。
1、模糊控制模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础，以先验知识和专家经验作为控制规则。
智能控制期末总结论文
智能控制期末总结论文1.引言智能控制作为现代控制理论的前沿领域，以其高效、智能、自适应的特点，在自动化控制系统中得到了广泛应用。
本文对于智能控制在期末考试中的学习及应用过程进行总结，分析了所学习的内容及实际应用中遇到的问题，并提出了对未来智能控制研究的建议。
2.学习成果总结在本学期的智能控制课程中，我学到了许多基本概念、方法和技能，如模糊控制、神经网络、遗传算法等。
通过理论学习和实践操作，我深入了解了智能控制的原理和基本方法，并掌握了如何将其应用于实际系统中。
在期末考试中，我充分运用所学知识解决了一系列智能控制问题，验证了所学内容的实用性和有效性。
3.实际应用总结在实际应用中，我发现智能控制技术在许多领域有着广泛的应用前景。
例如，在工业生产中，我可以使用模糊控制技术对温度、压力、流量等参数进行控制，以提高产线的稳定性和运行效率。
在交通管理中，我可以使用神经网络来处理交通流数据，预测交通拥堵情况，并做出相应的调控措施。
这些实际应用不仅提高了智能控制技术的应用水平，也对我个人的学习和实践能力提出了更高的要求。
4.遇到的问题及解决方法在学习和应用智能控制的过程中，我也遇到了一些问题。
首先，对于一些复杂的数学理论和算法，我往往难以理解其具体应用方式。
为了解决这个问题，我充分利用课堂和教材上的案例和实例进行实际操作和演练，通过实践加深理解。
其次，在实际应用中，我发现系统参数的确定往往是一个关键问题。
为了解决这个问题，我通过理论分析和实际实验相结合的方式，对系统进行建模和参数辨识，以便更好地进行控制。
5.未来研究建议基于对智能控制的学习和实践经验，我对未来的智能控制研究提出以下建议。
首先，需要进一步深化对基本理论和算法的学习，扩大应用领域和深化应用方法。
其次，需要加强理论与实际的结合，加大对实际系统的建模和控制实验的研究力度。
此外，需要加强团队合作，开展多学科交叉研究，以进一步提升智能控制技术的水平和效果。
智能控制导论论文(人工神经网络)
智能控制导论论文●系别：●班级：●学号：●姓名：●日期：人工神经网络关键词:人工神经网络、产生、发展、应用内容摘要:人工神经网络是二十世纪科学技术所取得的重大成果之一，是人类认识自然道路上的又一座里程碑。
90年代以来，国际学术界掀起了研究人工神经网络的热潮，但是探讨其哲学思想方面的研究相对薄弱。
我们知道，任何一门影响巨大、意义深远的科学技术，其发展过程必然揭示了科学技术发展的基本规律以及影响其发展的主要因素。
人工神经网络（Artificial Neural Networks, ANN），一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
人工神经网络是一门发展十分迅速的交叉学科，它是由大量处理单元组成的非线性大规模自适应动力系统，具有学习能力、记忆能力、计算能力以及智能处理能力，并在不同程度和层次上模仿人脑神经系统的信息处理、存储及检索功能。
同时，人工神经网络具有非线性、非局域性、非定常性、非凸性等特点，因此在智能控制、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、智能传感技术与机器人、生物医学工程等方面都有了长足的发展。
人工神经网络产生的背景自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。
生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。
智能控制论文智能控制论文
智能控制论文智能控制论文智能控制课程教学改革初探摘要结合自身教学实践，分析智能控制理论教学中存在的主要问题，并提出具体的教学改革措施与途径，包括简化教学内容、教学中引入MATLAB、加强实践教学等方面的改革。
实践证明，这些改革不仅取得良好的教学效果，而且激发了学生学习智能控制理论的兴趣。
关键词智能控制理论；教学改革；MATLAB中图分类号：G642.0 文献标识码：B 文章编号：1671-489X(2011)12-0035-02Practice and Reform on Teaching of Intelligent Control Theory Course//Li JunhongAbstract In this paper, the problems in teaching Intelligent Control Theory Course for undergraduates are pointed out, and some detailed approaches of teaching reform on Intelligent Control Theor y are proposed based on the self’s practical teaching experience. The approaches include three aspects, that is, simplifying teaching contents, introducing MATLAB in teaching and strengthening practice teaching. The practice illustrates that the proposed teaching reforms notonly obtain good effects, but also inspire students’ interest in intelligent control theory.Key words intelligent control theory; teaching reform; MATLABAuthor’s address School of Electrical Engineering, University of South China, Hengyang, Hunan, China 421001 智能控制是当今国内外自动化学科中十分活跃和具有挑战性的领域，是一门新兴的交叉学科，代表着当今世界控制理论和技术的发展方向，是一门集理论研究和工程实践于一体的综合性课程。
智能控制技术及其应用 毕业论文
摘要：本文主要介绍了智能控制技术从经典控制理论、现代控制理论发展到今天的智能控制理论的发展过程和主要方法，并介绍了智能控制在工业发展、机械制造、电力电子学研究领域中的应用。
关键字：自动化智能控制应用随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出犷新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。
一、智能控制的发展过程从经典控制理论、现代控制理论发展到今天的智能控制理论，经历了很长时间。
四十年代到五十年代形成了经典控制理论。
经典控制理论中基于传递函数建立起来的如频率特性、根轨迹等图解解析设计方法，对于单输入-单输出系统极为有效，至今仍在广泛地应用。
但传递函数对处于系统内部的变量不便描述，对某些内部变量还不能描述，且忽略了初始条件的影响。
鼓传递函数描述不能包含系统的所有信息。
现代控制理论主要研究具有高性能、高精度的多变量变参数系统的最优控制问题，它对多变量有很强的描述和综合能力，其局限在于必须预先知道被空对象或过程的数学模型。
智能控制是在经典和现代控制理论基础上进一步发展和提高的。
智能控制的提出，一方面是实现大规模复杂系统控制的需要；另一方面是现代计算机技术、人工智能和微电子学等学科的高度发展，给智能控制提供了实现的基础。
智能控制提供了一种新的控制方法，基本解决了非线性、大时滞、变结构、无精确数学模型对象的控制问题。
二、智能控制的主要方法通俗地讲，智能控制就是利用有关知识（方法）来控制对象，按一定要求达到预定目的。
智能控制为解决控制领域的难题，摆脱了经典和现代控制理论的困境，开辟了新的途径。
智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。
1、模糊控制模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础,以先验知识和专家经验作为控制规则。
智能控制论文
智能控制论文摘要：基于智能控制和常规控制的本质区别和内在联系，对智能控制的概念进行了研究，同时介绍了智能控制的学科基础和主要分支，并且总结了智能控制的基本分析方法，最后指出了智能控制的实现中存在的一些问题。
关键词智能控制，人工控制，控制论1 引言自1971年傅京孙教授提出“智能控制”概念以来，智能控制已经从二元论（人工智能和控制论）发展到四元论（人工智能、模糊集理论、运筹学和控制论），在取得丰硕研究和应用成果的同时，智能控制理论也得到不断的发展和完善。
智能控制是多学科交叉的学科，它的发展得益于人工智能、认知科学、模糊集理论和生物控制论等许多学科的发展，同时也促进了相关学科的发展。
智能控制也是发展较快的新兴学科，尽管其理论体系还远没有经典控制理论那样成熟和完善，但智能控制理论和应用研究所取得的成果显示出其旺盛的生命力，受到相关研究和工程技术人员的关注。
随着科学技术的发展，智能控制的应用领域将不断拓展，理论和技术也必将得到不断的发展和完善。
2 智能控制的概念智能控制的定义一: 智能控制是由智能机器自主地实现其目标的过程.而智能机器则定义为,在结构化或非结构化的,熟悉的或陌生的环境中,自主地或与人交互地执行人类规定的任务的一种机器.定义二: K.J.奥斯托罗姆则认为,把人类具有的直觉推理和试凑法等智能加以形式化或机器模拟,并用于控制系统的分析与设计中,以期在一定程度上实现控制系统的智能化定义三: 智能控制是一类无需人的干预就能够自主地驱动智能机器实现其目标的自动控制,也是用计算机模拟人类智能的一个重要领域.,这就是智能控制.他还认为自调节控制,自适应控制就是智能控制的低级体现.定义四: 智能控制实际只是研究与模拟人类智能活动及其控制与信息传递过程的规律,研制具有仿人智能的工程控制与信息处理系统的一个新兴分支学科。
3 智能控制系统的类型1)集成或者（复合）混合控制几种方法和机制往往结合在一起,用于一个实际的智能控制系统或装置,从而建立起混合或集成的智能控制系统.2）分级递阶控制系统分级递阶智能控制是在自适应控制和自组织控制基础上,由美国普渡大学Saridis提出的智能控制理论.分级递阶智能控制(Hierarchical Intelligent Control)主要由三个控制级组成,按智能控制的高低分为组织级,协调级,执行级,并且这三级遵循"伴随智能递降精度递增"原则。
智能控制器基本控制规律论文
试析智能控制器的基本控制规律随着微电子技术的不断发展，集成了cpu、存储器、定时器/计数器、并行和串行接口、看门狗、前置放大器甚至a／d、d／a转换器等电路在一块芯片上的超大规模集成电路芯片(即单片机)出现了。
以单片机为主体，将计算机技术与测量控制技术结合在一起，又组成了所谓的“智能化测量控制系统”，也就是智能控制器。
智能控制器工作原理。
传感器拾取被测参量的信息并转换成电信号，经滤波去除干扰后送入多路模拟开关；由单片机逐路选通模拟开关将各输入通道的信号逐一送入程控增益放大器，放大后的信号经a／d转换器转换成相应的脉冲信号后送入单片机中；单片机根据仪器所设定的初值进行相应的数据运算和处理(如非线性校正等)；运算的结果被转换为相应的数据进行显示和打印；同时单片机把运算结果与存储于片内flashrom(闪速存储器)或e2prom(电可擦除存贮器)内的设定参数进行运算比较后，根据运算结果和控制要求，输出相应的控制信号(如报警装置触发、继电器触点等)。
此外，智能控制器还可以与pc机组成分布式测控系统，由单片机作为下位机采集各种测量信号与数据，通过串行通信将信息传输给上位机，由pc机进行全局管理。
智能控制器基本构成1、硬件部分（1）主机电路主要由微处理器cpu、只读存储器rom和eprom、随机存储器ram、定时/计数器ctc以及输入/输出接口等组成，它是数字控制器的核心，用于数据运算处理和各组成部分的管理。
（2）过程输入通道包括模拟量输入通道和开关量输入通道两部分，其中模拟量输入通道主要由多路模拟开关、采样/保持器和a/d转换器等组成，其作用是将模拟量输入信号转换为相应的数字量；而开关量输入通道则将多个开关输入信号通过输入缓冲器将其转换为能被计算机识别的数字信号。
（3）过程输出通道主要包括模拟量输出通道和开关量输出通道两部分，其中模拟量输出通道由d/a转换器、多路模拟开关输出保持器和v/i转换器等组成，其作用是将数字信号转换为1～5v模拟电压或4～20ma模拟电流信号。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
研究生课程（论文类）试卷2 0 /2 0 学年第学期课程名称：课程代码：论文题目：学生姓名：专业﹑学号：学院：课程（论文）成绩：课程（论文）评分依据（必填）：任课教师签字：日期：年月日课程（论文）题目：机器人智能控制研究进展内容：摘要:以介绍机器人控制技术的发展及机器人智能控制的现状为基础,叙述了模糊控制和人工神经网络控制在机器人中智能控制的方法. 讨论了机器人智能控制中的模糊控制和变结构控制,神经网络控制和变结构控制,以及模糊控制和神经网络控制等几种智能控制技术的融合. 并对模糊控制和神经网络控制等方法中的局限性作出了说明.关键词:机器人;智能控制;模糊控制;人工神经网络1 机器人智能控制技术的发展从机器人诞生到20 世纪80 年代初,机器人技术经历了一个长期缓慢的发展过程. 到了20 世纪90 年代,随着计算机技术、微电子技术、网络技术等的快速发展,机器人技术也得到了飞速发展.智能机器人的研究是目前机器人研究中的热门课题. 作为一门新兴学科,它融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果. 智能控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究. 智能机器人可以在非预先规定的环境中自行解决问题. 智能机器人的技术关键就是自适应和自学习的能力,而模糊控制和神经网络控制的应用显示出诸多优势,具有广阔的应用前景.1.1 机器人控制技术的发展早期的机器人系统,由于需要完成的任务比较简单,而且对动态特性的要求不高,其系统可看成是机器人各关节控制器简单的组合. 随着机器人技术的发展,机器人控制器对各关节在整个过程中位置、速度及加速度都有一定的要求,因此可采用独立关节控制原则,在各关节构成PID 控制. 由于机器人操作臂是一个高度非线性的系统,工业用的低速操作臂应用常规的PID 反馈控制可以满足控制要求,但为实现高速运动,要求具有较好的控制品质, PID 反馈控制难以取得较好的控制效果. 在传统的控制方法中,它们依赖数学模型. 但是,由于操作臂的参数不能精确得到,模型参数与实际参数不匹配时,便会产生伺服误差. 当机器人工作环境及工作目标的性质和特征在工作过程中随时间发生变化时,控制系统的特性有未知和不定的特性. 这未知因素和不定性使控制系统性能降低. 因此,采用传统的控制方案已不能满足控制要求.在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控制时,智能控制方法得到了成功的应用. 近年来,随着人们对机器人高速高精度要求的不断提高,使得整个机器人系统对其控制部分的要求也越来越高,开发具有智能的机器人已经成为人们研究的热点。
1.2 机器人智能控制的现状近几年,机器人智能控制在理论和应用方面都有较大的进展。
在模糊控制方面,由J·J·Buckley 等人论证了模糊系统的逼近特性; E·H·Mamdan 首次将模糊理论运用于一台实际机器人,把模糊控制技术在机器人中的应用得以展现[1] . 而且,模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规划等各个领域都得到了广泛的应用。
在机器人神经网络控制方面,CMCA (Cere-bella Model Cont roller Articulation) 是应用较早的一种控制方法,它的最大特点是实时性好,尤其适应于多自由度操作臂的控制,W·T·Miller 等[2]还进行了实验研究,验证了该方法的有效性.2 机器人智能控制方法2.1 机器人的模糊控制英国学者E·H·Mamdani 在1974 年首次成功地将模糊集理论运用于工业锅炉的过程控制之中,并于20 世纪80 年代初又将模糊控制引进到机器人的控制中. 被控对象是一个具有两个旋转关节的操作臂,每个关节由直流电动机驱动. 关节的实际转角通过测速发电机由A/ D 转换电路获得,其角速度通过SOC 的记忆存储器编程来实现. 其主要是对操作臂模糊控制系统,分别进行阶跃响应测试和跟踪控制试验. 控制结果证明了模糊控制方案具有可行性和优越性.由Lin C M 等人[3]提出了在模糊控制器结构的基础上,引入PI 调节机制达到对阶跃输入的快速响应和达到消除隐态误差的效果. 通过相平面上对两种不同区域的启发性分类,可得到一组简单的模糊规则,从而简化了模糊规则库和算法,使最终的控制器易于实现. 该控制方案通过仿真实验得到验证.由邓辉等人[4 ]提出了一种基于模糊聚类和滑模控制的模糊逆模型控制方法,并将其应用于动力学方程未知的机械手轨迹控制. 采用 c 均值聚类算法构造两关节机械手模糊模型,并由此构造模糊系统的逆模型. 在提出的模糊逆模型控制结构中,离散时间滑模控制和时延控制用于补偿模糊建模误差和外扰动,保证系统全局稳定性,并改善其动态和稳态性能. 系统稳定性和轨迹误差的收敛性,通过稳定性定理得到证明.2.2 机器人的神经网络控制神经网络的研究20 世纪60 年代,并在20 世纪80 年代得到了快速的发展. 近几年来,神经网络研究的目标是复杂的非线性系统的识别和控制等方面,神经网络在控制应用上具有以下特点:能够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等. 因此,神经网络对机器人控制具有很大的吸引力.在机器人的神经网络动力学控制方法中,典型的是计算力矩控制和分解运动加速度控制,前者在关节空间闭环,后者在直角坐标空间闭环. 在基于模型计算力矩控制结构中,关键是逆运动学计算,为实现实时计算和避免参数不确定性,可通过神经网络来实现输入输出的非线性关系. 对多自由度的机器人手臂,输入参数多,学习时间长,为了减少训练数据样本的个数,可将整个系统分解为多个子系统,分别对每个子系统进行学习,这样就会减少网络的训练时间,可实现实时控制.由Albus 提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法,即CM-CA 法. 该方法以数学模块为基础,采用查表方式产生一个以离散状态输入为响应的输出矢量. 在控制中,状态矢量输入来自机器人关节的位置与速度反馈,输出矢量为机器人驱动信号. 也可以利用CMCA 模拟机器人动力学方程,计算实现期望运动所需力矩作为前反馈控制力矩,采用自适应反馈控制消除输入扰动及参数变化引起的误差.经过仿真实验证明,经过 4 个控制周期后,控制过程的误差趋近于零。
F.L. Lewis 基于无源理论,提出了一类网络利用功能连接神经网络逼近机器人动力学模型,连接权在线调整方法,可保证神经网络自适应控制算法闭环稳定.2．3 机器人智能控制技术的融合(1) 模糊控制和变结构控制的融合在模糊变结构控制器(FVSC) 中,许多学者把变结构框架中的每个参数或是细节采用模糊系统来逼近或推理,仿真实验证明该方法比PID 控制或滑模控制更有效.在设计常规变结构控制律时,若函数系数取得很大,系统就会产生很多的抖振,如果用引入边界层方法消除抖振,就会产生很大的误差;若该系数取较小值,鲁棒性就会变差. 因此,金耀初等人[5]提出了通过引入模糊系统来动态预测和估计系统中不确定量的方法. 模糊系统中的输入分为两种:一种为系统的综合偏差模糊值;另一种为偏差增量模糊值. 它的输出是对上述函数中的系数进行模糊估值. 仿真结果表明抖振现象得到了抑制. 还有人在初始建模阶段采取模糊系统辨识,其后在变结构控制中对动力学模型进行自适应学习. 在这种控制方案中,模糊控制和变结构控制之间的界限很清晰,从仿真结果看,控制性能也较好.(2) 神经网络和变结构控制的融合神经网络和变结构控制的融合一般称为NNVSC. 实现融合的途径一般是利用神经网络来近似模拟非线性系统的滑动运动,采用变结构的思想对神经网络的控制律进行增强鲁棒性的设计,这样就可避开学习达到一定的精度后神经网络收敛速度变慢的不利影响. 经过仿真实验证明该方法有很好的控制效果. 但是由于变结构控制的存在,系统会出现力矩抖振.牛玉刚等人[6]将变结构控制和神经网络的非线性映射能力相结合,提出了一种基于神经网络的机械手自适应滑模控制器. 如果考虑利用滑模控制技术,需要知道系统的不确定性的上界,但在实际应用中,许多系统的不确定界却难以得到.因此利用神经网络估计系统的不确定性的未知界,克服了常规滑模控制需要已知不确定性界的限制,但是由于滑模控制的存在,就有抖振现象,为了消除抖振,可用S 型函数代替符号函数. 经过仿真实验,该控制器能够有效的补偿系统不确定性的影响,保证机器人系统对期望轨迹的快速跟踪.(3) 模糊控制和神经网络控制的融合模糊控制和神经网络控制的融合,一般称为模糊神经网络( Fuzzified neural network) 或神经网络模糊控制器(neuro-fuzzy cont roller) .模糊系统和人工神经网络相结合实现对控制对象进行自动控制,是由美国学者B·Kosko 首先提出的[7] . 模糊系统和神经网络都属于一种数值化和非数学模型函数估计器的信息处理方法,它们以一种不精确的方式处理不精确的信息. 模糊控制引入了隶属度的概念,即规则数值化,从而可直接处理结构化知识;神经网络则需要大量的训练数据,通过自学习过程,借助并行分布结构来估计输入与输出间的映射关系. 虽然模糊控制与神经网络处理模糊信息的方式不同,但仍可以将二者结合起来. 利用模糊控制的思维推理功能来补充神经网络的神经元之间连接结构的相对任意性;以神经网络强有力的学习功能来对模糊控制的各有关环节进行训练. 可利用神经网络在线学习模糊集的隶属度函数,实现其推理过程以及模糊决策等. 在整个控制过程中,两种控制动态地发生作用,相互依赖.王洪斌等人针对机器人逆运动学问题提出了基于模糊神经网络的解决方案. 该方案对二自由度刚性机器人进行仿真实验,证明了其有效性和可行性. 王耀南等人也介绍了模糊神经网络的应用. 介绍了一种模糊神经网络控制与传统的PD 控制相结合的机器人学习控制系统,该控制具有自学习、自适应、控制精度高等特点.智能融合技术还包括基于遗传算法的模糊控制方法. 遗传算法作为一种新的搜索算法,具有并行搜索,全局收敛等特性,将遗传算法应用于模糊控制中,可以解决一般模糊控制中隶属度函数及规则参数调节问题. 这方面研究典型代表人物有Karr , Homaifar , Ishibuchi等人.也有基于遗传算法的人工神经网络学习算法,以及基于粗糙集理论进行BP 网络设计的方法. 在粗糙集改进BP 网络的方法中,主要是应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点,然后用BP 算法迭代出网络的参数. 和以前实验法选择隐层数量和隐层内神经元个数的方法相比,节约了计算时间,简化了选择的方法.3 结语智能控制方法提高了机器人的速度及精度,但是智能控制方法本身也有着自身的局限性. 例如机器人模糊控制中的规则库如果很庞大,推理过程的时间就会过长;如果规则库很简单,控制的精确性又要受到限制;无论是模糊控制还是变结构控制,抖振现象都会存在,这将给控制带来严重的影响;神经网络的隐层数量和隐层内神经元数的合理确定仍是目前神经网络在控制方面所遇到的问题,另外神经网络易陷于局部极小值等问题,都是智能控制设计中要解决的问题.参考文献:[1] 王灏,毛宗源. 机器人的智能控制方法[M] . 北京:国防工业出版社,2002.[2] Pang G K H ,Ravichandran T. Knowledge2based control of a single-link flexiblerobot arm[J ] . Engng Ap-plic. Artif . Intell. . 1993 ,6 (2) :123 - 130.[3] Lin C M ,Hiyama T. Application of fuzzy logic controlto a manipulator [J] . Robot and Automation ,1991 ,7(5) :688 - 691.[4] 邓辉,孙富春,孙增圻. 机械手的模糊逆模型鲁棒控制[J]自动化学报,2001 ,27 (4):521 -530.[5] 应浩.关于模糊控制理论与应用的若干问题[J]自动化学报,2001 ,27(4):591 - 592.[17] 王耀南,孙炜. 基于模糊神经网络的机器人自学习控制[J ] . 电机与控制学报,2001 ,5 (2) :92 - 102.[18] 刘治,李春文. 基于模糊神经网络的5 连杆双足机器人混杂控制[J ] . 控制理论与应用,2002 ,19 (3) :340 - 344.[19] 张恩勤,施颂椒,高卫华,翁正新. 模糊控制系统近年来的研究与发展[J ] . 控制理论与应用,2001 ,18(1) :7 - 11.页数不够，可续页。