第3章 智能控制中的神经网络控制-控制基础
合集下载
《控制基础》课件
智能交通系统
在智能交通系统中，控制系统的稳定性对于提高道路通行效率和交通安全具有重要作用。
控制系统的性能指标
幅值裕度
相位裕度
带宽频率
剪切频率
01
02
03
04
指系统开环频率响应幅值在临界频率处的值与1之间的差值。
指系统开环频率响应相位在临界频率处的值与180度之间的差值。
指系统开环频率响应幅值下降到0.707时的频率。
指系统开环频率响应相位下降到0度时的频率。
改变系统结构
通过改变控制系统的结构，如串联、并联或反馈结构，可以改善控制系统的性能指标。
采用先进控制算法
采用先进的控制算法，如模糊控制、神经网络控制等，可以改善控制系统的性能指标。
调整控制参数
通过调整控制系统的控制参数，如PID控制器的比例、积分和微分系数，可以改善控制系统的性能指标。
通过计算系统的特征方程，判断系统是否稳定。
劳斯-赫尔维茨判据
通过分析系统的频率响应，判断系统是否稳定。
奈奎斯特判据
通过分析系统的能量特性，判断系统是否稳定。
李雅普诺夫稳定性判据
航空航天控制
在航空航天领域，控制系统的稳定性对于确保飞行器的安全和稳定运行至关重要。
工业自动化
在工业自动化领域，控制系统的稳定性对于生产过程的稳定和产品质量控制具有重要意义。
感谢观看
THANKS
传递函数的变换
为了更好地分析控制系统的性能，有时需要对传递函数进行变换，如将传递函数转换为标准形式、进行零极点分析等。
控制系统的稳定性分析
如果一个系统受到扰动后能够自我调节并回到原来的平衡状态，则称该系统是稳定的。
根据系统对扰动的响应，稳定性可以分为线性稳定性和非线性稳定性。
人工智能控制技术课件：神经网络控制
进行的，这种排列往往反映所感受的外部刺激的某些物理特征。
例如，在听觉系统中，神经细胞和纤维是按照其最敏感的频率分
布而排列的。为此，柯赫仑（Kohonen）认为，神经网络在接受外
界输入时，将会分成不同的区域，不同的区域对不同的模式具有
不同的响应特征，即不同的神经元以最佳方式响应不同性质的信
号激励，从而形成一种拓扑意义上的有序图。这种有序图也称之
,
,
⋯
,
)
若 输 入 向 量 X= ( 1
， 权 值 向 量
2
W=(1 , 2 , ⋯ , ) ，定义网络神经元期望输出 与
实际输出 的偏差E为：
E= −
PERCEPTRON学习规则
感知器采用符号函数作为转移函数，当实际输出符合期
望时，不对权值进行调整，否则按照下式对其权值进行
单神经元网络
对生物神经元的结构和功能进行抽象和
模拟，从数学角度抽象模拟得到单神经
元模型，其中 是神经元的输入信号，
表示一个神经元同时接收多个外部刺激；
是每个输入所对应的权重，它对应
于每个输入特征，表示其重要程度；
是神经元的内部状态； 是外部输入信
号； 是一个阈值（Threshold）或称为
第三代神经网络：
2006年，辛顿（Geofrey Hinton）提出了一种深层网络模型——深度
置信网络（Deep Belief Networks，DBN），令神经网络进入了深度
学习大发展的时期。深度学习是机器学习研究中的新领域，采用无
监督训练方法达到模仿人脑的机制来处理文本、图像等数据的目的。
控制方式，通过神经元及其相互连接的权值，逼近系统
例如，在听觉系统中，神经细胞和纤维是按照其最敏感的频率分
布而排列的。为此，柯赫仑（Kohonen）认为，神经网络在接受外
界输入时，将会分成不同的区域，不同的区域对不同的模式具有
不同的响应特征，即不同的神经元以最佳方式响应不同性质的信
号激励，从而形成一种拓扑意义上的有序图。这种有序图也称之
,
,
⋯
,
)
若 输 入 向 量 X= ( 1
， 权 值 向 量
2
W=(1 , 2 , ⋯ , ) ，定义网络神经元期望输出 与
实际输出 的偏差E为：
E= −
PERCEPTRON学习规则
感知器采用符号函数作为转移函数，当实际输出符合期
望时，不对权值进行调整，否则按照下式对其权值进行
单神经元网络
对生物神经元的结构和功能进行抽象和
模拟，从数学角度抽象模拟得到单神经
元模型，其中 是神经元的输入信号，
表示一个神经元同时接收多个外部刺激；
是每个输入所对应的权重，它对应
于每个输入特征，表示其重要程度；
是神经元的内部状态； 是外部输入信
号； 是一个阈值（Threshold）或称为
第三代神经网络：
2006年，辛顿（Geofrey Hinton）提出了一种深层网络模型——深度
置信网络（Deep Belief Networks，DBN），令神经网络进入了深度
学习大发展的时期。深度学习是机器学习研究中的新领域，采用无
监督训练方法达到模仿人脑的机制来处理文本、图像等数据的目的。
控制方式，通过神经元及其相互连接的权值，逼近系统
智能控制基础课程教学内容
智能控制基础课程教学内容《智能控制基础课程教学内容》智能控制基础这门课呀，听起来就特别高大上，但其实里面的教学内容那是相当丰富多彩的。
这课程一开头呢，就像给你打开一扇通往新的控制世界的门。
老师先从智能控制系统的基本概念讲起，就好比盖房子要先打地基的道理。
我记得那堂课，老师走进教室，手里拿着一个像魔方一样的小玩意儿。
老师说：“同学们，就拿这个魔方来说，咱们要是想把它的每个面都还原成一色，这其实就有点像一个简单的控制问题了。
”然后老师就开始摆弄那魔方，一边摆弄一边解释基本概念。
接着就讲到智能控制中的模糊控制了。
这模糊控制就像是和模糊不清的东西打交道。
老师举了个非常接地气的例子，就是咱们平常开车的速度控制。
他说：“你在路上开车的时候，不会精准到每一分钟速度都是一模一样的。
比如说，根据路况，你心里大概有个模糊的速度概念。
路况好的时候，速度可以快一点，路况稍微差一点，速度就慢一点。
这个就类似模糊控制，我们不需要精确的值，而是靠着经验有个模糊的范围就能进行控制。
”智能控制里还有神经网络控制这部分内容。
说起这个，老师特别有意思。
他找了我们班一个同学到黑板上画一幅画，是简单的一棵树。
然后老师就说：“咱们就把这棵树想象成神经网络，树干就像神经中枢，那些树枝啊就是各种神经分支。
每一个分支末端就像是神经末梢在接收信息。
这些树枝之间、树干和树枝之间的连接就有不同的权重，就好比你画画的时候，粗树枝和细树枝对树的整体表现的重要性不一样。
”通过这个形象的例子，我们就轻松理解了神经网络里权重这个有点难懂的概念。
再后面呢就是遗传算法这一块内容了。
老师又结合生活讲了讲，说咱们就像从很多生物的繁衍进化里找管理电脑里数据或者问题解决的办法一样。
他打比方说，假如你想找到从学校到你家最快的几种路线，就把每一条可能的路线看作是一个生物个体，那些路线中节省时间的地方就好比生物的优良基因，经过好几代这个“路线”的进化，最终留下的那几条就是又快又好的线路了。
神经网络控制
习调整网络的权值，使反馈控制输入趋近于零，
从而使神经网络控制器逐渐在控制作用中占据主
导地位，最终取消反馈控制器的作用；
✓
一旦系统出现干扰，反馈控制器重新起作用。
✓
可确保控制系统的稳定性和鲁棒性，有效提高系
统的精度和自适应能力。
神经网络
控制器
期望输出
()
−1
()
+
-
()
传统控
网络实现；可进行离线辨识，也可进行在线辨识。
+
-
逆向建模
一般而言，建立逆模型对神经网络控制意义重大。
直接逆建模简化结构图：
可用于离线辨识，也可
用于在线辨识。
对 象
+
神经网络
逆模型
缺点：不是目标导向的，系统输入也不可能预先定义。
实际常采用正-逆建模结构。
正-逆建模
神经网络
逆模型
对 象
第3章 神经网络控制
第2部分 控制基础
3.5 神经网络控制基础
3.5.1 神经网络控制的优越性
神经网络可以处理那些难以用模型或规则描述的过
程或系统。
神经网络采用并行分布式信息处理，具有很强的容
错性。
神经网络是本质非线性系统，可实现任意非线性映
射。
神经网络具有很强的信息综合能力，能同时处理大
期望输出
()
稳定的参
考模型
参考模
型输入
()
+
()
()
+
-
神经网络
控制器
()
对象
()
从而使神经网络控制器逐渐在控制作用中占据主
导地位，最终取消反馈控制器的作用；
✓
一旦系统出现干扰，反馈控制器重新起作用。
✓
可确保控制系统的稳定性和鲁棒性，有效提高系
统的精度和自适应能力。
神经网络
控制器
期望输出
()
−1
()
+
-
()
传统控
网络实现；可进行离线辨识，也可进行在线辨识。
+
-
逆向建模
一般而言，建立逆模型对神经网络控制意义重大。
直接逆建模简化结构图：
可用于离线辨识，也可
用于在线辨识。
对 象
+
神经网络
逆模型
缺点：不是目标导向的，系统输入也不可能预先定义。
实际常采用正-逆建模结构。
正-逆建模
神经网络
逆模型
对 象
第3章 神经网络控制
第2部分 控制基础
3.5 神经网络控制基础
3.5.1 神经网络控制的优越性
神经网络可以处理那些难以用模型或规则描述的过
程或系统。
神经网络采用并行分布式信息处理，具有很强的容
错性。
神经网络是本质非线性系统，可实现任意非线性映
射。
神经网络具有很强的信息综合能力，能同时处理大
期望输出
()
稳定的参
考模型
参考模
型输入
()
+
()
()
+
-
神经网络
控制器
()
对象
()
智能控制基础总结-PPT
0.09 0.6 0.4 0.84 0.49
1.0
NS
ZE
3.3231
0.7
0.3
u
0
2
4
6
u=3.32
27
人工神经网络
❖ 人工神经网络就是模拟人脑细胞的分布式工作特 点和自组织功能，且能实现并行处理、自学习和 非线性映射等能力的一种系统模型。
❖ 神经网络系统研究主要有三个方面的内容，即神 经元模型、神经网络结构和神经网络学习方法。
相等：对于所有的u∈U ，均有μA(u)＝μB(u)。记作A=B。 包含：对于所有的u∈U ，均有μA (u) ≤μB(u)。记作AB。 空集：对于所有的u∈U ，均有μA(u) ＝0 。记作：A＝ 。 全集：对于所有的u∈U ，均有μA(u) ＝1。
14
交、并、补
交集：对于所有的u∈U ，均有
μC(u)=μA∧μB=min{μA(u),μB(u)} 则称C为A与B的 交集，记为 C=A∩B 。
28
人工神经元模型
❖ 神经元模型是生物神经元的抽象和模拟。可看 作多输入/单输出的非线性器件 。
xi 输入信号，j=1,2,…,n;
wij 表示从单元uj 到单元ui 的
连接权值;
i
si 外部输入信号；
ui 神经元的内部状态；
θi 阀值；
yi 神经元的输出信号；
Neti wij x j si i , ui f(Neti ), yi g(ui ) j ❖ 通常假设yi=f(Neti)，而f为激励函数。
8
智能控制的三元结构
❖ AC：动态反馈控制。
❖ AI：一个知识处理系 统，具有记忆、学习、 信息处理、形式语言、 启发式推理等功能。
智能控制基础了解
智能控制基础了解智能控制基础了解1.介绍智能控制的概念智能控制是指利用先进的技术和算法，对系统进行实时的监测和调整，以提高系统的性能和效率。
智能控制可以应用于各种领域，如工业控制、智能家居、自动驾驶等。
2.智能控制的基本原理(1) 传感器和执行器传感器用于感知系统的状态和环境信息，执行器用于执行控制命令。
(2) 控制算法控制算法根据传感器信息进行决策，并相应的控制命令。
(3) 反馈机制反馈机制用于对系统的输出进行实时监测和反馈，以调整控制算法的参数。
(4) 优化算法优化算法用于优化控制算法的参数，以实现最优的控制效果。
3.智能控制的分类(1) 闭环控制和开环控制闭环控制通过反馈机制实时调整控制命令，以减小系统的误差，而开环控制没有反馈机制。
(2) 模糊控制模糊控制是一种基于模糊逻辑的控制方法，适用于复杂、非线性的系统。
(3) 神经网络控制神经网络控制利用神经网络模型进行系统建模和控制决策，具有自学习和适应能力。
(4) 遗传算法控制遗传算法控制通过模拟自然界的进化过程，对控制算法的参数进行优化。
4.智能控制的应用领域(1) 工业控制智能控制在工业领域广泛应用，如生产线控制、控制等，提高生产效率和质量。
(2) 智能家居智能控制在智能家居领域可以实现灯光、空调、门窗等设备的自动控制和优化管理。
(3) 自动驾驶智能控制在自动驾驶领域可以实现车辆的自主导航和行为决策，提高驾驶安全性和舒适性。
本文档涉及附件：________附件1 ●智能控制系统示意图本文所涉及的法律名词及注释：________1.智能控制：________指利用先进的技术和算法，对系统进行实时的监测和调整的过程。
2.闭环控制：________通过反馈机制实时调整控制命令，以减小系统的误差。
3.开环控制：________没有反馈机制的控制方式。
4.模糊控制：________一种基于模糊逻辑的控制方法，适用于复杂、非线性的系统。
5.神经网络控制：________利用神经网络模型进行系统建模和控制决策的控制方式。
14版《智能控制技术基础》课程教学大纲
课程代码
0401061
课程类别
学科专业课
学分
2
总学时
32
开课学期
七
修读类别
选修课
开课单位
自动化学院自动化系
适用专业
自动化
先修课程
自动控制原理、控制系统仿真、现代控制理论、专业英语
主讲教师
梁雪慧董恩增
考核方式及各环节所占比例
考试课；
期末考试占70％，平时成绩占20％，实验占10%
课程概要
智能控制技术基础是工科高等学校自动化专业本科生的一门选修课。相对于传统控制理论及方法，该门课主要介绍一些先进的、有一定数学基础的控制方法及其应用，例如：模糊控制、神经网络控制、专家系统等。
4.习题课、课外作业、答疑和质疑
（1）习题课：安排在模糊控制的理论基础、模糊控制系统等章节中。
（2）课外习题：罗兵《智能控制技术》，2011年3月第1版，第一章1、3、6，第二章3、4、5、6、7、8，第三章1、4、6，第四章1、3，第五章1、2、4。
（3）答疑和质疑
每两周在规定时间和地点至少安排一次答疑或质疑。
5.考试环节
掌握：神经网络模型分类、前向神经网络及BP算法、动态网络特点与Hopfield网络
难点：前向网络及BP算法、神经网络控制。
第四章专家控制系统（4学时）
教学目的：
理解：专家系统的概念、专家控制的知识表示与推理、直接专家控制系统、间接专家控制系统等；
掌握：专家控制系统概念、专家控制系统结构与原理、专家控制的应用领域。
教学目的及要求
拓宽专业知识面，了解先进的控制理论及其应用领域，掌握基本的智能控制系统原理及其设计方法；学会应用MATLAB模糊工具箱实现模糊控制器的设计，通过仿真试验，分析控制器的应用效果，使学生具备基本的模糊控制系统的设计与分析能力。课程采用双语授课，使学生掌握专业知识的同时，提高外文文献的阅读和理解能力，并了解国际智能控制领域的最新动态。
0401061
课程类别
学科专业课
学分
2
总学时
32
开课学期
七
修读类别
选修课
开课单位
自动化学院自动化系
适用专业
自动化
先修课程
自动控制原理、控制系统仿真、现代控制理论、专业英语
主讲教师
梁雪慧董恩增
考核方式及各环节所占比例
考试课；
期末考试占70％，平时成绩占20％，实验占10%
课程概要
智能控制技术基础是工科高等学校自动化专业本科生的一门选修课。相对于传统控制理论及方法，该门课主要介绍一些先进的、有一定数学基础的控制方法及其应用，例如：模糊控制、神经网络控制、专家系统等。
4.习题课、课外作业、答疑和质疑
（1）习题课：安排在模糊控制的理论基础、模糊控制系统等章节中。
（2）课外习题：罗兵《智能控制技术》，2011年3月第1版，第一章1、3、6，第二章3、4、5、6、7、8，第三章1、4、6，第四章1、3，第五章1、2、4。
（3）答疑和质疑
每两周在规定时间和地点至少安排一次答疑或质疑。
5.考试环节
掌握：神经网络模型分类、前向神经网络及BP算法、动态网络特点与Hopfield网络
难点：前向网络及BP算法、神经网络控制。
第四章专家控制系统（4学时）
教学目的：
理解：专家系统的概念、专家控制的知识表示与推理、直接专家控制系统、间接专家控制系统等；
掌握：专家控制系统概念、专家控制系统结构与原理、专家控制的应用领域。
教学目的及要求
拓宽专业知识面，了解先进的控制理论及其应用领域，掌握基本的智能控制系统原理及其设计方法；学会应用MATLAB模糊工具箱实现模糊控制器的设计，通过仿真试验，分析控制器的应用效果，使学生具备基本的模糊控制系统的设计与分析能力。课程采用双语授课，使学生掌握专业知识的同时，提高外文文献的阅读和理解能力，并了解国际智能控制领域的最新动态。
2019年西南石油大学电气信息学院硕士研究生考试大纲-智能控制及应用
掌握将实际问题转化为产生式的方法；理解人机界面在专家系统中的功能和作用。
6.1 专家系统基本思想 6.2 专家系统的应用 重点：专家领域知识的构成及表示方法；推理机的工作原理
难点：专家系统知识获取、扩充、修改方法
第七章 应用举例
（4 学时）
目的要求：根据工程实例比较多种智能算法的优劣，通过讨论及实验数据说明智能算法与普
5.1 遗传算法的基本操作
5.2 遗传算法实现与改进 5.3 遗传算法在智能控制中应用 重点：遗传算法原理、在智能控制中的应用
难点：遗传算法实现方法与控制系统设计
第六章 专家系统
（4 学时）
目的要求：理解专家系统的构成；了解目前常用的知识表示方式有产生式规则、语义网络、
框架、状态空间、逻辑模式、脚本、过程、面向对象等知识表示方法；理解推理机的构成，
《智能控制及应用》课程教学大纲
一、课程基本信息
中文名称：智能控制及应用
英文名称：Intelligence Control and its Application
开课学院：电气信息学院
课程编码：Z5210301
学分：2.5
总学时：40
适用专业：控制工程、控制理论与控制工程
修读基础: 《高等数学》、《自动控制原理》、《现代控制理论》 主讲教师：
必修实验项目 项目编
序号 码
项目名称
1
基于 BP 神经网络的自整定 PID 控制仿真
2
直线倒立摆模糊控制设计
选修实验项目 项目编
序号 码
项目名称
1
用遗传算法求解函数最优化问题
2
双容水箱模糊控制设计
3
基于 SIMULINK 的控制系统的双模糊控制
- 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)。
第3章 神经网络控制
第2部分 控制基础
221
3.5 神经网络控制基础
3.5.1 神经网络控制简介
① ② ③ ④ ⑤
人工神经网络(ANN)用于控制系统的优越性 并行分布处理。 非线性映射。 通过训练学习。 适应与集成。 硬件实现。
222
历史发展 1960年，B. Widrow和M. E. Hoff首先把ANN 用于控制系统；B. Kilmer和W. S. McCulloch 等人提出了 KMB 神经网络模型，并在阿波罗登 月计划中应用，取得良好的效果。 1964年，Widrow和Smith等人利用ANN对小车 倒立摆系统控制取得了成功。 20世纪 60年代末期至 80 年代中期，神经网络控 制与整个神经网络研究一样，处于低潮，研究成 果很少，甚至被许多人所遗忘。 80年代后期以来，随着人工神经网络研究的复苏
工程实践中，被控对象的动态特性未知或仅部分已 知，借助标准的控制技术设计出合适的控制器极其 困难，但人们可根据对象的输出状态和经验知识提 供恰当的控制信号，实现良好控制。 基于规则的专家控制和模糊控制可用以解决此类问 题，神经网络控制则基于学习的原理也可有效解决 此类问题。
通过对人工或传统控制器进行学习，然后用神经网络 控制器取代或逐渐取代原控制器的方法，称为直接学 习神经网络控制，也称为神经网络学习控制，或监督 式神经控制，或神经网络监督控制，或COPY控制。
232
基于传统控制器的改进型神经网络监督控制系统 神经网络控制器是前馈控制器，建立被控对象的 逆模型。
神经网络控制器基于传统控制器的输出，在线学 习调整网络的权值，使反馈误差������ 或 ������������ 趋近于零， 从而使神经网络控制器逐渐在控制作用中占据主 导地位，最终取消反馈控制器的作用；一旦系统 出现干扰，反馈控制器重新起作用。
-
图中，深蓝色虚线对 应人工控制器；红色 实线对应传统控制器
人工/传统 控制器
������������
+
对象
������
人工反馈 自动反馈
231
期望输出
神经网络 控制器
������������
-
深蓝色虚线对应人工 控制器；红色实线对 应传统控制器
���
人工/传统 控制器
两个阶段可以独立完成，也可以交替进行。
227
几种较具代表性的神经网络控制系统
直接学习神经网络控制；
神经网络直接逆控制；
神经网络自适应控制；
神经网络内模控制； 神经网络预测控制； 神经网络自适应评判控制； 神经网络混合控制。
228
3.5.2.1 直接学习神经网络控制
动机
237
改进结构方案之二
������������ (������) ������ −1
神经网络 控制器
������(������)
������
对象
������(������)
������(������)
评价函数
用评价函数������(������)作为性能指标，调整神经网络控
制器的权值，可选为������ ������ =
������
-
常规控制 器
������
对象
������
假定被控对象为仿射非线性系统：������ = ������ + ������������ 若利用神经网络对非线性函数������和������进行离线辨识， 得到具有足够逼近精度的估计值������ 和������，则常规控 制器可直接给出为： ������������ − ������ ������ = ������
������ −1
������
缺点：无反馈，用作控制器的神经网络逆模型不 准确时，抗干扰能力差，缺乏鲁棒性。 改进考虑：使网络具有在线学习能力，即作为逆 模型的 ANN 的参数能在线调整，从而使 ANN 对逆 模型的模拟真实度提高。
235
改进结构方案之一
������ −1
神经网络 控制器1
������������ (������)
该方案由于利用了反馈控制的思想，又可在线学 习新的系统信息，可确保控制系统的稳定性和鲁 棒性，有效提高系统的精度和自适应能力。
233
期望输出
神经网络 控制器
������������
������ −1
������������
+ -
������
传统控 制器
+
+
������
������������
对象
这种方案中，ANN一般采用离线训练。训练所需样本 数据采用人们执行人工控制或传统控制器时的输入-输 出数据。输入数据一般是传感器检测出的、被控对象 的实际输出数据（或与期望输出的偏差值），输出数 据则是人们根据经验或直接检测传统控制器的输出确 定出来的、施加在被控对象上的控制量。
神经网络 控制器
������������
������(������) ������(������)
+ -
������
对象
������(������)
������(������)
������ −1
辨识器2
������������ (������) 神经网络
在开环结构的基础上增加了神经网络 2 ，用于辨 识被控对象的动态逆模型，其学习训练可采用离 线方式或在线方式；但显然要求网络具有较好的 初始权值，否则起初的权值不当可能导致控制系 统的不稳定。
������������ 息 ) 才能通过误差反向传播算法修正网络权值， ������������
229
基本原理图
������ 人工控制或 传统控制 ������ ������
被控对象
利用人工控制经验或 传统的简单控制规律
������
神经网络
������
被控对象
������
两种控制结构
基于人工/传统控制器的简单神经网络监督控制系统
基于传统控制器的改进型神经网络监督控制系统
230
基于人工/传统控制器的简单神经网络监督控制系统
������������
+
对象
������
人工反馈 自动反馈
该方案中，神经网络学习的是人工控制作用 / 传统控制器 的正向模型，并输出与人工/传统控制器相似的控制作用。 ANN 的学习实现的是传感输出 ( ������ 或 ������ ) 到人工控制作用 / 传 统控制器输出的映射。 缺点是，学成后的神经网络控制器独立作用于对象上，构 成开环控制方式或简单的闭环控制，前者使得系统的稳定 性和鲁棒性得不到保证，后者使得神经网络的优越性丧失。
对象
控制目的：使实际输出������跟踪期望输出������������ 。神经网 络控制器的作用是使被控对象和参考模型输出之差 的二次型为最小来调整网络的权值，从而使被控对 象的输出跟踪参考模型的输出。当对于任意的系统
242
输入(设定值)，二者的输出之差趋于零时就实现了 完全的模型匹配，也即：被控对象与控制器组成的 闭环系统的动力学特性与给定的参考 (期望)模型完 全一致。
对模型参考自适应控制，一般应设计参考模型为渐 近稳定的系统，这样通过学习与参考模型的动力学 特性趋于一致的闭环被控系统也是渐近稳定的。 图中，若 ������������ = 0 ，则 ������ = ������������ ，进而有 ������ = ������ − ������������ ， 该量作为神经网络控制器的输入、产生控制作用。 该控制方案要求知道对象的数学模型(Jacobian信
223
和发展，对神经网络控制的研究也十分活跃。主 要集中在神经网络自适应控制方法、模糊神经网 络控制及其在机器人控制中的应用上。
① ②
研究进展 基于神经网络的系统辨识。 神经网络控制器。可对不确定或未知系统进行有 效的控制。 优化计算。 控制系统的故障诊断。 神经网络与其他算法相结合。
③ ④ ⑤
1 2
������������ ������ − ������ ������
2
。
当性能指标为 0 时，神经网络控制器即为对象的 逆模型。（该方案同样要求网络具有较好的初始权值）
238
3.5.2.3 神经网络自适应控制
分类
自适应控制的对象常含未知因素。
直接自校正控制 自校正控制 间接自校正控制 直接模型参考自适应控制 模型参考自适应控制 间接模型参考自适应控制
或故障诊断而构成的控制。
注： 神经网络应用于控制系统设计主要是针对系统的非线性、不确定 性和复杂性进行的。
226
3.5.2 神经网络控制系统的结构类型
在神经网络控制系统中，网络的运行通常分为学
习期和控制期两个阶段。
在控制期，网络结构和权值已知且不变，各神
经元根据输入信息和状态信息产生输出； 在学习期，网络按一定的学习规则调整其内部 连接权重，使给定的性能指标达到最小或其它 最优。
234
此时再从反馈回路看，有：������ = ������������ − ������ = 0。
3.5.2.2 神经网络直接逆控制
将对象的神经网络逆模型直接与被控对象串联起 来，使期望输出与对象实际输出之间的传递函数 为1。
������������
神经网络 控制器
������
对象
������
������
������
第2部分 控制基础
221
3.5 神经网络控制基础
3.5.1 神经网络控制简介
① ② ③ ④ ⑤
人工神经网络(ANN)用于控制系统的优越性 并行分布处理。 非线性映射。 通过训练学习。 适应与集成。 硬件实现。
222
历史发展 1960年，B. Widrow和M. E. Hoff首先把ANN 用于控制系统；B. Kilmer和W. S. McCulloch 等人提出了 KMB 神经网络模型，并在阿波罗登 月计划中应用，取得良好的效果。 1964年，Widrow和Smith等人利用ANN对小车 倒立摆系统控制取得了成功。 20世纪 60年代末期至 80 年代中期，神经网络控 制与整个神经网络研究一样，处于低潮，研究成 果很少，甚至被许多人所遗忘。 80年代后期以来，随着人工神经网络研究的复苏
工程实践中，被控对象的动态特性未知或仅部分已 知，借助标准的控制技术设计出合适的控制器极其 困难，但人们可根据对象的输出状态和经验知识提 供恰当的控制信号，实现良好控制。 基于规则的专家控制和模糊控制可用以解决此类问 题，神经网络控制则基于学习的原理也可有效解决 此类问题。
通过对人工或传统控制器进行学习，然后用神经网络 控制器取代或逐渐取代原控制器的方法，称为直接学 习神经网络控制，也称为神经网络学习控制，或监督 式神经控制，或神经网络监督控制，或COPY控制。
232
基于传统控制器的改进型神经网络监督控制系统 神经网络控制器是前馈控制器，建立被控对象的 逆模型。
神经网络控制器基于传统控制器的输出，在线学 习调整网络的权值，使反馈误差������ 或 ������������ 趋近于零， 从而使神经网络控制器逐渐在控制作用中占据主 导地位，最终取消反馈控制器的作用；一旦系统 出现干扰，反馈控制器重新起作用。
-
图中，深蓝色虚线对 应人工控制器；红色 实线对应传统控制器
人工/传统 控制器
������������
+
对象
������
人工反馈 自动反馈
231
期望输出
神经网络 控制器
������������
-
深蓝色虚线对应人工 控制器；红色实线对 应传统控制器
���
人工/传统 控制器
两个阶段可以独立完成，也可以交替进行。
227
几种较具代表性的神经网络控制系统
直接学习神经网络控制；
神经网络直接逆控制；
神经网络自适应控制；
神经网络内模控制； 神经网络预测控制； 神经网络自适应评判控制； 神经网络混合控制。
228
3.5.2.1 直接学习神经网络控制
动机
237
改进结构方案之二
������������ (������) ������ −1
神经网络 控制器
������(������)
������
对象
������(������)
������(������)
评价函数
用评价函数������(������)作为性能指标，调整神经网络控
制器的权值，可选为������ ������ =
������
-
常规控制 器
������
对象
������
假定被控对象为仿射非线性系统：������ = ������ + ������������ 若利用神经网络对非线性函数������和������进行离线辨识， 得到具有足够逼近精度的估计值������ 和������，则常规控 制器可直接给出为： ������������ − ������ ������ = ������
������ −1
������
缺点：无反馈，用作控制器的神经网络逆模型不 准确时，抗干扰能力差，缺乏鲁棒性。 改进考虑：使网络具有在线学习能力，即作为逆 模型的 ANN 的参数能在线调整，从而使 ANN 对逆 模型的模拟真实度提高。
235
改进结构方案之一
������ −1
神经网络 控制器1
������������ (������)
该方案由于利用了反馈控制的思想，又可在线学 习新的系统信息，可确保控制系统的稳定性和鲁 棒性，有效提高系统的精度和自适应能力。
233
期望输出
神经网络 控制器
������������
������ −1
������������
+ -
������
传统控 制器
+
+
������
������������
对象
这种方案中，ANN一般采用离线训练。训练所需样本 数据采用人们执行人工控制或传统控制器时的输入-输 出数据。输入数据一般是传感器检测出的、被控对象 的实际输出数据（或与期望输出的偏差值），输出数 据则是人们根据经验或直接检测传统控制器的输出确 定出来的、施加在被控对象上的控制量。
神经网络 控制器
������������
������(������) ������(������)
+ -
������
对象
������(������)
������(������)
������ −1
辨识器2
������������ (������) 神经网络
在开环结构的基础上增加了神经网络 2 ，用于辨 识被控对象的动态逆模型，其学习训练可采用离 线方式或在线方式；但显然要求网络具有较好的 初始权值，否则起初的权值不当可能导致控制系 统的不稳定。
������������ 息 ) 才能通过误差反向传播算法修正网络权值， ������������
229
基本原理图
������ 人工控制或 传统控制 ������ ������
被控对象
利用人工控制经验或 传统的简单控制规律
������
神经网络
������
被控对象
������
两种控制结构
基于人工/传统控制器的简单神经网络监督控制系统
基于传统控制器的改进型神经网络监督控制系统
230
基于人工/传统控制器的简单神经网络监督控制系统
������������
+
对象
������
人工反馈 自动反馈
该方案中，神经网络学习的是人工控制作用 / 传统控制器 的正向模型，并输出与人工/传统控制器相似的控制作用。 ANN 的学习实现的是传感输出 ( ������ 或 ������ ) 到人工控制作用 / 传 统控制器输出的映射。 缺点是，学成后的神经网络控制器独立作用于对象上，构 成开环控制方式或简单的闭环控制，前者使得系统的稳定 性和鲁棒性得不到保证，后者使得神经网络的优越性丧失。
对象
控制目的：使实际输出������跟踪期望输出������������ 。神经网 络控制器的作用是使被控对象和参考模型输出之差 的二次型为最小来调整网络的权值，从而使被控对 象的输出跟踪参考模型的输出。当对于任意的系统
242
输入(设定值)，二者的输出之差趋于零时就实现了 完全的模型匹配，也即：被控对象与控制器组成的 闭环系统的动力学特性与给定的参考 (期望)模型完 全一致。
对模型参考自适应控制，一般应设计参考模型为渐 近稳定的系统，这样通过学习与参考模型的动力学 特性趋于一致的闭环被控系统也是渐近稳定的。 图中，若 ������������ = 0 ，则 ������ = ������������ ，进而有 ������ = ������ − ������������ ， 该量作为神经网络控制器的输入、产生控制作用。 该控制方案要求知道对象的数学模型(Jacobian信
223
和发展，对神经网络控制的研究也十分活跃。主 要集中在神经网络自适应控制方法、模糊神经网 络控制及其在机器人控制中的应用上。
① ②
研究进展 基于神经网络的系统辨识。 神经网络控制器。可对不确定或未知系统进行有 效的控制。 优化计算。 控制系统的故障诊断。 神经网络与其他算法相结合。
③ ④ ⑤
1 2
������������ ������ − ������ ������
2
。
当性能指标为 0 时，神经网络控制器即为对象的 逆模型。（该方案同样要求网络具有较好的初始权值）
238
3.5.2.3 神经网络自适应控制
分类
自适应控制的对象常含未知因素。
直接自校正控制 自校正控制 间接自校正控制 直接模型参考自适应控制 模型参考自适应控制 间接模型参考自适应控制
或故障诊断而构成的控制。
注： 神经网络应用于控制系统设计主要是针对系统的非线性、不确定 性和复杂性进行的。
226
3.5.2 神经网络控制系统的结构类型
在神经网络控制系统中，网络的运行通常分为学
习期和控制期两个阶段。
在控制期，网络结构和权值已知且不变，各神
经元根据输入信息和状态信息产生输出； 在学习期，网络按一定的学习规则调整其内部 连接权重，使给定的性能指标达到最小或其它 最优。
234
此时再从反馈回路看，有：������ = ������������ − ������ = 0。
3.5.2.2 神经网络直接逆控制
将对象的神经网络逆模型直接与被控对象串联起 来，使期望输出与对象实际输出之间的传递函数 为1。
������������
神经网络 控制器
������
对象
������
������
������