智能控制(第三版)chap9-刘金琨
合集下载
15.3 粒子群优化算法-智能控制——理论基础、算法设计与应用-刘金琨-清华大学出版社
（2）个体评价(适应度评价)：将各个粒子初始位置作为个体极值，
计算群体中各个粒子的初始适应值 f(Xi) ，并求出种群最优位置。 （3）更新粒子的速度和位置，产生新种群，并对粒子的速度和位
置进行越界检查，为避免算法陷入局部最优解，加入一个局部自适
应变异算子进行调整。
V kg1 i
w
t
Vi kg c1r1
PSO算法首先初始化为一群随机粒子(随机解)，然后 通过迭代找到最优解。在每一次迭代中，粒子通过跟踪 两个"极值"来更新自己的位置。第一个极值是粒子本身 所找到的最优解，这个解叫做个体极值。另一个极值是 整个种群目前找到的最优解，这个极值称为全局极值。 另外也可以不用整个种群而只是用其中一部分作为粒子 的邻居，那么在所有邻居中的极值就是全局极值。
应用PSO算法解决优化问题的过程中有两个重要的步骤: 问题解的编 码和适应度函数。 (1)编码：PSO的一个优势就是采用实数编码，例如对于问题
f x x12 x22 x32 求最大值, 粒子可以直接编码为(x1,x2,x3)，而适应度
函数就是f(x)。 (2)PSO中需要调节的参数如下：
a) 粒子数：一般取20-40，对于比较难的问题, 粒子数可以取到100 或 200；
还可使用时变权重。如果在迭代过程中采用线性递减惯性权值，则粒 子群算法在开始时具有良好的全局搜索性能，能够迅速定位到接近全局最 优点的区域，而在后期具有良好的局部搜索性能，能够精确的得到全局最 优解。经验表明，惯性权重采用从0.90线性递减到0.10的策略，会获得比 较好的算法性能；
e)中止条件：最大循环数或最小误差要求。
15.3.2 算法流程
（1）初始化：设定参数运动范围，设定学习因子c1, c2 ，最大进化 代数G ，kg表示当前的进化代数。在一个 D 维参数的搜索解空间 中，粒子组成的种群规模大小为Size，每个粒子代表解空间的一个 候选解，其中第 i (1≤i ≤ Size)个粒子在整个解空间的位置表示为Xi ， 速度表示为Vi 。第i个粒子从初始到当前迭代次数搜索产生的最优 解为个体极值Pi ，整个种群目前的最优解为BestS。随机产生Size 个粒子，随机产生初始种群的位置矩阵和速度矩阵。
大学课件-智能控制基础(完整)
Curiosity 蛟龙号
智能控制：是应用人工智能的理论 与技术和运筹学的优化方法，并将 其同控制理论方法与技术相结合， 在未知环境下，仿效人的智能，实 现对系统的控制。
Artificial Intelligence
Operation Research
IC=AI∩AC∩OR 一个知识处理系统，具有记忆、 一种定量优化方法，如线性规划、
1.2.3 智能控制系统的特征模型
➢ 特征模型：是对系统动态特性的 一种定性与定量相结合的描述。是 针对问题求解和控制指标的不同要 求，对系统动态信息空间的一种划 分。
智能控制系统的特征模型
fi
{e e 0
e e
e
1 e
2}
上述特征表明，系统正处于受扰动的作用， 以较大的速度偏离目标值的状态。其中参 数为阈值。
组织级
➢ 执行级进行高精度控制 精
智
度 协调级
能
执行级
专家控制系统
➢分为专家控制器和专家控制系统； ➢应用于故障诊断、过程控制等； ➢工程控制论与专家系统的结合。
模糊控制系统
➢ 实现基于自然语言描述规则的控制；
➢ 可替代、改进非线性控制器；
➢ 由知识库、模糊化、模糊推理和反模
糊化组成。
知识库
输入
形成期
发展期
1991-至今
• 萌芽期（1970以前）
• 控制系统具有初步的智能和一定的适应性， 比如模型参考自适应控制。
• 1965年普渡大学的傅京孙（Fu, K. S.）教 授把人工智能引入到控制技术中，提出将 人工智能的启发式推理规则用于学习控制 系统的思想和方法。
• 1966年Mendel将人工智能用于飞船控制 系统的设计并首先提出“人工智能控制” 的概念。
智能控制-刘金琨编著PPT..
智能控制是自动控制发展的最新阶段， 主要用于解决传统控制难以解决的复杂系 统的控制问题。控制科学的发展过程如图 所示。
智能控制 自学习控制
自适应控制 鲁棒控制
随机控制 最优控制 确定性反馈控制
开环控制
控制科学的发展过程
从二十世纪 60 年代起，由于空
间技术、计算机技术及人工智能
技术的发展，控制界学者在研究
（2）人—机结合作为控制器的控制系统： 机器完成需要连续进行的并需快速计算的 常规控制任务，人则完成任务分配、决策、 监控等任务；
（3）无人参与的自主控制系统：为多层的 智能控制系统，需要完成问题求解和规划、 环境建模、传感器信息分析和低层的反馈 控制任务。如自主机器人。
1985年8月，IEEE在美国纽约召开了第
士电机致力于模糊逻辑元件的开发与研究， 制技术，1989年将模糊控制消费品推向高
潮，使日本成为模糊控制技术的主导国家。
模糊控制的发展可分为三个阶段：
（1）1965年-1974年为模糊控制发展的第一阶段， 即模糊数学发展和形成阶段；
（2）1974年-1979年为模糊控制发展的第二阶段， 产生了简单的模糊控制器；
（1）在机器人控制中的应用 智能机器人是目前机器人研究中的热门课 题。J.S.Albus于1975年提出小脑模型小脑模 型 关 节 控 制 器 （ Cerebellar Model Arculation Controller ，简称 CMAC ），它 是仿照小脑如何控制肢体运动的原理而建立 的神经网络模型，采用CMAC，可实现机器 人的关节控制，这是神经网络在机器人控制 的一个典型应用。
E.H.Mamdan于 20 世纪 80 年代初
首次将模糊控制应用于一台实际机
智能控制 自学习控制
自适应控制 鲁棒控制
随机控制 最优控制 确定性反馈控制
开环控制
控制科学的发展过程
从二十世纪 60 年代起，由于空
间技术、计算机技术及人工智能
技术的发展，控制界学者在研究
（2）人—机结合作为控制器的控制系统： 机器完成需要连续进行的并需快速计算的 常规控制任务，人则完成任务分配、决策、 监控等任务；
（3）无人参与的自主控制系统：为多层的 智能控制系统，需要完成问题求解和规划、 环境建模、传感器信息分析和低层的反馈 控制任务。如自主机器人。
1985年8月，IEEE在美国纽约召开了第
士电机致力于模糊逻辑元件的开发与研究， 制技术，1989年将模糊控制消费品推向高
潮，使日本成为模糊控制技术的主导国家。
模糊控制的发展可分为三个阶段：
（1）1965年-1974年为模糊控制发展的第一阶段， 即模糊数学发展和形成阶段；
（2）1974年-1979年为模糊控制发展的第二阶段， 产生了简单的模糊控制器；
（1）在机器人控制中的应用 智能机器人是目前机器人研究中的热门课 题。J.S.Albus于1975年提出小脑模型小脑模 型 关 节 控 制 器 （ Cerebellar Model Arculation Controller ，简称 CMAC ），它 是仿照小脑如何控制肢体运动的原理而建立 的神经网络模型，采用CMAC，可实现机器 人的关节控制，这是神经网络在机器人控制 的一个典型应用。
E.H.Mamdan于 20 世纪 80 年代初
首次将模糊控制应用于一台实际机
智能控制(第三版)chap7-刘金琨
x 'j f (x j ) 1 1 e
x j
则
x 'j x j
x 'j (1 x 'j )
（1）前向传播：计算网络的输出。 隐层神经元的输入为所有输入的加权之和：
xj
w x
i
ij i
隐层神经元的输出采用S函数激发：
x 'j f (x j ) 1 1 e
x j
7.2.6 BP网络模式识别
由于神经网络具有自学习、自组织和并行处理 等特征，并具有很强的容错能力和联想能力，因此，
•
神经网络具有模式识别的能力。
•
在神经网络模式识别中，根据标准的输入输
出模式对，采用神经网络学习算法，以标准的模 式作为学习样本进行训练，通过学习调整神经网 络的连接权值。当训练满足要求后，得到的神经 网络权值构成了模式识别的知识库，利用神经网
含一个隐含层的BP网络结构如图7-5所示，
j k 图中 i 为输入层神经元，为隐层神经元，为
输出层神经元。
图7-5
BP神经网络结构
7.2.3 BP网络的逼近
BP网络逼近的结构如图 7-6 所示，图中 k 为网络
的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网 络逼近器， y(k) 为被控对象实际输出， yn(k) 为 BP 的输出。将系统输出 y(k) 及输入 u(k) 的值作为逼近 器 BP 的输入，将系统输出与网络输出的误差作为
yn E ' w j 0 e(k ) e(k ) x j w j 0 w j 0
k+1时刻网络的权值为：
wj 0 (k1) wj 0 (k) wj 2
隐层及输入层连接权值学习算法为：
x j
则
x 'j x j
x 'j (1 x 'j )
（1）前向传播：计算网络的输出。 隐层神经元的输入为所有输入的加权之和：
xj
w x
i
ij i
隐层神经元的输出采用S函数激发：
x 'j f (x j ) 1 1 e
x j
7.2.6 BP网络模式识别
由于神经网络具有自学习、自组织和并行处理 等特征，并具有很强的容错能力和联想能力，因此，
•
神经网络具有模式识别的能力。
•
在神经网络模式识别中，根据标准的输入输
出模式对，采用神经网络学习算法，以标准的模 式作为学习样本进行训练，通过学习调整神经网 络的连接权值。当训练满足要求后，得到的神经 网络权值构成了模式识别的知识库，利用神经网
含一个隐含层的BP网络结构如图7-5所示，
j k 图中 i 为输入层神经元，为隐层神经元，为
输出层神经元。
图7-5
BP神经网络结构
7.2.3 BP网络的逼近
BP网络逼近的结构如图 7-6 所示，图中 k 为网络
的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网 络逼近器， y(k) 为被控对象实际输出， yn(k) 为 BP 的输出。将系统输出 y(k) 及输入 u(k) 的值作为逼近 器 BP 的输入，将系统输出与网络输出的误差作为
yn E ' w j 0 e(k ) e(k ) x j w j 0 w j 0
k+1时刻网络的权值为：
wj 0 (k1) wj 0 (k) wj 2
隐层及输入层连接权值学习算法为：
4 自适应模糊控制-智能控制——理论基础、算法设计与应用-刘金琨-清华大学出版社
R x y B x i1i2 u
：如果
为 且 1
Ai1 1
2
为 Ai2 2
，则
为 i1i2
其中，i1 1, 2, , N1, i2 1, 2, , N2
将模糊集Bi1i2 的中心（用y i1i2 表示）选择为
y g e , e i1i2
i1
i2
1
2
（4.1）
步骤3：采用乘机推理机，单值模糊器和中心平
自适应模糊控制是指具有自适应学习算法的模糊逻辑系 统，其学习算法是依靠数据信息来调整模糊逻辑系统的参数。 一个自适应模糊控制器可以用一个单一的自适应模糊系统构 成，也可以用若干个自适应模糊系统构成。与传统的自适应 控制相比，自适应模糊控制的优越性在于它可以利用操作人 员提供的语言性模糊信息，而传统的自适应控制则不能。这 一点对具有高度不确定因素的系统尤其重要。
采用乘机推理机单值模糊器和中心平均解模糊器根据条规则来构造模糊系统42412模糊系统的逼近精度万能逼近定理表明模糊系统是除多项函数逼近器神经网络之外的一个新的万能逼近器
第4章 自适应模糊控制
模糊控制的突出优点是能够比较容易地将 人的控制经验溶入到控制器中，但若缺乏这样 的控制经验，很难设计出高水平的模糊控制器。 而且，由于模糊控制器采用了IF-THRN控制规 则，不便于控制参数的学习和调整，使得构造 具有自适应的模糊控制器较困难。
取控制律为
u
1 g(x)
f
x
y (n) m
ΚTe
(4.9)
将(4.9)代入(4.7),得到闭环控制系统的方程：
e(n) k e(n1) k e 0
1
n
(4.10)
由 的选取，可得 t 时 e(t) 0 ，即系统的输
智能控制-刘金琨编著PPT第6章
术实现；
（5）能进行学习，以适应环境的变化。
6.6 神经网络控制的研究领域
1 基于神经网络的系统辨识 ① 将神经网络作为被辨识系统的模型，可在已知
常规模型结构的情况下，估计模型的参数。
② 利用神经网络的线性、非线性特性，可建立线
性、非线性系统的静态、动态、逆动态及预测
模型，实现非线性系统的建模和辨识。
人恼的生理学和心理学着手，通过人工
模拟人脑的工作机理来实现机器的部分
智能行为。
人工神经网络（简称神经网络， Neural Network ）是模拟人脑思维方 式的数学模型。 神经网络是在现代生物学研究人脑组 织成果的基础上提出的，用来模拟人类大 脑神经网络的结构和行为。神经网络反映 了人脑功能的基本特征，如并行信息处理 、学习、联想、模式分类、记忆等。
1982 年 ， 物 理 学 家 Hoppield 提 出 了 Hoppield 神经网络模型，该模型通过引入 能量函数，实现了问题优化求解， 1984 年 他用此模型成功地解决了旅行商路径优化 问题(TSP)。 在1986年，在Rumelhart和McCelland等出 版《Parallel Distributed Processing》一书 ，提出了一种著名的多层神经网络模型， 即BP网络。该网络是迄今为止应用最普遍 的神经网络。
6.4.2 Delta（δ ）学习规则
假设误差准则函数为：
1 E 2
p 1
P
(d p y p ) 2
E
p 1
P
p
其中， d p 代表期望的输出（教师信号）；y p 为 网络的实际输出， y p f (W Xp ) ；W 为网络所有权 值组成的向量：
W w0, w1, , wn T
[智能控制[刘金琨 (10)[98页]
遗传算法可应用于目标函数无法求导数或导数不 存在的函数的优化问题，以及组合优化问题等。
（4）遗传算法使用概率搜索技术。遗传算法的选择、 交叉、变异等运算都是以一种概率的方式来进行的， 因而遗传算法的搜索过程具有很好的灵活性。随着进 化过程的进行，遗传算法新的群体会更多地产生出许 多新的优良的个体。
（2）交叉（Crossover Operator）
复制操作能从旧种群中选择出优秀者，但不能创造 新的染色体。而交叉模拟了生物进化过程中的繁殖现 象，通过两个染色体的交换组合，来产生新的优良品 种。
交叉的过程为：在匹配池中任选两个染色体，随机 选择一点或多点交换点位置；交换双亲染色体交换点 右边的部分，即可得到两个新的染色体数字串。
遗传算法从由很多个体组成的一个初始群体开始最 优解的搜索过程，而不是从一个单一的个体开始搜索， 这是遗传算法所特有的一种隐含并行性，因此遗传算 法的搜索效率较高。
（3）遗传算法直接以目标函数作为搜索信息。传统的 优化算法不仅需要利用目标函数值，而且需要目标函 数的导数值等辅助信息才能确定搜索方向。而遗传算 法仅使用由目标函数值变换来的适应度函数值，就可 以确定进一步的搜索方向和搜索范围，无需目标函数 的导数值等其他一些辅助信息。
10.1 遗传算法的基本原理
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
10.2 遗传算法的特点
（1）遗传算法是对参数的编码进行操作，而非对参数 本身，这就是使得我们在优化计算过程中可以借鉴生 物学中染色体和基因等概念，模仿自然界中生物的遗 传和进化等机理；
《智能控制》_刘金琨_第4章
控制量u为调节阀门开度的变化。 控制量u为调节阀门开度的变化。将其分为 五级：负大（NB） 负小（NS） 五级：负大（NB），负小（NS），零（O） 正小（ PS ） 正大（ PB ） 并根据u ， 正小 （ PS） ， 正大 （ PB） 。 并根据 u 的变 化范围分为九个等级：-4，-3，-2，-1，0，+1 化范围分为九个等级： 得到控制量模糊划分表4 ，+2，+3，+4。得到控制量模糊划分表4-2。
其中规则内Байду номын сангаас模糊集运算取交集， 其中规则内的模糊集运算取交集 ， 规则间的 模糊集运算取并集。 模糊集运算取并集。
第4章 模糊控制
4.1 模糊控制的基本原理
4.1.1、 4.1.1、模糊控制原理 模糊控制是以模糊集理论、 模糊控制是以模糊集理论、模糊语言变量和 模糊逻辑推理为基础的一种智能控制方法， 模糊逻辑推理为基础的一种智能控制方法，它 是从行为上模仿人的模糊推理和决策过程的一 种智能控制方法。 种智能控制方法。该方法首先将操作人员或专 家经验编成模糊规则， 家经验编成模糊规则，然后将来自传感器的实 时信号模糊化， 时信号模糊化，将模糊化后的信号作为模糊规 则的输入，完成模糊推理， 则的输入，完成模糊推理，将推理后得到的输 出量加到执行器上。 出量加到执行器上。
×
• 3 ． 推 理 与 解 模 糊 接 口 （ Inference and Defuzzyinterface） ） • 推理是模糊控制器中，根据输入模糊量， 推理是模糊控制器中，根据输入模糊量，由模糊 控制规则完成模糊推理来求解模糊关系方程， 控制规则完成模糊推理来求解模糊关系方程，并获 得模糊控制量的功能部分。在模糊控制中， 得模糊控制量的功能部分。在模糊控制中，考虑到 推理时间，通常采用运算较简单的推理方法。 推理时间，通常采用运算较简单的推理方法。最基 本的有Zadeh近似推理 ， 它包含有正向推理和逆向 近似推理， 本的有 近似推理 推理两类。正向推理常被用于模糊控制中， 推理两类。正向推理常被用于模糊控制中，而逆向 推理一般用于知识工程学领域的专家系统中。 推理一般用于知识工程学领域的专家系统中。
刘金琨滑模变结构控制源代码 -回复
1. 简介刘金琨滑模变结构控制（Liu-Jin-Kun sliding mode variable structure control）是一种控制理论和技术，由刘金琨教授在滑模控制（sliding mode control）基础上提出并发展而来。
滑模控制是一种通过引入滑模面来实现系统响应的一种控制策略，而刘金琨滑模变结构控制在滑模控制的基础上引入了变结构控制的思想，使得系统具有更强的鲁棒性和性能。
2. 评估在评估刘金琨滑模变结构控制时，我们首先需要了解滑模控制的基本原理和特点，然后深入研究刘金琨教授在此基础上提出的变结构控制思想，以及这一控制方法在实际工程中的应用情况。
在论述中，我们将从基础概念、关键原理、设计方法和应用案例等方面进行全面评估，以确保文章深度和广度兼具。
3. 深度探讨刘金琨滑模变结构控制源代码是控制领域的重要研究内容，其涉及的数学模型、算法实现、参数调节等方面都需要深入探讨。
在文章中，我们将从源代码的基本结构、关键功能模块、算法逻辑等方面展开深度探讨，以帮助读者全面理解和掌握该控制方法的实质。
4. 个人观点我个人认为，刘金琨滑模变结构控制源代码是一种非常有潜力和实用性的控制方法，其应用领域广泛，包括机器人控制、航空航天、工业自动化等。
通过深入研究和应用该控制方法，不仅可以提高系统的控制性能，而且还能增强系统对外部干扰和参数变化的鲁棒性，具有非常大的应用前景和市场需求。
5. 总结刘金琨滑模变结构控制源代码是一种重要的控制方法，具有深厚的理论基础和广泛的应用前景。
通过深度和广度的评估，我们可以更好地理解和掌握该控制方法的关键原理和实现技术，为相关领域的研究和工程实践提供重要的参考和借鉴。
希望本文能够对读者有所帮助，引发更多关于刘金琨滑模变结构控制的讨论和研究。
刘金琨滑模变结构控制（Liu-Jin-Kun sliding mode variable structure control）是一种在滑模控制（sliding mode control）的基础上引入了变结构控制思想的控制理论和技术。
智能控制(第三版)chap8-刘金琨
b j k b j k 1 b j k b j k 1 b j k 2
8.1.3 仿真实例
使用模糊RBF网络逼近对象：
y (k ) u (k ) 3 y (k 1) 1 y (k 1) 2
其中采样时间为1ms。
模糊RBF网络逼近程序见chap8_1.m。
i 1 i 1 m m
i i 1
m
2
x j c
i
i 2 j
1 bi j
2
yd yn
y i i i y i
i 1 i 1
m
m
m i i 1
i j i j
其中
m i i y E E y n i 1 y y d n i i m p j y n p j i i 1 p y d y n
i j
i
i 1
m
i
y i i p j
其中α 、β 为学习速率。
8.2.3 仿真实例
使用混合型pi-sigma神经网络逼近对象：
y (k 1) y (k ) u (k ) 1 y (k 1) 2
3
混合型pi-sigma神经网络逼近程序见chap8_2.m
8.3
小脑模型神经网络
8.3. 1 CMAC概述
小脑模型神经网络（ CMAC-Cerebellar Model
1 2 E ek 2
网络的学习算法如下：
输出层的权值通过如下方式来调整:
E E e y m wk ek f 3 w e y m w
8.1.3 仿真实例
使用模糊RBF网络逼近对象：
y (k ) u (k ) 3 y (k 1) 1 y (k 1) 2
其中采样时间为1ms。
模糊RBF网络逼近程序见chap8_1.m。
i 1 i 1 m m
i i 1
m
2
x j c
i
i 2 j
1 bi j
2
yd yn
y i i i y i
i 1 i 1
m
m
m i i 1
i j i j
其中
m i i y E E y n i 1 y y d n i i m p j y n p j i i 1 p y d y n
i j
i
i 1
m
i
y i i p j
其中α 、β 为学习速率。
8.2.3 仿真实例
使用混合型pi-sigma神经网络逼近对象：
y (k 1) y (k ) u (k ) 1 y (k 1) 2
3
混合型pi-sigma神经网络逼近程序见chap8_2.m
8.3
小脑模型神经网络
8.3. 1 CMAC概述
小脑模型神经网络（ CMAC-Cerebellar Model
1 2 E ek 2
网络的学习算法如下：
输出层的权值通过如下方式来调整:
E E e y m wk ek f 3 w e y m w
- 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)。
9.2 神经网络控制结构
根据神经网络在控制器中的作用不同，神经网络控制 器可分为两类，一类为神经控制，它是以神经网络为基 础而形成的独立智能控制系统；另一类为混合神经网络 控制，它是指利用神经网络学习和优化能力来改善传统 控制的智能控制方法，如自适应神经网络控制等。
综合目前的各种分类方法，可将神经网络控制的结构 归结为以下七类。
yd t
NN1
ut
yt
对象
+
et un t NN2
（a）
yd t
NN
Et
ut
评价函数
（b）
yt
对象
图9-2 神经网络直接逆控制
9.2.3 神经网络自适应控制
与传统自适应控制相同，神经网络自适应控制也 分为神经网络自校正控制和神经网络模型参考自适应 控制两种。自校正控制根据对系统正向或逆模型的结 果调节控制器内部参数，使系统满足给定的指标，而 在模型参考自适应控制中，闭环控制系统的期望性能 由一个稳定的参考模型来描述。
其中 rt 为t时刻的期望输出值。
神经网络 估计器
fˆ ,gˆ
yd t
+
et 常规
控制器
ut
对象
yt
-
图9-3 神经网络间接自校正控制
2. 神经网络模型参考自适应控制 分为直接模型参考自适应控制和间接模型
参考自适应控制两种。 （1）直接模型参考自适应控制 如图9-4所示。神经网络控制器的作用是使
（5）神经网络的硬件实现愈趋方便。大规模集成电路 技术的发展为神经网络的硬件实现提供了技术手段， 为神经网络在控制中的应用开辟了广阔的前景。
神经网络控制所取得的进展为：
(1) 基于神经网络的系统辨识：可在已知常规模型结构 的情况下，估计模型的参数；或利用神经网络的线性、 非线性特性，建立线性、非线性系统的静态、动态、 逆动态及预测模型；
1 神经网络自校正控制
神经网络自校正控制分为直接自校正控制和间接 自校正控制。间接自校正控制使用常规控制器， 神经网络估计器需要较高的建模精度。直接自校 正控制同时使用神经网络控制器和神经网络估计 器。
（1）神经网络直接自校正控制
在本质上同神经网络直接逆控制，其结构如 图9-2所示。
（2）神经网络间接自校正控制 其结构如图9-3所示。假设被控对象为如
(2) 神经网络控制器：神经网络作为控制器，可实现对 不确定系统或未知系统进行有效的控制，使控制系统 达到所要求的动态、静态特性；
(3) 神经网络与其他算法相结合：源自经网络与专家系统、 模糊逻辑、遗传算法等相结合可构成新型控制器；
(4) 优化计算：在常规控制系统的设计中，常遇到求解 约束优化问题，神经网络为这类问题提供了有效的途 径；
被控对象与参考模型输出之差为最小。但该方 法需要知道对象的 Jacobian 信息 y 。
u
参考模型
ym t
ect
-
+
rt + et
ut
NNC
un t
yd t + et
-
控制器
+ +
yt
对象
up t ut
图9-1 神经网络监督控制
9.2.2 神经网络直接逆动态控制
神经网络直接逆控制就是将被控对象的神经网络 逆模型直接与被控对象串联起来，以便使期望输出与 对象实际输出之间的传递函数为1。则将此网络作为前 馈控制器后，被控对象的输出为期望输出。
下单变量仿射非线性系统：
y(t) f yt g yt u(t)
若利用神经网络对非线性函数f yt 和 g yt 进 行逼近，得到 fˆ yt 和 gˆ yt ，则控制器为：
u t r(t) fˆ yt / gˆ yt
显然，神经网络直接逆控制的可用性在相当程度上 取决于逆模型的准确精度。由于缺乏反馈，简单连接 的直接逆控制缺乏鲁棒性。为此，一般应使其具有在 线学习能力，即作为逆模型的神经网络连接权能够在 线调整。
图9-2为神经网络直接逆控制的两种结构方案。 在图9-2(a)中，NN1和NN2为具有完全相同的网络结 构，并采用相同的学习算法，分别实现对象的逆。 在图9-2(b)中，神经网络NN通过评价函数进行学习， 实现对象的逆控制。
(5) 控制系统的故障诊断：利用神经网络的逼近特性， 可对控制系统的各种故障进行模式识别，从而实现控 制系统的故障诊断。
神经网络控制在理论和实践上，以下问题是研究 的重点： (1) 神经网络的稳定性与收敛性问题； (2) 神经网络控制系统的稳定性与收敛性问题； (3) 神经网络学习算法的实时性； (4) 神经网络控制器和辨识器的模型和结构。
9.2.1 神经网络监督控制
通过对传统控制器进行学习，然后用神经网络控制器逐渐 取代传统控制器的方法，称为神经网络监督控制。神经网络监 督控制的结构如图9-1所示。
神经网络控制器实际上是一个前馈控制器，它建立的是被 控对象的逆模型。神经网络控制器通过对传统控制器的输出进 行学习，在线调整网络的权值，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。这种前馈加反馈的监督控制方法，不仅可以确保控制系 统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应 能力。
第9章 神经网络控制
9.1 概述
神经网络是一种具有高度非线性的连续时间动力 系统，它有着很强的自学习功能和对非线性系统的强 大映射能力，已广泛应用于复杂对象的控制中。神经 网络所具有的大规模并行性、冗余性、容错性、本质 的非线性及自组织、自学习、自适应能力，给不断面 临挑战的控制理论带来生机。
从控制角度来看，神经网络用于控制的优越性主要 表现为：
（1）神经网络可是处理那些难以用模型或规则描述的 对象；
（2）神经网络采用并行分布式信息处理方式，具有很 强的容错性；
（3）神经网络在本质上是非线性系统，可以实现任意 非线性映射。神经网络在非线性控制系统中具有很大的 发展前途；
（4）神经网络具有很强的信息综合能力，它能够同时 处理大量不同类型的输入，能够很好地解决输入信息 之间的互补性和冗余性问题；