模糊控制与神经网络发展史

模糊控制与神经网络发展史

摘要：本文介绍了模糊控制和神经网络理论的发展历史，以及在很多领域的应用进化过程，在此基础上，论述了模糊控制和神经网络理论应用的一般特点。展望了模糊控制理论和神经网络理论的发展方向，由于模糊控制和神经网络技术是当今比较先进的控制技术，因此，它们都有着广阔的应用前景。

关键字：模糊控制理论、神经网络、非线性控制

1、引言

模糊控制技术是当今世界上最先进的控制技术之一，它是将模糊数学理论应用于控制领域，更真切地模拟人脑思维和判断，对产品生产过程进行选择和控制，从而发展了智能化的新技术。模糊控制理论诞生以来应用于许多领域，取得了良好的控制效果。

神经网络是一门新兴的交叉学科，始于20世纪40年代，是人类智能研究的重要组成部分，人工神经网络（Artificial Neural Networks，简记作ANN），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。它应用很广泛，已成为脑科学、神经科学、认知科学、心理学、计算机科学、数学和物理学等共同研究的焦点。

2、模糊控制的发展与应用

模糊逻辑控制(Fuzzy Logic Control)简称模糊控制(Fuzzy Control)，是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。1965年，美国的L.A.Zadeh创立了模糊集合论；1973年他给出了模糊逻辑控制的定义和相关的定理。1974年，英国的E.H.Mamdani首先用模糊控制语句组成模糊控制器，并把它应用于锅炉和蒸汽机的控制，在实验室获得成功。这一开拓性的工作标志着模糊控制论的诞生。

模糊控制实质上是一种非线性控制，从属于智能控制的范畴。模糊控制的一大特点是既具有系统化的理论，又有着大量实际应用背景。模糊控制的发展最初在西方遇到了较大的阻力；然而在东方尤其是在日本，却得到了迅速而广泛的推广应用。近20多年来，模糊控制不论从理论上还是技术上都有了长足的进步，成为

自动控制领域中一个非常活跃而又硕果累累的分支。其典型应用的例子涉及生产和生活的许多方面，例如在家用电器设备中有模糊洗衣机、空调、微波炉、吸尘器、照相机和摄录机等；在工业控制领域中有水净化处理、发酵过程、化学反应釜、水泥窑炉等的模糊控制；在专用系统和其它方面有地铁靠站停车、汽车驾驶、电梯、自动扶梯、蒸汽引擎以及机器人的模糊控制等。下面是对模糊控制发展历史的具体时间分析。[1～4]

在20世纪70年代，Mamdani在蒸汽发动机上成功地运用了模糊控制，随后英国的P.J.King等人采用模糊控制器实现了反应炉的温度控制，并且在这个时候荷兰学者W.J.M.Kickert等人利用模糊控制器解决了含有非线性、时滞特性的热交换过程的控制问题。

当时间来到了20世纪80年代是，模糊控制技术有了长足的发展，在这期间，丹麦 F.L.Smidth公司推出了实用化的水泥窑模糊逻辑控制系统，接着，日本S.Murakami成功研制了基于语言真值推理的模糊控制器，并应用于汽车速度的自动控制。Jasunobo等人研究了预测模糊控制，将其应用与火车自动驾驶系统和集装箱起重机的自动操作系统。

20世纪90年代，模糊控制硬件与软件的开发业发展起来，Yamakawa首次研制了模糊组件，空调、全自动洗衣机、吸尘器等高档家电中普遍应用了模糊控制技术，并且在机器人定位系统、汽车定位系统、智能车辆高速公路系统中也应用了模糊控制技术。

随着21世纪的到来，模糊控制的发展更是有了广阔的前景，应用到了控制系统、模式识别、医药和游戏理论等领域中，向着多元化的方向发展。

3、神经网络的发展与应用

40年代初，美国Mc Culloch和PiMs从信息处理的角度，研究神经细胞行为的数学模型表达．提出了二值神经元模型。MP模型的提出开始了对神经网络的研究进程。1949年心理学家Hebb提出著名的Hebb学习规则，即由神经元之间结合强度的改变来实现神经学习的方法。虽然Hebb学习规则在人们研究神经网络的初期就已提出，但是其基本思想至今在神经网络的研究中仍发挥着重要作用。50年代末期，Rosenblatt提出感知机模型(Perceptron)，首先从工程角度

出发，研究了用于信息处理的神经网络模型.这是一种学习和自组织的心理学模型，它基本符合神经生理学的原理。感知机虽然比较简单，却已具有神经网络的一些基本性质，如分布式存贮、并行处理、可学习性、连续计算等。这些神经网络的特性与当时流行串行的、离散的、符号处理的电子计算机及其相应的人工智能技术有本质上的不同，由此引起许多研究者的兴趣，在60代掀起了神经网络研究的第一次高潮。但是，当时人们对神经网络研究过于乐观，认为只要将这种神经元互连成一个网络，就可以解决人脑思维的模拟问题，然而，后来的研究结果却又使人们走到另一个极端上。[5]

在60年代末，美国著名人工智能专家Minsky和Papert对Rosenblatt的工作进行了深人研究，出版了有较大影响的(Perceptron)一书，指出感知机的功能和处理能力的局限性，甚至连XOR(异或)这样的问题也不能解决，同时也指出如果在感知器中引入隐含神经元，增加神经网络的层次，可以提高神经网络的处理能力，但是却无法给出相应的网络学习算法。因此Minsky的结论是悲观的。另一方面，由于60年代以来集成电路和微电子技术日新月异的发展，使得电子计算机的计算速度飞速提高，加上那时以功能模拟为目标、以知识信息处理为基础的知识工程等研究成果，给人工智能从实验室走向实用带来了希望，这些技术进步给人们造成这样的认识：以为串行信息处理及以它为基础的传统人工智能技术的潜力是无穷的，这就暂时掩盖了发展新型计算机和寻找新的人工智能途径的必要性和迫切性。另外，当时对大脑的计算原理、对神经网络计算的优点、缺点、可能性及其局限性等还很不清楚。总之，认识上的局限性使对神经网络的研究进入了低潮。

在这一低潮时期，仍有一些学者扎扎实实地继续着神经网络模型和学习算法的基础理论研究，提出了许多有意义的理论和方法。其中，主要有自适应共振理论，自组织映射，认知机网络模型理论，BSB模型等等，为神经网络的发展奠定了理论基础。

进入80年代，首先是基于“知识库”的专家系统的研究和运用，在许多方面取得了较大成功。但在一段时间以后，实际情况表明专家系统并不像人们所希望的那样高明，特别是在处理视觉、听觉、形象思维、联想记忆以及运动控制等方面，传统的计算机和人工智能技术面临着重重困难。模拟人脑的智能信息处理过程，如果仅靠串行逻辑和符号处理等传统的方法来济决复杂的问题，会产生计算