006第6章新型控制策略

第6章新型控制戰(zhàn)略為什么提出新型控制戰(zhàn)略？一方面，以PID為中心的傳統(tǒng)控制方式是一種基于被控對象的準確數(shù)學(xué)模型的控制方式。另一方面，隨著工業(yè)消費的飛速開展，被控對象越來越復(fù)雜，難以用準確的數(shù)學(xué)模型描畫。顯然，傳統(tǒng)控制技術(shù)難以處理上述現(xiàn)實問題。因此，提出新型控制戰(zhàn)略。本部分主要引見模糊控制技術(shù)、神經(jīng)網(wǎng)絡(luò)控制技術(shù)、預(yù)測控制、最優(yōu)控制、自順應(yīng)控制等智能控制或先進控制技術(shù)，用來處理那些運用傳統(tǒng)控制方法難以處理的復(fù)雜對象、復(fù)雜環(huán)境、復(fù)雜義務(wù)的控制問題。我們主要引見神經(jīng)網(wǎng)絡(luò)控制技術(shù)：神經(jīng)網(wǎng)絡(luò)的實際根底，典型神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)控制。6.1神經(jīng)網(wǎng)絡(luò)的實際根底人工神經(jīng)網(wǎng)絡(luò)(簡稱神經(jīng)網(wǎng)絡(luò)，artificialNeuralNetwork)是相對于生物學(xué)中所說的生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)而言的。提出的目的就在于用一定的簡單數(shù)學(xué)模型來對生物神經(jīng)網(wǎng)絡(luò)構(gòu)造進展描畫，并在一定的算法指點前提下，使其能在某種程度上模擬生物神經(jīng)網(wǎng)絡(luò)所具有的智能行為，處理用傳統(tǒng)算法所不能勝任的智能信息處置問題。神經(jīng)網(wǎng)絡(luò)控制是將神經(jīng)網(wǎng)絡(luò)與控制實際相結(jié)合而開展起來的智能控制方法。它已成為智能控制的一個新的分支，為處理復(fù)雜的非線性、不確定、不確知系統(tǒng)的控制問題開辟了新途徑。6.1.1神經(jīng)網(wǎng)絡(luò)開展簡史神經(jīng)網(wǎng)絡(luò)研討始于1943年，至今曾閱歷了50多年的漫長歷程，并且不是從一開場就遭到廣泛關(guān)注的，而是閱歷了一條從興起到蕭條，又從蕭條到興盛的曲折開展道路。詳細說來，大致可為以下4個階段：2.低潮期〔1969-1982年〕受當時神經(jīng)網(wǎng)絡(luò)實際研討程度的限制，加之遭到馮·諾依曼式計算機開展的沖擊等要素的影響，神經(jīng)網(wǎng)絡(luò)的研討墮入低谷。但在美、日等國仍有少數(shù)學(xué)者繼續(xù)著網(wǎng)絡(luò)模型和學(xué)習(xí)算法的研討，提出了許多有意義的實際和方法。例如，1969年，Grossberg提出了至今為止最復(fù)雜的ART神經(jīng)網(wǎng)絡(luò)。1972年，Kohonen提出了自組織映射的SOM模型。3．復(fù)興期〔1982-1986年〕1982年，物理學(xué)家Hopfield提出了Hopfield神經(jīng)網(wǎng)絡(luò)模型，該模型經(jīng)過引入能量函數(shù)，實現(xiàn)了問題優(yōu)化求解，1984年他用此模型勝利地處理了游覽商途徑優(yōu)化問題(TSP)。這一成果的獲得使神經(jīng)網(wǎng)絡(luò)的研討獲得了突破性進展。1986年，在Rumelhart和McCelland提出了一種著名的多層神經(jīng)網(wǎng)絡(luò)模型，即BP網(wǎng)絡(luò)，該網(wǎng)絡(luò)是迄今為止運用最普遍的神經(jīng)網(wǎng)絡(luò)。4．高潮時期(1986年至如今)神經(jīng)網(wǎng)絡(luò)從實際走向運用領(lǐng)域，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)芯片和神經(jīng)計算機。神經(jīng)網(wǎng)絡(luò)逐漸在方式識別與圖像處置(語音、指紋、缺點檢測和圖像緊縮等)、控制與優(yōu)化、預(yù)測與管理(市場預(yù)測、風險分析)、通訊等領(lǐng)域得到勝利的運用。6.1.2神經(jīng)網(wǎng)絡(luò)原理單個〔生物〕神經(jīng)元模型的表示圖如以下圖所示。人腦大約包含1012個神經(jīng)元，分成約1000種類型，每個神經(jīng)元與102-104個其他神經(jīng)元相銜接，構(gòu)成極為錯綜復(fù)雜而又靈敏多變的神經(jīng)網(wǎng)絡(luò)。每個神經(jīng)元雖然都非常簡單，但是如此大量的神經(jīng)元之間、如此復(fù)雜的銜接卻可以演化出豐富多彩的行為方式。神經(jīng)系統(tǒng)的根本構(gòu)造是神經(jīng)元〔神經(jīng)細胞〕，它是處置人體內(nèi)各部分之間信息傳送的根本單元。每個神經(jīng)元都由一個細胞體、一個銜接其他神經(jīng)元的軸突和一些向外伸出的較短分支——樹突組成。軸突的功能是將本神經(jīng)元的輸出信號〔興奮〕傳送給別的神經(jīng)元，其末端的許多神經(jīng)末梢使得興奮可以同時傳送給多個神經(jīng)元。樹突的功能是接納來自其他神經(jīng)元的興奮。神經(jīng)元細胞體將接納到的一切信號進展簡單的處置，由軸突輸出。神經(jīng)元的軸突與另外神經(jīng)元相連的部分稱為突觸。神經(jīng)元由4部分構(gòu)成：(1)細胞體(主體部分)：包括細胞質(zhì)、細胞膜和細胞核；(2)樹突：用于為細胞體傳入信息；(3)軸突：為細胞體傳出信息，其末端是神經(jīng)末梢，含傳送信息的化學(xué)物質(zhì)；(4)突觸：是神經(jīng)元之間的接口(104一105個每神經(jīng)元)。一個神經(jīng)元經(jīng)過其軸突的神經(jīng)未梢，經(jīng)突觸與另外一個神經(jīng)元的樹突銜接，以實現(xiàn)信息的傳送。由于突觸的信息傳送特性是可變的，隨著神經(jīng)激動傳送方式的變化，傳送作用強弱不同，構(gòu)成了神經(jīng)元之間銜接的柔性，稱為構(gòu)造的可塑性。神經(jīng)元具有如下功能：(1)興奮與抑制：假設(shè)傳入神經(jīng)元的激動經(jīng)整合后使細胞膜電位升高，超越動作電位的閾值時即為興奮形狀，產(chǎn)生神經(jīng)激動，由軸突經(jīng)神經(jīng)未梢傳出。假設(shè)傳入神經(jīng)元的激動經(jīng)整合后使細胞膜電位降低，低于動作電位的閾值時即為抑制形狀，不產(chǎn)生神經(jīng)激動。(2)學(xué)習(xí)與遺忘：由于神經(jīng)元構(gòu)造的可塑性，突觸的傳送作用可加強和減弱，因此，神經(jīng)元具有學(xué)習(xí)與遺忘的功能。決議生物神經(jīng)網(wǎng)絡(luò)性能的3大要素為：(1)神經(jīng)元(信息處置單元)的特性；(2)神經(jīng)元之間相互銜接的方式-----拓撲構(gòu)造；(3)為順應(yīng)環(huán)境而改善性能的學(xué)習(xí)規(guī)那么。人工神經(jīng)網(wǎng)絡(luò)是以工程技術(shù)手段來模擬人腦神經(jīng)元網(wǎng)絡(luò)的構(gòu)造與特征的系統(tǒng)。利用人工神經(jīng)元可以構(gòu)成各種不同拓撲構(gòu)造的神經(jīng)網(wǎng)絡(luò)。它是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似，具有學(xué)習(xí)、識別、控制等功能。就神經(jīng)網(wǎng)絡(luò)的主要銜接方式而言，目前已有數(shù)十種不同的神經(jīng)網(wǎng)絡(luò)模型，其中，前饋型網(wǎng)絡(luò)和反響型網(wǎng)絡(luò)是兩種典型的構(gòu)造〔模型〕?！踩斯ぁ成窠?jīng)網(wǎng)絡(luò)的研討主要分為3個方面的內(nèi)容，即神經(jīng)網(wǎng)絡(luò)模型、神經(jīng)網(wǎng)絡(luò)構(gòu)造和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。6.1.3神經(jīng)網(wǎng)絡(luò)的構(gòu)造分類根據(jù)神經(jīng)網(wǎng)絡(luò)的銜接方式，神經(jīng)網(wǎng)絡(luò)主要分為2類。前饋網(wǎng)絡(luò)圖6-2前饋型神經(jīng)網(wǎng)絡(luò)如圖6-2所示，神經(jīng)元分層陳列，組成輸入層、隱含層和輸出層。每一層的神經(jīng)元只接受前一層神經(jīng)元的輸入。輸入方式經(jīng)過各層的依次變換后，由輸出層輸出。在各神經(jīng)元之間不存在反響。感知器和誤差反向傳播網(wǎng)絡(luò)采用前向網(wǎng)絡(luò)方式。2.反響網(wǎng)絡(luò)圖6-3反響型神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)構(gòu)造如圖6-3所示，該網(wǎng)絡(luò)構(gòu)造在輸出層到輸入層存在反響，即每一個輸入節(jié)點都有能夠接受來自外部的輸入和來自輸出神經(jīng)元的反響。這種神經(jīng)網(wǎng)絡(luò)是一種反響動力學(xué)系統(tǒng)，它需求任務(wù)—段時間才干到達穩(wěn)定。網(wǎng)絡(luò)構(gòu)造如圖6-3所示，該網(wǎng)絡(luò)構(gòu)造在輸出層到輸入層存在反響，即每一個輸入節(jié)點都有能夠接受來自外部的輸入和來自輸出神經(jīng)元的反響。這種神經(jīng)網(wǎng)絡(luò)是一種反響動力學(xué)系統(tǒng)，它需求任務(wù)—段時間才干到達穩(wěn)定。Hopfield神經(jīng)網(wǎng)絡(luò)是反響網(wǎng)絡(luò)中最簡單且運用最廣泛的模型，它具有聯(lián)想記憶的功能，假設(shè)將Lyapunov函數(shù)定義為尋優(yōu)函數(shù)，Hopfield神經(jīng)網(wǎng)絡(luò)還可以處理尋憂問題。6.1.4神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)智能特性的重要標志，神經(jīng)網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)算法，實現(xiàn)了自順應(yīng)、自組織和自學(xué)習(xí)的才干。目前神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法有多種，按有無導(dǎo)師分類，可分為有導(dǎo)師學(xué)習(xí)(SupervisedLearning)、無導(dǎo)師學(xué)習(xí)(UnsupervisedLearning)和再勵學(xué)習(xí)(ReinforcementLearning)等幾大類。在有導(dǎo)師的學(xué)習(xí)方式中，網(wǎng)絡(luò)的輸出和期望的輸出(即導(dǎo)師信號)進展比較，然后根據(jù)兩者之間的差別調(diào)整網(wǎng)絡(luò)的權(quán)值，最終使差別變小，如圖6-5所示。在無導(dǎo)帥的學(xué)習(xí)方式中，輸入方式進入網(wǎng)絡(luò)后，網(wǎng)絡(luò)按照一種預(yù)先設(shè)定的規(guī)那么(如競爭規(guī)那么)自動調(diào)整權(quán)值，使網(wǎng)絡(luò)最終具有方式分類等功能，如圖6-6所示。再勵學(xué)習(xí)是介于上述兩者之間的一種學(xué)習(xí)方式。下面引見兩個根本的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。Hebb學(xué)習(xí)規(guī)那么Hebb學(xué)習(xí)規(guī)那么是一種聯(lián)想式學(xué)習(xí)算法。生物學(xué)家D.O.Hebbian基于對生物學(xué)和心思學(xué)的研討，以為兩個神經(jīng)元同時處于激發(fā)形狀時，它們之間的銜接強度將得到加強，這一論述的數(shù)學(xué)描畫被稱為Hebb學(xué)習(xí)規(guī)那么，即Hebb學(xué)習(xí)規(guī)那么是一種無導(dǎo)師的學(xué)習(xí)方法，它只根據(jù)神經(jīng)元銜接間的激活程度改動權(quán)值，因此，這種方法又稱為相關(guān)學(xué)習(xí)或并聯(lián)學(xué)習(xí)。假設(shè)誤差準那么函數(shù)為6.1.5神經(jīng)網(wǎng)絡(luò)的特征及要素1．神經(jīng)網(wǎng)絡(luò)特征神經(jīng)網(wǎng)絡(luò)具有以下幾個特征：(1)非線性映射逼近才干〔能逼近恣意非線性函數(shù)〕：已有實際證明，恣意的延續(xù)非線性函數(shù)映射關(guān)系都可由某一多層神經(jīng)網(wǎng)絡(luò)以恣意精度加以逼近。這種組成單元簡單、構(gòu)造有序的模型是非線性系統(tǒng)建模的有效框架模型，預(yù)示著神經(jīng)網(wǎng)絡(luò)在具有挑戰(zhàn)性的非線性控制領(lǐng)域有很好的運用前景。(2)信息的并行分布式綜合優(yōu)化處置才干〔信息的并行分布式處置與存儲〕：神經(jīng)網(wǎng)絡(luò)的大規(guī)?；ミB網(wǎng)絡(luò)構(gòu)造，使其能很快地并行實現(xiàn)全局性的實時信息處置，并很好地協(xié)調(diào)多種輸入信息之間的關(guān)系，兼容定性和定量信息，這是傳統(tǒng)的串聯(lián)任務(wù)方式所無法到達的效果，非常適宜于系統(tǒng)控制中的大規(guī)模實時計算。同時，某些神經(jīng)網(wǎng)絡(luò)模型本身就具有自動搜索能量函數(shù)極值點的功能。這種優(yōu)化計算才干在自順應(yīng)控制設(shè)計中是非常有用的。(3)高強的容錯才干：神經(jīng)網(wǎng)絡(luò)的并行處置機制及冗余構(gòu)造特性使其具有較強的容錯特性,提高了信息處置的可靠性和魯棒性。(4)對學(xué)習(xí)結(jié)果的泛化和自順應(yīng)才干〔能進展學(xué)習(xí)，以順應(yīng)環(huán)境的變化〕：經(jīng)過適當訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有潛在的自順應(yīng)方式匹配功能，能對所學(xué)信息加以分布式存儲和泛化，這是其智能特性的重要表達。(5)便于集成實現(xiàn)和計算模擬：神經(jīng)網(wǎng)絡(luò)在構(gòu)造上是一樣神經(jīng)元的大規(guī)模組合，所以特別適宜于用大規(guī)模集成電路實現(xiàn)，也適宜于用現(xiàn)有計算技術(shù)進展模擬實現(xiàn)。但由于現(xiàn)有的計算機運算方式與神經(jīng)網(wǎng)絡(luò)所要求的并行運算和分布存儲方式是截然不同的，所以兩者在運算時間上必然存在著顯著差別。2．神經(jīng)網(wǎng)絡(luò)具有以下3個要素：(1)神經(jīng)元(信息處置單元)的特性；(2)神經(jīng)元之間相互銜接的拓撲構(gòu)造；(3)為順應(yīng)環(huán)境而改善性能的學(xué)習(xí)規(guī)那么。6.1.6神經(jīng)網(wǎng)絡(luò)的研討領(lǐng)域1．基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(1)將神經(jīng)網(wǎng)絡(luò)作為被辯識系統(tǒng)的模型，可在知常規(guī)模型構(gòu)造的情況下，估計模型的參數(shù)。(2)利用神經(jīng)網(wǎng)絡(luò)的線性、非線性特性，可建立線性、非線性系統(tǒng)的靜態(tài)、動態(tài)、逆動態(tài)及預(yù)測模型，實現(xiàn)系統(tǒng)的建模和辨識。2．神經(jīng)網(wǎng)絡(luò)控制器神經(jīng)網(wǎng)絡(luò)作為控制器，可對不確定、不確知系統(tǒng)及擾動進展有效的控制，使控制系統(tǒng)到達所要求的動態(tài)、靜態(tài)特性。3．神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)、模糊邏輯、遺傳算法等相結(jié)合，可設(shè)計新型智能控制系統(tǒng)。4．優(yōu)化計算在常規(guī)的控制系統(tǒng)中，常遇到求解約束優(yōu)化問題，神經(jīng)網(wǎng)絡(luò)為這類問題的處理提供了有效的途徑。目前，神經(jīng)網(wǎng)絡(luò)控制曾經(jīng)在多種控制構(gòu)造中得到運用，如PID控制、模型參考自順應(yīng)控制、前饋反響控制、內(nèi)模控制、預(yù)測控制、模糊控制等。6.2典型神經(jīng)網(wǎng)絡(luò)6.2.1單神經(jīng)元網(wǎng)絡(luò)圖6-7神經(jīng)元構(gòu)造模型右圖是一種簡化的人工神經(jīng)元構(gòu)造模型，它是一個多輸入、單輸出的非線性元件，其輸入、輸出關(guān)系可描畫為上述方式。輸出鼓勵函數(shù)f(·)又稱為變換函數(shù)，它決議該神經(jīng)元的輸出。常用的神經(jīng)元鼓勵函數(shù)有以下3種。閾值型閾值型函數(shù)如圖6-8所示。圖6-8閾值型函數(shù)2．分段線性型分段線性型函數(shù)表達式為圖6-9分段線性型函數(shù)3.函數(shù)型有代表性的有Sigmoid型和高斯型函數(shù)。Sigmoid型函數(shù)表達式為圖6-10Sigmoid型函數(shù)6.2.2BP神經(jīng)網(wǎng)絡(luò)1986年，Rumelhart等提出了誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)(BackPropagation)，該網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)。誤差反向傳播的學(xué)習(xí)算法簡稱BP算法，其根本思想是梯度下降法。它采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實踐輸出值與期望輸出值的誤差均方值為最小。2.BP網(wǎng)絡(luò)構(gòu)造圖6-11BP神經(jīng)網(wǎng)絡(luò)構(gòu)造3．BP網(wǎng)絡(luò)的逼近圖6-12BP神經(jīng)網(wǎng)絡(luò)逼近用于逼近的BP網(wǎng)絡(luò)如圖6-13所示。圖6-13用于逼近的BP網(wǎng)絡(luò)BP算法的學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱層逐層處置，并傳向輸出層，每層神經(jīng)元(節(jié)點)的形狀只影響下一層神經(jīng)元的形狀。假設(shè)在輸出層不能得到期望的輸出，那么轉(zhuǎn)至反向傳播，將誤差信號(理想輸出與實踐輸出之差)按銜接通路反向計算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值，使誤差信號減小。(1)正向傳播：計算網(wǎng)絡(luò)的輸出。(2)反向傳播：采用學(xué)習(xí)算法，調(diào)整各層間的權(quán)值。(1)正向傳播：計算網(wǎng)絡(luò)的輸出。隱層神經(jīng)元的輸入為一切輸入的加權(quán)之和，即隱層神經(jīng)元的輸出采用S函數(shù)激發(fā)，得

那么輸出層神經(jīng)元的輸出為誤差性能目的函數(shù)為網(wǎng)絡(luò)輸出與理想輸出誤差為(2)反向傳播：采用學(xué)習(xí)算法，調(diào)整各層間的權(quán)值。根據(jù)梯度下降法，權(quán)值的學(xué)習(xí)算法如下：輸出層及隱層的銜接權(quán)值學(xué)習(xí)算法為式中，為學(xué)習(xí)速率，。k十1時辰網(wǎng)絡(luò)的權(quán)值為隱層及輸入層銜接權(quán)值學(xué)習(xí)算法為式中，。問題:如何調(diào)整權(quán)值W，使E最小?？捎锰荻认陆捣▉砬蠼猓涓舅枷胧茄谽的負梯度方向不斷修正權(quán)值，直到E到達最小。k十1時辰網(wǎng)絡(luò)的權(quán)值為為廠防止權(quán)值的學(xué)習(xí)過程發(fā)生振蕩、收斂速度慢，需求思索上次權(quán)值變化對本次權(quán)值變化的影響，即參與動量因子。此時的權(quán)值為式中，為動量因子，。4.BP網(wǎng)絡(luò)逼近仿真實例運用BP網(wǎng)絡(luò)逼近對象圖6-14BP網(wǎng)絡(luò)逼近效果圖6-15BP網(wǎng)絡(luò)逼近誤差圖6-16Jacobian信息的辯識5.BP網(wǎng)絡(luò)的憂缺陷BP網(wǎng)絡(luò)的優(yōu)點：1.只需有足夠多的隱層和隱層節(jié)點，BP網(wǎng)絡(luò)可以逼近恣意的非線性映射關(guān)系；由于BP網(wǎng)絡(luò)具有很好的逼近非線性映射的才干，該網(wǎng)絡(luò)在方式識別、圖像處置、系統(tǒng)辨識、函數(shù)擬合、優(yōu)化計算、最優(yōu)預(yù)測和自順應(yīng)控制等領(lǐng)域有著較為廣泛的運用。2.BP網(wǎng)絡(luò)的學(xué)習(xí)算法屬于全局逼近算法，具有較強的泛化才干，可用于神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計。3.BP網(wǎng)絡(luò)輸入輸出之間的關(guān)聯(lián)信息分布地存儲在網(wǎng)絡(luò)的銜接權(quán)中，個別神經(jīng)元的損壞只對輸入輸出關(guān)系有較小的影響，因此BP網(wǎng)絡(luò)具有較好的容錯性。BP網(wǎng)絡(luò)的主要缺陷為：1.待尋優(yōu)的參數(shù)多，收斂速度慢；難以順應(yīng)實時控制的要求。2.目的函數(shù)存在多個極值點，按梯度下降法進展學(xué)習(xí)，很容易墮入部分極小值；3.難以確定隱層及隱層節(jié)點的數(shù)目。目前，如何根據(jù)特定的問題來確定詳細的網(wǎng)絡(luò)構(gòu)造尚無很好的方法，仍需根據(jù)閱歷來試湊。6.BP網(wǎng)絡(luò)方式識別由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和并行處置等特征，并具有很強的容錯才干和聯(lián)想才干，因此，神經(jīng)網(wǎng)絡(luò)具有方式識別的才干。在神經(jīng)網(wǎng)絡(luò)方式識別中，根據(jù)規(guī)范的輸入輸出方式對，采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，以規(guī)范的方式作為學(xué)習(xí)樣本進展訓(xùn)練，經(jīng)過學(xué)習(xí)調(diào)整神經(jīng)網(wǎng)絡(luò)的銜接權(quán)值。當訓(xùn)練滿足要求后，得到的神經(jīng)網(wǎng)絡(luò)權(quán)值構(gòu)成了方式識別的知識庫，利用神經(jīng)網(wǎng)絡(luò)并行推理算法便可對所需求的輸入方式進展識別。神經(jīng)網(wǎng)絡(luò)方式識別具有較強的魯棒性。當待識別的輸入方式與訓(xùn)練樣本中的某個輸入方式一樣時，神經(jīng)網(wǎng)絡(luò)識別的結(jié)果就是與訓(xùn)練樣本中相對應(yīng)的輸出方式。當待識別的輸入方式與訓(xùn)練樣本中一切輸入方式都不完全一樣時，那么可得到與其相近樣本相對應(yīng)的輸出方式。當待識別的輸入方式與訓(xùn)練樣本中一切輸入方式相差較遠時，就不能得到正確的識別結(jié)果，此時可將這一方式作為新的樣本進展訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)獲取新的知識，并存儲到網(wǎng)絡(luò)的權(quán)值矩陣中，從而加強網(wǎng)絡(luò)的識別才干。BP網(wǎng)絡(luò)的訓(xùn)練過程如下：正向傳播是輸入信號從輸入層經(jīng)隱層傳向輸出層，假設(shè)輸出層得到了期望的輸出，那么學(xué)習(xí)算法終了；否那么，轉(zhuǎn)至反向傳播。以第p個樣本為例，用于訓(xùn)練的BP網(wǎng)絡(luò)構(gòu)造如圖6-17所示。圖6-17BP神經(jīng)網(wǎng)絡(luò)構(gòu)造網(wǎng)絡(luò)的學(xué)習(xí)算法如下：(1)正向傳播：計算網(wǎng)絡(luò)的輸出。(2)反向傳播：采用梯度下降法，調(diào)整各層間的權(quán)值。(1)正向傳播：計算網(wǎng)絡(luò)的輸出。隱層神經(jīng)元的輸入為一切輸入的加權(quán)之和，即隱層神經(jīng)元的輸出采用S函數(shù)激發(fā)，得那么輸出層神經(jīng)元的輸出為(2)反向傳播：采用梯度下降法，調(diào)整各層間的權(quán)值。權(quán)值的學(xué)習(xí)算法如下輸出層及隱層的銜接權(quán)值學(xué)習(xí)算法為式中，為學(xué)習(xí)速率，。k十1時辰網(wǎng)絡(luò)的權(quán)值為隱層及輸入層銜接權(quán)值學(xué)習(xí)算法為式中，。k十1時辰網(wǎng)絡(luò)的權(quán)值為為廠防止權(quán)值的學(xué)習(xí)過程發(fā)生振蕩、收斂速度模，需求思索上次權(quán)值變化對本次權(quán)值變化的影響，即參與動量因子。此時的權(quán)值為式中，為動量因子，。7.BP網(wǎng)絡(luò)方式識別仿真實例取規(guī)范樣本為三輸入兩輸出樣本，見表6-1。表6-1訓(xùn)練樣本BP網(wǎng)絡(luò)方式識別程序包括網(wǎng)絡(luò)訓(xùn)練程序chap6-2a.m和網(wǎng)絡(luò)測試程序chap6-2b.m。運轉(zhuǎn)程序chap6-2a.m，取網(wǎng)絡(luò)訓(xùn)練的最終目的為E=10-20，網(wǎng)絡(luò)訓(xùn)練目的的變化如圖6-18所示。將網(wǎng)絡(luò)訓(xùn)練的最終權(quán)值為用于方式識別的知識庫，將其保管在文件wfile.mat中。表6-2測試樣本及結(jié)果圖6-18樣本訓(xùn)練的收斂過程6.3神經(jīng)網(wǎng)絡(luò)控制控制實際在閱歷了經(jīng)典控制和現(xiàn)代控制以后，隨著被控對象變得越來越復(fù)雜、對對象和環(huán)境的知識知道得越來越少、控制精度越來越高，迫切希望控制系統(tǒng)具有自順應(yīng)自學(xué)習(xí)才干、良好的魯棒性和實時性。6.3.1概述神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的延續(xù)時間動力系統(tǒng)，它有著很強的自學(xué)習(xí)才干和對非線性系統(tǒng)的強大映射才干。神經(jīng)網(wǎng)絡(luò)所具有的大規(guī)模并行性、冗余性、容錯性、本質(zhì)的非線性及自組織、自學(xué)習(xí)、自順應(yīng)才干，使其廣泛運用于復(fù)雜對象的控制中。神經(jīng)網(wǎng)絡(luò)本身具備傳統(tǒng)的控制手段無法實現(xiàn)的一些優(yōu)點和特征，使得神經(jīng)網(wǎng)絡(luò)控制器的研討迅速開展。從控制角度來看，神經(jīng)網(wǎng)絡(luò)用于控制優(yōu)越性主要表現(xiàn)為：(1)神經(jīng)網(wǎng)絡(luò)能處置那些難以用模型或規(guī)那么描畫的對象；(2)神經(jīng)網(wǎng)絡(luò)采用并行分布式信息處置方式，具有很強的容錯性；(3)神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是非線性系統(tǒng)，可以實現(xiàn)恣意非線性映射，神經(jīng)網(wǎng)絡(luò)在非線性控制系統(tǒng)中具有很大的開展出路；(4)神經(jīng)網(wǎng)絡(luò)具有很強的信息綜合才干，它可以同時處置大量不同類型的輸入，可以很好地處理輸入信息之間的互補性和冗余性問題；(5)神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)愈趨方便，大規(guī)模集成電路技術(shù)的開展為神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)提供了技術(shù)手段，為神經(jīng)網(wǎng)絡(luò)在控制中的運用開辟了寬廣的前景。神經(jīng)網(wǎng)絡(luò)控制所獲得的進展為：(1)基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識：可在己知常規(guī)模型構(gòu)造的情況下，估計模型的參數(shù)；或利用神經(jīng)網(wǎng)絡(luò)的線性、非線性特性，建立線性、非線性系統(tǒng)的靜態(tài)、動態(tài)、逆動態(tài)及預(yù)測模型。(2)神經(jīng)網(wǎng)絡(luò)控制器：神經(jīng)網(wǎng)絡(luò)作為控制器，可實現(xiàn)對不確定系統(tǒng)或未知系統(tǒng)進展有效的控制，使控制系統(tǒng)到達所要求的動態(tài)、靜態(tài)特性。(3)神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合：神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)、模糊邏輯、遺傳算法等相結(jié)合可構(gòu)成新型控制器。(4)優(yōu)化計算：在常規(guī)控制系統(tǒng)的設(shè)計中，常遇到求解約束優(yōu)化問題，神經(jīng)網(wǎng)絡(luò)為這類問題提供了有效的途徑。(5)控制系統(tǒng)的缺點診斷：利用神經(jīng)網(wǎng)絡(luò)的逼近特性，可對控制系統(tǒng)的各種缺點進展方式識別，從而實現(xiàn)控制系統(tǒng)的缺點診斷。神經(jīng)網(wǎng)絡(luò)控制在實際和實際上，以下問題是研討的重點：(1)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性與收斂性問題；(2)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的穩(wěn)定性與收斂性問題；(3)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的實時性；(4)神經(jīng)網(wǎng)絡(luò)控制器和辨識器的模型和構(gòu)造。

6.3.2神經(jīng)網(wǎng)絡(luò)控制的構(gòu)造根據(jù)神經(jīng)網(wǎng)絡(luò)在控制器中的作用不同，神經(jīng)網(wǎng)絡(luò)控制器可分為兩類：一類為神經(jīng)控制，它是以神經(jīng)網(wǎng)絡(luò)為根底而構(gòu)成的獨立智能控制系統(tǒng)；另一類為混合神經(jīng)網(wǎng)絡(luò)控制，它是指利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和優(yōu)化才干來改善傳統(tǒng)控制的智能控制方法，目前神經(jīng)網(wǎng)絡(luò)控制器尚無一致的分類方法。綜合目前的各種分類方法，可將神經(jīng)網(wǎng)絡(luò)控制的構(gòu)造歸結(jié)為以下7類。1.神經(jīng)網(wǎng)絡(luò)監(jiān)視控制首先對人工控制或傳統(tǒng)控制進展學(xué)習(xí)，然后用神經(jīng)網(wǎng)絡(luò)控制器逐漸取代傳統(tǒng)控制器的方法，稱為神經(jīng)網(wǎng)絡(luò)監(jiān)視控制。神經(jīng)網(wǎng)絡(luò)監(jiān)視控制的構(gòu)造如圖6-19所示。圖6-19神經(jīng)網(wǎng)絡(luò)監(jiān)視控制在監(jiān)視控制系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)需求脫機進展訓(xùn)練。訓(xùn)練時采用一系列示教數(shù)據(jù)。這些數(shù)據(jù)是執(zhí)行人工控制時的輸入、輸出數(shù)據(jù)。輸入數(shù)據(jù)普通是傳感器所檢測出的數(shù)據(jù)，輸出數(shù)據(jù)那么是人所確定的數(shù)據(jù)。也就是說，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是執(zhí)行傳感輸入到人工控制造用的映射。2.神經(jīng)網(wǎng)絡(luò)直接逆控制神經(jīng)網(wǎng)絡(luò)直接逆控制就是將被控對象的神經(jīng)網(wǎng)絡(luò)逆模型直接與被控對象串聯(lián)起來，以便使期望輸出與對象實踐輸出之間的傳送函數(shù)為1。那么將此網(wǎng)絡(luò)作為前饋控制器后，被控對象的輸出為期望輸出。在逆控制系統(tǒng)中，假設(shè)被控對象的模型用F表示，那么，神經(jīng)網(wǎng)絡(luò)所構(gòu)成的控制器的模型是F-1，即是一個逆模型。實踐上，被控對象可以是一個未知的系統(tǒng)，在被控對象輸入端參與u*，那么其輸出就會產(chǎn)生y*。用y*作為輸入，u*作為輸出去對神經(jīng)網(wǎng)絡(luò)進展訓(xùn)練，那么得到的神經(jīng)網(wǎng)絡(luò)就是被控對象的逆模型。在訓(xùn)練時，神經(jīng)網(wǎng)絡(luò)的實踐輸出用u’表示，那么用〔u’-u*〕這個偏向可以控制網(wǎng)絡(luò)的訓(xùn)練過程。普通來說，為了獲取良好的逆動力學(xué)性能，通常在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時所取值的范圍比實踐對象的輸入、輸出數(shù)據(jù)的取值范圍要大一些。在逆控制系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)直接連在控制回路作為控制器，控制效果嚴重地依賴控制器對對象逆向模擬的真實程度〔逆控制的可用性在相當程度上取決于逆模型的準確精度〕。由于這種系統(tǒng)短少反響環(huán)節(jié)，