神經(jīng)網(wǎng)絡(luò)與智能控制系統(tǒng)

神經(jīng)網(wǎng)絡(luò)與智能控制系統(tǒng)姓名：學(xué)號(hào)：日期：

【摘要】本文介紹了神經(jīng)網(wǎng)絡(luò)的基本概念，論述了人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與發(fā)展，以及人工神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用現(xiàn)狀，分析了人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和監(jiān)視控制系統(tǒng)的原理，并闡述了幾種基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)，簡要介紹了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展、應(yīng)用及研究現(xiàn)狀，通過實(shí)例來分析人工神經(jīng)網(wǎng)絡(luò)原理的設(shè)計(jì)和實(shí)現(xiàn)過程?！娟P(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；控制系統(tǒng)；智能控制；發(fā)展；應(yīng)用引言神經(jīng)網(wǎng)絡(luò)控制是20世紀(jì)80年代末期發(fā)展起來的自動(dòng)控制領(lǐng)域的前沿學(xué)科之一。它是智能控制的一個(gè)新的分支，為解決復(fù)雜的非線性、不擬定、不確知系統(tǒng)的控制問題開辟了新途徑。神經(jīng)網(wǎng)絡(luò)控制是（人工）神經(jīng)網(wǎng)絡(luò)理論與控制理論相結(jié)合的產(chǎn)物，是發(fā)展中的學(xué)科。它匯集了涉及數(shù)學(xué)、生物學(xué)、神經(jīng)生理學(xué)、腦科學(xué)、遺傳學(xué)、人工智能、計(jì)算機(jī)科學(xué)、自動(dòng)控制等學(xué)科的理論、技術(shù)、方法及研究成果。在控制領(lǐng)域，將具有學(xué)習(xí)能力的控制系統(tǒng)稱為學(xué)習(xí)控制系統(tǒng)，屬于智能控制系統(tǒng)。神經(jīng)控制是有學(xué)習(xí)能力的，屬于學(xué)習(xí)控制，是智能控制的一個(gè)分支。神經(jīng)控制發(fā)展至今，雖僅有十余年的歷史，已有了多種控制結(jié)構(gòu)。如神經(jīng)預(yù)測(cè)控制、神經(jīng)逆系統(tǒng)控制等。神經(jīng)網(wǎng)絡(luò)控制是一種基本上不依賴于模型的控制方法，它適合于具有不擬定性或高度非線性的控制對(duì)象，并具有較強(qiáng)的自適應(yīng)和自學(xué)習(xí)功能，因此是智能控制的一個(gè)重要分支領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)運(yùn)用物理器件來模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能，具有并行和分布式的信息解決網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)一般由幾個(gè)神經(jīng)元組成，每一個(gè)神經(jīng)元有一個(gè)單一的輸出，但可通過連接的很多其它神經(jīng)元，獲得有多個(gè)連接通道的輸入，每個(gè)連接通道相應(yīng)一個(gè)連接權(quán)系數(shù)。人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與發(fā)展人工神經(jīng)網(wǎng)絡(luò)的研究是從19世紀(jì)末期開始的，其發(fā)展歷史經(jīng)歷了以下四個(gè)時(shí)期。啟蒙時(shí)期啟蒙時(shí)期開始于1980年美國著名心理學(xué)家W.James關(guān)于人腦結(jié)構(gòu)與功能的研究，結(jié)束于1969年Minsky和Papert發(fā)表的《感知器》（Perceptron）一書。早在1943年，美國神經(jīng)生物學(xué)家W.S.McCul-loch和數(shù)學(xué)家W.Pitts合作，采用數(shù)理模型的方法研究腦細(xì)胞的動(dòng)作和結(jié)構(gòu)，以及生物神經(jīng)元的一些基本生理特性，提出了第一個(gè)神經(jīng)計(jì)算模型，即神經(jīng)元的閾值元件模型(M-P模型)，并指出：即使是最簡樸的神經(jīng)網(wǎng)絡(luò)，從原則上講也可以進(jìn)行任意算術(shù)或邏輯函數(shù)的計(jì)算。該模型把神經(jīng)細(xì)胞的動(dòng)作描述為：神經(jīng)元的活動(dòng)表現(xiàn)為興奮或克制的二值變化；任何興奮性突觸有輸入激勵(lì)后，使神經(jīng)元興奮與神經(jīng)元先前的動(dòng)作狀態(tài)無關(guān)；任何克制性突觸有輸入激勵(lì)后，使神經(jīng)元克制；突觸的值不隨時(shí)間改變；突觸從感知輸入到傳送出一個(gè)輸出脈沖的延遲時(shí)間是0.5ms?？梢?，M-P模型是用邏輯的數(shù)學(xué)工具研究客觀世界的事件在形式神經(jīng)網(wǎng)絡(luò)中的表述?，F(xiàn)在來看M-P模型盡管過于簡樸，并且其觀點(diǎn)也并非完全對(duì)的，但是其理論有一定的奉獻(xiàn)。因此，M-P模型被認(rèn)為開創(chuàng)了神經(jīng)科學(xué)理論研究的新時(shí)代。1949年，心理學(xué)家D.O.Hebb提出了神經(jīng)元之間突觸聯(lián)系連接強(qiáng)度可變的假設(shè)，并據(jù)此提出神經(jīng)元的學(xué)習(xí)規(guī)則——Hebb規(guī)則，其對(duì)的性30年后才得到證實(shí)，至今仍在各種神經(jīng)網(wǎng)絡(luò)模型中起著重要的作用，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。1957年，計(jì)算機(jī)學(xué)家FrankRosenblatt提出了一種具有三層網(wǎng)絡(luò)特性的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，稱為“感知器”（Perceptron），從而掀起第一次研究神經(jīng)網(wǎng)絡(luò)的熱潮。它是由閾值性神經(jīng)元組成，試圖模擬動(dòng)物和人腦的感知學(xué)習(xí)能力，Rosenblatt認(rèn)為信息被包含在互相連接或聯(lián)合之中，而不是反映在拓?fù)浣Y(jié)構(gòu)的表達(dá)法中；此外，對(duì)于如何存儲(chǔ)影響認(rèn)知和行為的信息問題，他認(rèn)為，存儲(chǔ)的信息在神經(jīng)網(wǎng)絡(luò)系統(tǒng)內(nèi)開始形成新的連接或傳遞鏈路后，新的刺激將會(huì)通過這些新建立的鏈路自動(dòng)地激活適當(dāng)?shù)捻憫?yīng)部分，而不是規(guī)定任何辨認(rèn)或堅(jiān)定他們的過程。1960年B.Windrow和M.E.Hoff提出自適應(yīng)線性單元(Adaline)網(wǎng)絡(luò)，它是連續(xù)取值的線性網(wǎng)絡(luò)，重要用于自適應(yīng)信號(hào)解決和自適應(yīng)控制。這與當(dāng)時(shí)占主導(dǎo)地位的以順序離散符號(hào)推理為基本特性的AI途徑完全不同，因而引起人們的愛好，同時(shí)也引起符號(hào)主義與連接主義的爭論。低潮期人工智能的創(chuàng)始人之一M.Minsky和S.Papert通過數(shù)年研究，對(duì)以感知器為代表的網(wǎng)絡(luò)系統(tǒng)的功能及其局限性從數(shù)學(xué)上做了進(jìn)一步的研究，于1969年出版了很有影響的《Perceptron》一書，該書在肯定感知器的研究價(jià)值的同時(shí)，指出感知器的局限性，在數(shù)學(xué)上證明了感知器不能解決XOR等線性不可分問題，提出了感知器不也許實(shí)現(xiàn)復(fù)雜的邏輯函數(shù)，這對(duì)當(dāng)時(shí)的人工神經(jīng)網(wǎng)絡(luò)研究產(chǎn)生了極大的負(fù)面影響，從而使神經(jīng)網(wǎng)絡(luò)研究處在低潮時(shí)期。引起低潮的更重要的因素是：20世紀(jì)70年代以來集成電路和微電子技術(shù)的迅猛發(fā)展，使傳統(tǒng)的馮·諾伊曼型計(jì)算機(jī)進(jìn)入發(fā)展的全盛時(shí)期，因此暫時(shí)掩蓋了發(fā)展新型計(jì)算機(jī)和尋求新的神經(jīng)網(wǎng)絡(luò)的必要性和迫切性。但是在此時(shí)期，波士頓大學(xué)的S.Grossberg專家和赫爾辛基大學(xué)的Kohonen專家，仍致力于神經(jīng)網(wǎng)絡(luò)的研究，分別提出了自適應(yīng)共振理論（AdaptiveResonanceTheory）和自組織特性映射模型（SOM）。以上開創(chuàng)性的研究成果和工作雖然未能引起當(dāng)時(shí)人們的普遍重視，但其科學(xué)價(jià)值卻不可磨滅，它們?yōu)樯窠?jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展奠定了基礎(chǔ)。復(fù)興時(shí)期20世紀(jì)80年代以來，人工神經(jīng)網(wǎng)絡(luò)進(jìn)入一個(gè)高速發(fā)展的階段，Prigogine因提出非平衡系統(tǒng)的自組織理論(耗散結(jié)構(gòu)理論)而獲得諾貝爾獎(jiǎng)；近年來廣泛研究的渾沌動(dòng)力學(xué)和奇異吸引子理論，則揭示了系統(tǒng)的復(fù)雜行為。由于以邏輯推理為基礎(chǔ)的人工智能理論和馮·諾伊曼型計(jì)算機(jī)在解決諸如視覺、聽覺、聯(lián)想記憶等智能信息解決問題上受到挫折，促使人們懷疑當(dāng)前的馮·諾伊曼型計(jì)算機(jī)是否能解決智能問題，同時(shí)也促使人們探索更接近人腦的計(jì)算模型，于是又形成了對(duì)神經(jīng)網(wǎng)絡(luò)研究的熱潮。1982年，美國加州理工學(xué)院的物理學(xué)家JohnJ.Hopfield博士發(fā)表了一篇對(duì)神經(jīng)網(wǎng)絡(luò)研究的復(fù)蘇起了重要作用的文章，他總結(jié)與吸取前人對(duì)神經(jīng)網(wǎng)絡(luò)研究的成果與經(jīng)驗(yàn)，把網(wǎng)絡(luò)的各種結(jié)構(gòu)和各種算法概括起來，塑造出一種新奇的強(qiáng)有力的網(wǎng)絡(luò)模型，稱為Hopfield網(wǎng)絡(luò)，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究。Hopfield通過引入“計(jì)算能量函數(shù)”的概念，給出網(wǎng)絡(luò)穩(wěn)定性判據(jù)。從而有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究與發(fā)展。1984年Hopfield提出網(wǎng)絡(luò)模型實(shí)現(xiàn)的電子電路，為神經(jīng)網(wǎng)絡(luò)的工程實(shí)現(xiàn)指明了方向。1985年Hinton和Sejnowski將模擬退火算法引入到神經(jīng)網(wǎng)絡(luò)中，提出Boltzmann機(jī)模型，為神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算提供了一個(gè)有效方法。D.E.Rumelhart和J.L.McClelland等人提出的PDP(并行分布解決理論)，致力于認(rèn)知微觀結(jié)構(gòu)的探索；1986年，Rumelhart及LeCun等學(xué)者提出了多層感知器的反向傳播學(xué)習(xí)算法(BP算法)，把學(xué)習(xí)結(jié)果反饋到中間層次的隱單元，改變它們的聯(lián)系矩陣，從而達(dá)成預(yù)期的學(xué)習(xí)目的，克服了當(dāng)初阻礙感知器模型繼續(xù)發(fā)展的重要障礙，迄今為止仍是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。這一時(shí)期，大量而進(jìn)一步的開拓性工作大大發(fā)展了神經(jīng)網(wǎng)絡(luò)的模型和學(xué)習(xí)算法，增強(qiáng)了對(duì)神經(jīng)網(wǎng)絡(luò)特性的進(jìn)一步結(jié)識(shí)，使人們對(duì)模仿腦信息解決的智能計(jì)算機(jī)的研究重新充滿了希望。新時(shí)期1987年6月，首屆國際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會(huì)議在美國加州圣地亞哥召開，這標(biāo)志著世界范圍內(nèi)掀起了神經(jīng)網(wǎng)絡(luò)開發(fā)研究的熱潮。在這次會(huì)上成立了國際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)（INNS），并于1988年在美國波士頓召開了年會(huì)，會(huì)議討論的議題涉及到生物、電子、計(jì)算機(jī)、物理、控制、信號(hào)解決及人工智能等各個(gè)領(lǐng)域。自1988年起，國際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)和國際電氣工程師與電子工程師學(xué)會(huì)（IEEE）聯(lián)合召開了每年一次的國際學(xué)術(shù)會(huì)議。這次會(huì)議后不久，美國波士頓大學(xué)的StephenGrossberg專家、芬蘭赫爾辛基技術(shù)大學(xué)的TeuvoKohonen專家及日本東京大學(xué)的甘利俊一專家，主持創(chuàng)辦了世界第一份神經(jīng)網(wǎng)絡(luò)雜志《NeuralNetwork》。隨后，IEEE也成立了神經(jīng)網(wǎng)絡(luò)協(xié)會(huì)并于1990年3月開始出版神經(jīng)網(wǎng)絡(luò)會(huì)刊，各種學(xué)術(shù)期刊的神經(jīng)網(wǎng)絡(luò)特刊也層出不窮。從1987年以來，神經(jīng)網(wǎng)絡(luò)的理論、應(yīng)用、實(shí)現(xiàn)及開發(fā)工具均以令人振奮的速度快速發(fā)展。神經(jīng)網(wǎng)絡(luò)理論已成為涉及神經(jīng)生理科學(xué)、認(rèn)知科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計(jì)算機(jī)科學(xué)、微電子學(xué)、光學(xué)、生物電子學(xué)等多學(xué)科交叉、綜合的前沿學(xué)科。神經(jīng)網(wǎng)絡(luò)的應(yīng)用已滲透到模式辨認(rèn)、圖像解決、非線性優(yōu)化、語音解決、自然語言理解、自動(dòng)目的記別、機(jī)器人專家系統(tǒng)等各個(gè)領(lǐng)域，并取得了令人矚目的成果。進(jìn)入20世紀(jì)90年代以來，神經(jīng)網(wǎng)絡(luò)的研究已進(jìn)入相對(duì)平穩(wěn)的發(fā)展時(shí)期，許多理論得到了進(jìn)一步的證實(shí)、補(bǔ)充與發(fā)展。同時(shí)神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究得以廣泛開展，應(yīng)用的領(lǐng)域也不斷擴(kuò)大。神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到各個(gè)領(lǐng)域，并在智能控制、模式辨認(rèn)、計(jì)算機(jī)視覺、自適應(yīng)濾波和信號(hào)解決、非線性優(yōu)化、自動(dòng)目的記別、連續(xù)語音辨認(rèn)、聲納信號(hào)的解決、知識(shí)解決、傳感技術(shù)與機(jī)器人、生物醫(yī)學(xué)工程等方面，都取得很大的進(jìn)展。人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似，重要從兩個(gè)方面進(jìn)行模擬：一個(gè)是結(jié)構(gòu)和實(shí)現(xiàn)機(jī)理方面，它涉及到生物學(xué)、生理學(xué)、心理學(xué)、物理及化學(xué)等許多基礎(chǔ)學(xué)科。由于生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和機(jī)理非常復(fù)雜，現(xiàn)在從這方面模擬還僅在嘗試；另一個(gè)是功能方面，即盡量使人工神經(jīng)網(wǎng)絡(luò)具有生物神經(jīng)網(wǎng)絡(luò)的某些功能特性，如學(xué)習(xí)、辨認(rèn)、控制等。目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)均是對(duì)功能方面的模擬。神經(jīng)網(wǎng)絡(luò)有以下一些特點(diǎn)：具有自適應(yīng)功能重要是根據(jù)所提供的數(shù)據(jù)，通過學(xué)習(xí)和訓(xùn)練，找出和輸出之間的內(nèi)在聯(lián)系，從而求得問題的解答，而不是依靠對(duì)問題的經(jīng)驗(yàn)知識(shí)和規(guī)則，因而具有良好的自適應(yīng)性。具有泛化功能可以解決那些不經(jīng)訓(xùn)練過的數(shù)據(jù)，而獲得相應(yīng)于這些數(shù)據(jù)的合適的解答；也能解決那些有噪聲或不完全的數(shù)據(jù)，從而顯示了很好的容錯(cuò)能力。非線性映射功能現(xiàn)實(shí)的問題非常復(fù)雜，各因素間互相影響，呈現(xiàn)出復(fù)雜的非線性關(guān)系，神經(jīng)元網(wǎng)絡(luò)為解決這些問題提供了有用的工具。高度并行解決信息此特點(diǎn)使用硬件實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)的解決速度遠(yuǎn)遠(yuǎn)高于普通計(jì)算機(jī)。高度的并行性人工神經(jīng)網(wǎng)絡(luò)是由許多相同的簡樸解決單元并聯(lián)組合而成，大量簡樸解決單元的并行活動(dòng)，使其解決信息的能力大大提高。高度的非線性全局作用人工神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元接受大量其他神經(jīng)元的輸入，并通過并行網(wǎng)絡(luò)產(chǎn)生輸出，影響其他神經(jīng)元。網(wǎng)絡(luò)之間的這種互相制約和影響，實(shí)現(xiàn)了從輸入狀態(tài)到輸出狀態(tài)空間的非線性映射。從全局的觀點(diǎn)來看，網(wǎng)絡(luò)整體性能不是網(wǎng)絡(luò)局部性能的簡樸疊加，而是表現(xiàn)出某種集體性行為。良好的容錯(cuò)性和聯(lián)想記憶功能人工神經(jīng)網(wǎng)絡(luò)通過自身的網(wǎng)絡(luò)結(jié)構(gòu)可以實(shí)現(xiàn)對(duì)信息的記憶，所記憶的信息以分布式存儲(chǔ)在神經(jīng)元之間的權(quán)值中，使得網(wǎng)絡(luò)具有良好的容錯(cuò)性，并能進(jìn)行聚類分析、特性提取、模式復(fù)原等模式信息解決工作，又宜于做模式分類、模式聯(lián)想等模式辨認(rèn)工作。人工神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練和學(xué)習(xí)來獲得網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)，呈現(xiàn)出很強(qiáng)的自學(xué)能力和對(duì)環(huán)境的自適應(yīng)能力，便于現(xiàn)有計(jì)算機(jī)技術(shù)虛擬實(shí)現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用神經(jīng)網(wǎng)絡(luò)控制的研究始于20世紀(jì)60年代。1960年，Widrow和Hoff一方面將神經(jīng)網(wǎng)絡(luò)運(yùn)用于控制系統(tǒng)。Kilmer和McCulloch提出了KMB神經(jīng)網(wǎng)絡(luò)模型，并在“阿波羅”登月計(jì)劃中的應(yīng)用取得良好的效果。1964年，widrow等用神經(jīng)網(wǎng)絡(luò)對(duì)小車倒立擺系統(tǒng)控制取得成功。神經(jīng)網(wǎng)絡(luò)控制可以分為監(jiān)視控制、逆控制、神經(jīng)適應(yīng)控制、實(shí)用反向傳播控制和適應(yīng)評(píng)價(jià)控制等。在智能控制系統(tǒng)中，最重要的是和知識(shí)基有關(guān)的推理機(jī)型，以及隨環(huán)境變化的適應(yīng)能力。一般而言，推理是以符號(hào)為元素執(zhí)行的，而客觀世界中的信號(hào)是數(shù)值，為了理解過程的狀態(tài)，需要實(shí)行數(shù)值數(shù)據(jù)到符號(hào)數(shù)據(jù)的映射，這就要把數(shù)值數(shù)據(jù)進(jìn)行分類。此外，對(duì)過程的控制需要自適應(yīng)控制器。神經(jīng)網(wǎng)絡(luò)的分類功能和學(xué)習(xí)能力可以使其有效地用于智能控制系統(tǒng)，神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)是“物盡其用”的必然結(jié)果。IEEE神經(jīng)網(wǎng)絡(luò)協(xié)會(huì)出版刊物主席ToshioFukuda專家和《神經(jīng)計(jì)算應(yīng)用手冊(cè)》的作者P.J.Werbos把神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)分為5大類：一是監(jiān)視控制；二是逆控制；三是神經(jīng)適應(yīng)控制；四是實(shí)用反問傳播控制；五是適應(yīng)評(píng)價(jià)控制。根據(jù)劃分情況，神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)有5類不同的結(jié)構(gòu)，并且神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的位置和功能有所不同，學(xué)習(xí)方法也不盡相同。人工神經(jīng)網(wǎng)絡(luò)的智能化特性與能力使其應(yīng)用領(lǐng)域日益擴(kuò)大，潛力日趨明顯。目前，神經(jīng)網(wǎng)絡(luò)的重要應(yīng)用于以下幾個(gè)領(lǐng)域。信息領(lǐng)域神經(jīng)網(wǎng)絡(luò)作為一種新型智能信息解決系統(tǒng)，其應(yīng)用貫穿信息的獲取、傳輸、接受與加工運(yùn)用等各個(gè)環(huán)節(jié)。1）信號(hào)解決：神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于自適應(yīng)信號(hào)解決和非線性信號(hào)解決。前者如信號(hào)的自適應(yīng)濾波、時(shí)間序列預(yù)測(cè)、譜估計(jì)、噪聲消除等；后者如非線性濾波、非線性預(yù)測(cè)、非線性編碼、調(diào)制解調(diào)等。2）模式辨認(rèn)：模式辨認(rèn)涉及模式的預(yù)解決變換和將一種模式映射為其他類型的操作。神經(jīng)網(wǎng)絡(luò)不僅可以解決靜態(tài)模式如固定圖像、固定能譜等，還可以解決動(dòng)態(tài)模式如視頻圖像、連續(xù)語音等。3）數(shù)據(jù)壓縮：在數(shù)據(jù)傳送存儲(chǔ)時(shí)，數(shù)據(jù)壓縮至關(guān)重要。神經(jīng)網(wǎng)絡(luò)可對(duì)待傳送的數(shù)據(jù)提取模式特性，只將該特性傳出，接受后再將其恢復(fù)成原始模式。自動(dòng)化領(lǐng)域神經(jīng)網(wǎng)絡(luò)和控制理論與控制技術(shù)相結(jié)合，發(fā)展為神經(jīng)網(wǎng)絡(luò)控制。為解決復(fù)雜的非線性不擬定、不確知系統(tǒng)的控制問題開辟了一條新的途徑。1）系統(tǒng)辨識(shí)：在自動(dòng)控制問題中，系統(tǒng)辨識(shí)的目的是為了建立被控對(duì)象的數(shù)學(xué)模型。數(shù)年來控制領(lǐng)域?qū)τ趶?fù)雜的非線性對(duì)象的辨識(shí)，一直未能很好的解決。神經(jīng)網(wǎng)絡(luò)所具有的非線性特性和學(xué)習(xí)能力，使其在系統(tǒng)辨識(shí)方面有很大的潛力，為解決具有復(fù)雜的非線性、不擬定性和不確知對(duì)象的辨識(shí)問題開辟了一條有效途徑。2）神經(jīng)控制器：控制器在實(shí)時(shí)控制系統(tǒng)中起著“大腦”的作用，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)等智能特點(diǎn)，因而非常適合于做控制器。對(duì)于復(fù)雜非線性系統(tǒng)神經(jīng)控制器所達(dá)成的控制效果往往明顯好于常規(guī)控制器。3）智能檢測(cè)所謂智能檢測(cè)一般涉及干擾量的解決，傳感器輸入特性的非線性補(bǔ)償，零點(diǎn)和量程的自動(dòng)校正以及自動(dòng)診斷等。這些智能檢測(cè)功能可以通過傳感元件和信號(hào)解決元件的功能集成來實(shí)現(xiàn)。在綜合指標(biāo)的檢測(cè)（例如對(duì)環(huán)境舒適度這類綜合指標(biāo)的檢測(cè)）中，以神經(jīng)網(wǎng)絡(luò)作為智能檢測(cè)中的信息解決元件便于對(duì)多個(gè)傳感器的相關(guān)信息（如溫度、濕度、風(fēng)向和風(fēng)速等）進(jìn)行復(fù)合、集成、融合、聯(lián)想等數(shù)據(jù)融合解決，從而實(shí)現(xiàn)單一傳感器所不具有的功能。工程領(lǐng)域1）汽車工程：汽車在不同狀態(tài)參數(shù)下運(yùn)營時(shí)，能獲得最佳動(dòng)力性與經(jīng)濟(jì)性的檔位稱為最佳檔位。運(yùn)用神經(jīng)網(wǎng)絡(luò)的非線性映射能力，通過學(xué)習(xí)優(yōu)秀駕駛員的換檔經(jīng)驗(yàn)數(shù)據(jù)，可自動(dòng)提取蘊(yùn)含在其中的最佳換檔規(guī)律。此外，神經(jīng)網(wǎng)絡(luò)在汽車剎車自動(dòng)控制系統(tǒng)中也有成功的應(yīng)用，該系統(tǒng)能在給定剎車距離、車速和最大減速度的情況下一人體感受到最小沖擊實(shí)現(xiàn)平穩(wěn)剎車而不受路面坡度和車重的影響。神經(jīng)網(wǎng)絡(luò)在載重車柴油機(jī)燃燒系統(tǒng)方案優(yōu)化中也得到了應(yīng)用，有效的減少了油耗和排煙度，獲得了良好的社會(huì)經(jīng)濟(jì)效益。2）軍事工程：神經(jīng)網(wǎng)絡(luò)同紅外搜索與跟蹤系統(tǒng)配合后，可發(fā)現(xiàn)和跟蹤飛行器。例如借助于神經(jīng)網(wǎng)絡(luò)可以檢測(cè)空間衛(wèi)星的動(dòng)作狀態(tài)是穩(wěn)定、傾斜、旋轉(zhuǎn)還是搖擺，一般對(duì)的率可達(dá)95%。3）化學(xué)工程：神經(jīng)網(wǎng)絡(luò)在制藥、生物化學(xué)、化學(xué)工程等領(lǐng)域的研究與應(yīng)用蓬勃開展，取得了不少成果。例如在譜分析方面，應(yīng)用神經(jīng)網(wǎng)絡(luò)在紅外譜、紫外譜、折射光譜和質(zhì)譜與化合物的化學(xué)結(jié)構(gòu)間建立某種擬定的相應(yīng)關(guān)系方面的成功應(yīng)用?；谏窠?jīng)網(wǎng)絡(luò)的幾種控制系統(tǒng)有關(guān)神經(jīng)網(wǎng)絡(luò)控制方法與結(jié)構(gòu)的文獻(xiàn)很多，分類方法也很多，但典型的控制結(jié)構(gòu)應(yīng)涉及：神經(jīng)網(wǎng)絡(luò)監(jiān)督控制(或稱神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制)；神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制(自校正、模型參考控制，含直接與間接自適應(yīng)控制)；神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂?；神經(jīng)網(wǎng)絡(luò)自適應(yīng)評(píng)判控制(或稱神經(jīng)網(wǎng)絡(luò)再勵(lì)控制)等。神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)方案的研究，構(gòu)成了神經(jīng)網(wǎng)絡(luò)控制方法的設(shè)計(jì)基礎(chǔ)。具有代表性的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)有：全局逼近、局部逼近和模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)?；谌直平窠?jīng)網(wǎng)絡(luò)的控制全局逼近網(wǎng)絡(luò)是在整個(gè)權(quán)空間上對(duì)誤差超曲面的逼近，故對(duì)輸入空間中的任意一點(diǎn)，任意一個(gè)或多個(gè)連接權(quán)的變化都會(huì)影響到整個(gè)網(wǎng)絡(luò)的輸出，其泛化能力遍及全空間，如BP網(wǎng)絡(luò)等。由于在全局逼近網(wǎng)絡(luò)中，每一個(gè)訓(xùn)練樣本都會(huì)使所有連接權(quán)發(fā)生變化，這就使響應(yīng)的收斂速度極其緩慢。當(dāng)網(wǎng)絡(luò)規(guī)模較大時(shí)，這一特點(diǎn)使其事實(shí)上難以在線應(yīng)用?；谌直平缴窠?jīng)網(wǎng)絡(luò)異步自學(xué)習(xí)控制系統(tǒng)如下圖所示。由于神經(jīng)網(wǎng)絡(luò)控制器事實(shí)上是一個(gè)非線性控制器，因此一般難以對(duì)其進(jìn)行穩(wěn)定性分析。全局逼近網(wǎng)絡(luò)在控制系統(tǒng)中的作用，重要體現(xiàn)在兩個(gè)方面：提供一個(gè)類似于傳統(tǒng)控制器的神經(jīng)網(wǎng)絡(luò)控制器；為神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行在線學(xué)習(xí)，提供性能指標(biāo)關(guān)于控制誤差梯度的反向傳播通道，如建立被控對(duì)象的正向網(wǎng)絡(luò)模型等。此外，結(jié)合穩(wěn)定性分析，對(duì)神經(jīng)網(wǎng)絡(luò)的控制結(jié)構(gòu)方案進(jìn)行特別設(shè)計(jì)，還可認(rèn)為分析復(fù)雜問題提供一個(gè)有效的解決途徑?；诰植勘平窠?jīng)網(wǎng)絡(luò)的控制局部逼近網(wǎng)絡(luò)只是對(duì)輸入空間一個(gè)局部鄰域中的點(diǎn)，才有少數(shù)相關(guān)連接權(quán)發(fā)生變化，如CMAC、RBF和FLN網(wǎng)絡(luò)等。由于在每次訓(xùn)練中只是修正少量連接權(quán)，并且可修正的連接權(quán)是線性的，因此其學(xué)習(xí)速度極快，并且可保證全空間上誤差全平面的全局收斂特性可以實(shí)時(shí)應(yīng)用。其局限性之處是采用間斷超平面對(duì)非線性超曲面的逼近，也許精度不夠，同時(shí)也得不到相應(yīng)的導(dǎo)數(shù)估計(jì)；采用高階B樣條的BMAC控制，則部分填補(bǔ)了CMAC的局限性，但計(jì)算量略有增長；基于高斯徑向函數(shù)(RBF)的直接自適應(yīng)控制，是有關(guān)非線性動(dòng)態(tài)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制方法中，較為系統(tǒng)且逼近精度最高的一種方法，但它需要的固定或可調(diào)連接權(quán)太多，且RBF的計(jì)算也太多，運(yùn)用目前的串行計(jì)算機(jī)仿真實(shí)現(xiàn)時(shí)，計(jì)算量與內(nèi)存過大，很難實(shí)時(shí)實(shí)現(xiàn)。模糊神經(jīng)網(wǎng)絡(luò)控制模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的基本思緒是：運(yùn)用模糊box分割問題空間，使每個(gè)模糊box不僅具有CEN給出的評(píng)分，具有作為控制作用的輸出語言變量，并且整個(gè)模糊box還隱含定義了模糊規(guī)則庫。模糊神經(jīng)網(wǎng)絡(luò)重要有三種結(jié)構(gòu)：輸入信號(hào)為普通變量，連接權(quán)為模糊變量；輸入信號(hào)為模糊變量，連接權(quán)為普通變量；輸入信號(hào)與連接權(quán)均為模糊變量。它們還可根據(jù)網(wǎng)型及學(xué)習(xí)算法中的點(diǎn)積運(yùn)算是使用模糊邏輯運(yùn)算，還是使用模糊算術(shù)運(yùn)算，提成常規(guī)和混合型模糊神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀和發(fā)展方向

早在20世紀(jì)初，人們從模仿人腦智能的角度出發(fā)，研究出了人工神經(jīng)網(wǎng)絡(luò)，又稱連接主義模式。其借鑒了人腦的結(jié)構(gòu)和特點(diǎn)，并通過大量簡樸解決單元，互連組成了大規(guī)模并行分布式、信息解決和非線性動(dòng)力學(xué)系統(tǒng)。該系統(tǒng)具有巨量并行性、結(jié)構(gòu)可靠性、高度非線性、自學(xué)習(xí)性和自組織性等特點(diǎn)，它可以解決常規(guī)信息解決方法難以解決或無法解決的問題。人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生給人類社會(huì)帶來了巨大的進(jìn)步，但是隨著社會(huì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的整體能力與其限制性已被逐漸體現(xiàn)出來。目前，對(duì)神經(jīng)網(wǎng)絡(luò)研究的趨勢(shì)重要從以下三點(diǎn)進(jìn)行分析：增強(qiáng)對(duì)智能和機(jī)器關(guān)系問題的結(jié)識(shí)研究人類智能一直是科學(xué)發(fā)展中最故意義，也是空前困難的挑戰(zhàn)性問題。20世紀(jì)80年代中期出現(xiàn)了“連接主義”的革命或并行分布解決（POP），又被稱為神經(jīng)網(wǎng)絡(luò)，它具有自學(xué)習(xí)、自適應(yīng)和自組織的特點(diǎn)，而這些正是神經(jīng)網(wǎng)絡(luò)研究需要進(jìn)一步增強(qiáng)的重要功能。構(gòu)建多層感知器與自組織特行圖級(jí)聯(lián)想的復(fù)合網(wǎng)絡(luò)是增強(qiáng)網(wǎng)絡(luò)解決實(shí)際問題能力的一個(gè)有效途徑。探索更有效的學(xué)習(xí)新算法在當(dāng)前人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中，都有一個(gè)無法避免的缺陷，就是在學(xué)習(xí)新的模式樣本時(shí)，會(huì)導(dǎo)致已有的知識(shí)破壞。于是在給定的學(xué)習(xí)誤差條件下，人工神經(jīng)網(wǎng)絡(luò)必須對(duì)這些樣本周而復(fù)始的反復(fù)學(xué)習(xí)，這樣不僅導(dǎo)致反復(fù)迭代次數(shù)多，學(xué)習(xí)時(shí)間長，并且易陷入局部極小值。因而有必要進(jìn)一步去構(gòu)思更有效的學(xué)習(xí)新算法，以便能類似于生物神經(jīng)網(wǎng)絡(luò)那樣實(shí)現(xiàn)知識(shí)的積累和繼承。Amari運(yùn)用微分流形理論創(chuàng)建的信息幾何，初次將非歐式空間的研究帶入人工神經(jīng)網(wǎng)絡(luò)模型的研究，Amari在信息幾何中的開拓性工作，是在非線性空間研究的一個(gè)極其重要的工作，研究了神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)在整個(gè)信息解決模型空間中的各種表達(dá)，所具有的變化能力和限制，為解釋人腦神經(jīng)功能提供了一定的理論基礎(chǔ)，使得從整體結(jié)構(gòu)上對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行分析成為也許，為進(jìn)一步構(gòu)思更有效的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法提供了強(qiáng)有力的分析工具。解決多功能多方法的轉(zhuǎn)換問題這種轉(zhuǎn)換問題就是多網(wǎng)絡(luò)的協(xié)同工作問題，單獨(dú)的人工神經(jīng)網(wǎng)絡(luò)不能完畢像人腦那樣的高級(jí)智能活動(dòng)，將這些不同的智能信息解決方法綜合在一起，構(gòu)成整體神經(jīng)網(wǎng)絡(luò)智能系統(tǒng)，必然需要在多網(wǎng)絡(luò)之間進(jìn)行工作協(xié)調(diào)。Hinton和他的研究小組，提出通過神經(jīng)網(wǎng)絡(luò)抽取模式結(jié)構(gòu)為目的，形成外界環(huán)境在神經(jīng)網(wǎng)絡(luò)中的內(nèi)在表達(dá)機(jī)理，并把其作為發(fā)展人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，探索通過結(jié)構(gòu)組合來達(dá)成完畢具有更高水平的混合模擬人工神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)和非監(jiān)督學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)。另一方面，人們正在考慮基于生命模型信息解決技術(shù)的目的和意義，涉及進(jìn)化計(jì)算，人工生命等。研究者已經(jīng)開始從分子水平上來揭示人類思維之謎，用一些生物學(xué)上的發(fā)現(xiàn)來研究生物計(jì)算機(jī)?？傊?，目前人工神經(jīng)網(wǎng)絡(luò)依賴的是一種典型的非線性、非歐式空間模型。如何把基于知識(shí)表、非結(jié)構(gòu)化推理、連接主義的非線性函數(shù)逼近和基于生命模型系統(tǒng)聯(lián)系起來是科學(xué)界面臨的一個(gè)挑戰(zhàn)。人工神經(jīng)網(wǎng)絡(luò)控制的研究，無論從理論上還是從應(yīng)用上目前都取得了很大進(jìn)展，但是，離模擬真實(shí)的生物神經(jīng)系統(tǒng)還相距甚遠(yuǎn)，所使用的形式神經(jīng)網(wǎng)絡(luò)模型無論從結(jié)構(gòu)還是網(wǎng)絡(luò)規(guī)模上，都是真實(shí)神經(jīng)網(wǎng)絡(luò)的極簡樸模擬，因此神經(jīng)網(wǎng)絡(luò)控制的