浅谈智能控制理论.docx
《浅谈智能控制理论.docx》由会员分享，可在线阅读，更多相关《浅谈智能控制理论.docx（7页珍藏版）》请在冰豆网上搜索。
浅谈智能控制理论
浅谈智能控制理论
———南昌大学智能控制理论
学生姓名：
邹伟学号：
5801414067专业班级:
过程装备与控制工程
一、智能控制的发展及意义
1。
智能控制的提出
传统控制方法包括经典控制和现代控制,是基于被控对象精确模型的控制方式，缺乏灵活性和应变能力，适于解决线性、时不变性等相对简单的控制问题，难以解决对复杂系统的控制。
在传统控制的实际应用遇到很多难解决的问题，主要表现以下几点：
（1）实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，无法获得精确的数学模型。
（2）某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述,即无法解决建模问题。
（3）针对实际系统往往需要进行一些比较苛刻的线性化假设，而这些假设往往与实际系统不符合。
（4）实际控制任务复杂,而传统的控制任务要求低,对复杂的控制任务，如机器人控制、CIMS、社会经济管理系统等复杂任务无能为力。
在生产实践中，复杂控制问题可通过熟练操作人员的经验和控制理论相结合去解决，由此,产生了智能控制.智能控制将控制理论的方法和人工智能技术灵活地结合起来，其控制方法适应对象的复杂性和不确定性.
2。
智能控制的概念
智能控制是一门交叉学科,著名美籍华人傅京逊教授1971年首先提出智能控制是人工智能与自动控制的交叉，既二元论。
美国学者G。
N.Saridis1997年在此基础上引入运筹学，提出了三元论的智能控制概念。
1985年8月，IEEE在美国纽约召开了第一届智能控制学术讨论会，随后成立了IEEE智能控制专业委员会;1987年一月，在美国举行第一次国际智能控制大会，标志着智能控制领域的形成.
智能控制的三个主要分支为专家控制、神经网络控制和模糊控制。
二、模糊控制
（一）模糊控制的基本原理
模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是 模糊数学在控制系统中的应用，是一种非线性智能控制。
模糊控制是利用人的知识对控制对象进行控制的一种方法，通常用“if条 件,then结果”的形式来表现，所以又通俗地称为语言控制。
一般用于无法以 严密的数学表示的控制对象模型，即可利用人（熟练专家）的经验和知识来很好 地控制。
因此，利用人的智力,模糊地进行系统控制的方法就是模糊控制。
它的核心部分为模糊控制器。
模糊控制器的控制规律由计算机的程序实现，实现一步模糊控制算法的过程是:
微机采样获取被控制量的精确值，然后将此量与给定值比较得到误差信号E；一般选误差信号E作为模糊控制器的一个输入量，把E的精确量进行模糊量化变成模糊量,误差E的模糊量可用相应的模糊语言表示；从而得到误差E的模糊语言集合的一个子集e（e实际上是一个模糊向量）; 再由e和模糊控制规则R（模糊关系）根据推理的合成规则进行模糊决策，u为一个模糊量;为了对被控对象施加精确的控制,还需要将模糊量u进行非模糊化处理转换为精确量：
得到精确数字量后，经数模转换变为精确的模 拟量送给执行机构，对被控对象进行一步控制；然后，进行第二次采样，完成第 二步控制„„。
这样循环下去，就实现了被控对象的模糊控制。
（二）模糊控制系统的组成
（1）模糊控制器；它是模糊控制系统的核心，它是以模糊逻辑推理为主要组成部分，同时又具有模糊化和去模糊化功能的控制器，根据控制系统的需要,即可选用系统机，又可选用单板机或单片机：
（2）输入／输出接口装置；通过输入／输出接口从被控对象获取数字信号,送至模糊控制器,并将模糊控制器决策出的输出数字信号经过数模转换，将其转变为模拟信号，送给执行机构去控制被控对象：
（3）广义对象；包括被控对象与执行机构，被控对象可以是线性的，也可以是非线性的、定常或时变的等多种情况，
（4）传感器；传感器将被控对象或将各种被控量转换为电信号，它在模糊控制系统中占有非常熏要的位置，因此它的精度影响着整个控制系统的精度.
（三）模糊控制技术的应用
由于模糊控制是基于自然语言描述规则的新机制，很容易被人们广泛接受，加上模糊化技术在微处理器和计算机中能很方便地实现，所以这种结合展现出强大的生命力和良好的效果。
近年来，人们已经将模糊技术应用于工业、医学、地震预报、工程设计、信息处理以及经济管理等，其中应用最多也是最成功的，是工业过程控制和模糊家电产品领域.
三、专家控制
瑞典学者K.J。
Astrom在1983年首先把人工智能中的专家系统引入智能控制领域，于1986年提出“专家控制”的概念，构成一种智能控制方法。
专家控制（ExpertControl）是智能控制的一个重要分支，又称专家智能控制.所谓专家控制，是将专家系统的理论和技术同控制理论、方法与技术相结合,在未知环境下，仿效专家的经验，实现对系统的控制。
专家控制试图在传统控制的基础上“加入”一个富有经验的控制工程师，实现控制的功能，它由知识库和推理机构构成主体框架,通过对控制领域知识（先验经验、动态信息、目标等）的获取与组织，按某种策略及时地选用恰当的规则进行推理输出，实现对实际对象的控制.
专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家才能处理好的复杂问题。
简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
（一）、原理
专家系统的基本工作流程是,用户通过人机界面回答系统的提问,推理机将用户输入的信息与知识库中各个规则的条件进行匹配,并把被匹配规则的结论存放到综合数据库中。
最后，专家系统将得出最终结论呈现给用户。
（二）、功能
（1）能够满足任意动态过程的控制需要,尤其适用于带有时变、非线性和强干扰的控制;
（2）控制过程可以利用对象的先验知识;
（3）通过修改、增加控制规则，可不断积累知识，改进控制性能；
（4）可以定性地描述控制系统的性能，如“超调小”、“偏差增大”等；
（5）对控制性能可进行解释；
（6）可通过对控制闭环中的单元进行故障检测来获取经验规则。
（三）专家控制的关键技术及特点
a.专家控制的关键技术
（1）知识的表达方法；
（2）从传感器中识别和获取定量的控制信号;
（3）将定性知识转化为定量的控制信号;
（4）控制知识和控制规则的获取。
b．专家控制的特点
（1）灵活性：
根据系统的工作状态及误差情况，可灵活地选取相应的控制律;
（2）适应性：
能根据专家知识和经验，调整控制器的参数，适应对象特性及环境的变化；
（3）鲁棒性：
通过利用专家规则，系统可以在非线性、大偏差下可靠地工作.
（四）专家控制的优缺点
1、专家系统的优点
（1）专家系统能够高效率、准确、及时和不知疲倦地工作。
（2）专家系统解决实际问题时不受周围环境的影响，也不可能遗漏忘记。
（3）专家系统使人类专家的经验不受时空的限制，以便推广和交流.
（4）专家系统的研制和应用具有巨大的社会效益和经济效益。
（5）研制专家系统能促进各个领域科学技术的发展.
2、专家系统的缺陷
（1）知识获取的“瓶颈”问题 ,不仅要求知识工程师应具备一定的领域知识，而且还得具备较高的计算机水平知识。
（2）知识的“窄台阶”问题 ，一个专家系统一般只能应用在某个相当窄的知识领域内，去求解预定的专门问题、一旦超出预定范围，专家系统就无法求解。
（3）不具备并行分布功能 ，集中式专家系统只能在单个处理机上运行，不具备把一个专家系统的功能分解后，分布到多个处理机上去并行工作的能力。
（4）不具备多专家协同能力 ,单专家式专家系统只能模拟单一领域的单个专家的功能，不能实现相近领域或同一领域不同方面的多个分专家系统的协作问题求解。
（5）系统适应能力较差 ,一般不具备自我学习能力和在系统运行过程中的自我完善、发展和创新能力.
（6）处理不确定问题的能力较差 ，专家系统尽管可采用可信度、主观Bayes方法等处理不精确问题，但在归纳推理、模糊推理、非完备推理等方面的能力较差。
（7）与主流信息技术脱节， 专家系统基本上是一种信息孤岛，与主流信息技术,如Web技术、数据库技术等脱节。
（五）专家控制的应用
专家系统是指相当于（领域）专家处理知识和解决问题能力的计算机智能软件系统。
它是由知识库和推理机构构成主体框架，将专家系统的理论技术与控制理论技术相结合，通过仿效专家的经验,按某种策略及时地选用恰当的规则进行推理输出，来实现对系统控制的一种智能控制.
专家系统是一个具有大量专门知识与经验的程序系统，它应用人工智能技术,根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程,以解决那些需要专家决定的复杂问题。
专家系统在控制效果上体现出了高可靠性及长期运行的连续性,在线控制的实时性，优良的控制性能及抗干扰性，使用的灵活性及维护的方便性等显著的特点。
它适合解决如故障诊断、报警处理、系统恢复、负荷预测、检修计划安排、无功电压控制、规划设计等问题。
目前，专家系统已经广泛用于医疗、化学、设计、地质勘探等领域.
四、神经网络控制
神经网络从从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，NeuralNetwork）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。
20世纪80年代以来，人工神经网络（ANN，ArtificialNeuralNetwork）研究所取得的突破性进展。
神经网络控制是将神经网络与控制理论相结合而发展起来的智能控制方法。
它已成为智能控制的一个新的分支,为解决复杂的非线性、不确定、未知系统的控制问题开辟了新途径。
（一）、神经网络原理
神经生理学和神经解剖学的研究表明，人脑极其复杂，由一千多亿个神经元交织在一起的网状结构构成，其中大脑皮层约140亿个神经元,小脑皮层约1000亿个神经元。
人脑能完成智能、思维等高级活动，为了能利用数学模型来模拟人脑的活动,导致了神经网络的研究.神经系统的基本构造是神经元（神经细胞），它是处理人体内各部分之间相互信息传递的基本单元。
每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支—树突组成。
轴突功能是将本神经元的输出信号（兴奋）传递给别的神经元，其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。
树突的功能是接受来自其它神经元的兴奋。
神经元细胞体将接收到的所有信号进行简单地处理后，由轴突输出。
神经元的轴突与另外神经元神经末梢相连的部分称为突触。
一个神经元通过其轴突的神经末梢，经突触与另外一个神经元的树突连接,以实现信息的传递。
由于突触的信息传递特性是可变的,随着神经冲动传递方式的变化，传递作用强弱不同，形成了神经元之间连接的柔性，称为结构的可塑性。
通过树突和轴突，神经元之间实现了信息的传递.
（二）、神经网络的分类
目前神经网络模型的种类相当丰富，已有近40余种神经网络模型.典型的神经网络有多层前向传播网络（BOP网络）、Hopfield网络、CMAC小脑模型、ART网络、BAM双向联想记忆网络、SOM自组织网络、Blotzman机网络和Madaline网络等.
a、BP神经网络
1986年，Rumelhart等提出了误差反向传播神经网络,简称BP网络（BackPropagation），该网络是一种单向传播的多层前向网络。
误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。
它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。
1、BP网络特点
（1）是一种多层网络,包括输入层、隐含层和输出层；
（2）层与层之间采用全互连方式，同一层神经元之间不连接；
（3）权值通过δ学习算法进行调节；
（4）神经元激发函数为S函数；
（5）学习算法由正向传播和反向传播组成;
（6）层与层的连接是单向的，信息的传播是双向的.
2、BP网络结构
含一个隐含层的BP网络结构，输入层神经元，隐层神经元，输出层神经元。
3、BP网络的优缺点
（1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系；
（2）BP网络的学习算法属于全局逼近算法,具有较强的泛化能力。
（3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只
对输入输出关系有较小的影响，因而BP网络具有较好的容错性。
BP网络的主要缺点为:
4、BP网络的优点为：
（1）待寻优的参数多，收敛速度慢；
（2）目标函数存在多个极值点,按梯度下降法进行学习，很容易陷入局部极小值;
（3）难以确定隐层及隐层节点的数目。
目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。
由于BP网络具有很好的逼近非线性映射的能力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。
由于BP网络具有很好的逼近特性和泛化能力,可用于神经网络控制器的设计.但由于BP网络收敛速度慢，难以适应实时控制的要求。
b、RBF
rbf神经网络即径向基函数神经网络（RadicalBasisFunction）。
径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。
同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。
c、DRNN
在时间序列预测模型的基础上,引入神经网络方法,提出一种基于时间序列的对角递归神经网络
五、小结
模糊控制系统通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制;神经网络具有并行机制、模式识别、记忆和自学习能力的特点，它能充分逼近任意复杂的非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性；专家系统其内部包含某领域专家水平的知识和经验，具有解决专门问题的能力。
智能控制一定会以其新的成果对科学、技术、经济、社会以及人民生活做出重大贡献。
升级会员 