基于神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng).doc

《基于神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng).doc》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、作業(yè)5神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng)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，它適合于具有不確定性或高度非線性的控制對象，并具有較強的自適應(yīng)和自學(xué)習(xí)功能，因此是智能控制的一個重要分支領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)利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處理網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)一般由幾個神經(jīng)元組成，每一個神經(jīng)元有一個單一的輸出，但可通過連接的很多其它神經(jīng)元，獲得有多個連接通道的輸入，每個連接通道對應(yīng)一個連接權(quán)系數(shù)。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，主要從兩個方面進行模擬:一個是結(jié)構(gòu)和實現(xiàn)機理方面，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

2、。由于生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和機理非常復(fù)雜，現(xiàn)在從這方面模擬還僅在嘗試[1]；另一個是功能方面，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)、識別、控制等。目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)均是對功能方面的模擬。神經(jīng)網(wǎng)絡(luò)有以下一些特點:1高度的并行性2高度的非線性全局作用3良好的容錯性和聯(lián)想記憶功能一.基于神經(jīng)網(wǎng)絡(luò)的幾種控制系統(tǒng)1基于全局逼近神經(jīng)網(wǎng)絡(luò)的控制全局逼近網(wǎng)絡(luò)是在整個權(quán)空間上對誤差超曲面的逼近，故對輸入空間中的任意一點，任意一個或多個連接權(quán)的變化都會影響到整個網(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，每一個訓(xùn)練樣本都會使所有連接權(quán)發(fā)生變化，這

3、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，這一特點使其實際上難以在線應(yīng)用。利用全局逼近神經(jīng)網(wǎng)絡(luò)的異步自學(xué)習(xí)控制系統(tǒng)如圖1所示。圖1基于全局逼近式神經(jīng)網(wǎng)絡(luò)異步自學(xué)習(xí)控制系統(tǒng)由于神經(jīng)網(wǎng)絡(luò)控制器實際上是一個非線性控制器，因此一般難以對其進行穩(wěn)定性分析。全局逼近網(wǎng)絡(luò)在控制系統(tǒng)中的作用，主要體現(xiàn)在兩個方面:提供一個類似于傳統(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，如建立被控對象的正向網(wǎng)絡(luò)模型等。此外，結(jié)合穩(wěn)定性分析，對神經(jīng)網(wǎng)絡(luò)的控制結(jié)構(gòu)方案進行特別設(shè)計，還可以為分析復(fù)雜問題提供一個有效的解決途徑。2基于局部逼近神經(jīng)網(wǎng)絡(luò)的

4、控制局部逼近網(wǎng)絡(luò)只是對輸入空間一個局部鄰域中的點，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)，而且可修正的連接權(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時應(yīng)用。其不足之處是采用間斷超平面對非線性超曲面的逼近，可能精度不夠，同時也得不到相應(yīng)的導(dǎo)數(shù)估計；采用高階B樣條的BMAC控制，則部分彌補了CMAC的不足，但計算量略有增加；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

5、的計算也太多，利用目前的串行計算機仿真實現(xiàn)時，計算量與內(nèi)存過大，很難實時實現(xiàn)。3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)的基本思路是:利用模糊box分割問題空間，使每個模糊box不僅具有CEN給出的評分，含有作為控制作用的輸出語言變量，而且整個模糊box還隱含定義了模糊規(guī)則庫。模糊神經(jīng)網(wǎng)絡(luò)主要有三種結(jié)構(gòu):輸入信號為普通變量，連接權(quán)為模糊變量；輸入信號為模糊變量，連接權(quán)為普通變量；!輸入信號與連接權(quán)均為模糊變量。它們還可根據(jù)網(wǎng)型及學(xué)習(xí)算法中的點積運算是使用模糊邏輯運算，還是使用模糊算術(shù)運算，分成常規(guī)和混合型模糊神經(jīng)網(wǎng)絡(luò)。