智能控制與人工神經(jīng)網(wǎng)絡(luò)

摘要:本文首先介紹了智能控制的發(fā)展和智能控制系統(tǒng)與傳統(tǒng)控制系統(tǒng)的比較，然后綜述了幾種智能控制的主要實現(xiàn)技術(shù)，并著重討論了基于人工神經(jīng)網(wǎng)絡(luò)的智能控制。

關(guān)鍵詞:智能控制 人工神經(jīng)網(wǎng)絡(luò)

1 智能控制概述

智能控制是一門將控制論和人工智能結(jié)合起來的多學(xué)科所形成的交叉學(xué)科。總體來說，智能控制是經(jīng)典自動控制技術(shù)的一個新的方法，它通過對現(xiàn)場各種實時情況的分析，可以在無人操作的情況自動完成對控制對象的控制。根據(jù)目前的研究成果，智能控制系統(tǒng)有二元結(jié)構(gòu)、三元結(jié)構(gòu)及四元結(jié)構(gòu)等三種結(jié)構(gòu)特點。

2 多層前向網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是由一個個基本非線性單元，即神經(jīng)元組成的。多層前向網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示。

個神經(jīng)元的閥值，{}則為網(wǎng)絡(luò)的外部輸入。

式(1)和(2)表明，多層前向網(wǎng)絡(luò)對同一層次中的信息是通過并行方式來處理的，正是有這樣的特點，使網(wǎng)絡(luò)輸入至輸出可以十分快速進(jìn)行傳播。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是多種多樣的。這個學(xué)習(xí)過程是自學(xué)習(xí)過程。它使用測試獲得的數(shù)據(jù)或者原有的歷史數(shù)據(jù)，學(xué)習(xí)并且建立神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型。再通過已有的成熟模型對實際運行過程中新出現(xiàn)的運行工況自動“推斷”出最優(yōu)的運行參數(shù)，即自學(xué)習(xí)、自適應(yīng)過程。而目前反向傳播算法(Backpropagation，BP)，即BP算法，是使用最多的算法。所謂反向傳播算法是反復(fù)交替地進(jìn)行如下兩個過程(為敘述簡便計，考慮單輸出情況):

第一步:正向過程

由輸入xs驅(qū)動({}={})，逐層計算式(1)、(2)，一直求

出網(wǎng)絡(luò)的輸出{ ym ( xs )={ ok }，其中，k為網(wǎng)絡(luò)總層數(shù)。

第二步:反向過程

由輸出層(6)式開始反向逐層計算(5)，(7)，(8)，直至第一層。最后作權(quán)值調(diào)整

其中，η>0是步長。之后，針對下一個樣本數(shù)據(jù)開始新一輪的正、反向傳播過程，逐步學(xué)習(xí)修改網(wǎng)絡(luò)權(quán)值。

通過以上的介紹我們可以得出，BP學(xué)習(xí)算法充分利用的是多層前向網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)勢。同時，該算法的一個突出優(yōu)點是在正、反向傳播過程中，每一層計算都是并行的。

當(dāng)然，BP算法也有它的缺點。由學(xué)習(xí)過程可以知道，當(dāng)輸入一個新輸入時，BP算法會不斷調(diào)整權(quán)值，試圖使網(wǎng)絡(luò)輸出盡可能的符合理想輸出，在這樣不斷的調(diào)整過程中會有極大的可能會破壞原先已“學(xué)習(xí)”過的情況，造成混亂，會“忘記”之前的學(xué)習(xí)“成果”，這就是BP算法的健忘性。因此，至于通過反復(fù)的學(xué)習(xí)才能客服這樣的缺點。實際上，數(shù)據(jù)學(xué)習(xí)的先后是有序的，我們也可以通過打破固定次序造成的局限，隨機的選擇數(shù)據(jù)，能讓BP算法“學(xué)習(xí)”得更快。但最佳方法是通過修正目標(biāo)函數(shù)來實現(xiàn)。我們將目標(biāo)函數(shù)修改為

minE=∑ES (10)

對應(yīng)的權(quán)值調(diào)整公式為(11)

式中對每個數(shù)據(jù)進(jìn)行一次正反向的計算，累積所有的梯度。根據(jù)

，最后才作一次權(quán)值修正，逐步學(xué)習(xí)修正網(wǎng)絡(luò)權(quán)值。

3 模型參考自適應(yīng)控制

模型參考自適應(yīng)控制與常規(guī)的系統(tǒng)的模型是相同的，區(qū)別在于采用神經(jīng)網(wǎng)絡(luò)模型NNI來用作對象的辨識。在模型參考自適應(yīng)控制中，用一個穩(wěn)定的參考模型M來表達(dá)所期望的閉環(huán)系統(tǒng)性能指標(biāo)，而控制目標(biāo)是使對象的實際輸出yp(t)漸進(jìn)的匹配參考模型的輸出yr(t)，即

(12)

該模型中還引入了一個誤差函數(shù)，使控制器可以分別由辨識模型和神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)仿射系統(tǒng)和非仿射系統(tǒng)。實際上，學(xué)習(xí)的誤差函數(shù)就是實際對象的輸出yp(t)與參考模型的輸出yr(t)之差。仿真表明這種方法是非常有效的。

4 預(yù)測控制

圖2是一種基于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測控制實現(xiàn)結(jié)構(gòu)，該控制方法采用神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型實現(xiàn)對非線性系統(tǒng)的預(yù)測控制，其中的預(yù)測模型是一個NARMAX模型，即:

y(k+1)=f[y(k)，y(k-1)，…，y(k-ny+1)，

u(k)，u(k-1)，…，u(k-nu+1)](13)

其中，y(k)和u(k)是對象的輸入和輸出，ny和nu是系統(tǒng)的階次。該模型可采用BP網(wǎng)絡(luò)實現(xiàn)學(xué)習(xí)。在預(yù)測控制中，優(yōu)化控制信號的選擇是使目標(biāo)函數(shù)取極值，即:

其中的Sp為設(shè)定值;y(k+i)為輸出預(yù)測值;u(k+i)為控制輸入qi; ，ri為加權(quán)系數(shù);p為預(yù)測長度;M為優(yōu)化長度。根據(jù)上式進(jìn)行優(yōu)化計算，求得最優(yōu)控制u*(k)，即

由神經(jīng)網(wǎng)絡(luò)預(yù)測模型可獲得上式的預(yù)測輸出值y(k+j)和梯度值dy(k+j)/du(k+j)，因求預(yù)測控制的最優(yōu)控制序列u*(k)，u*(k+1)，…，u*(k+M)就變得很容易了。然后將u*(k)施加于實際系統(tǒng)進(jìn)行控制，可得到系統(tǒng)輸出y(k+1)，再用這些值對神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行修正，就可實現(xiàn)預(yù)測控制中的“反饋校正”。

參考文獻(xiàn):

[1]金西岳，付信鑒.智能控制的進(jìn)展與應(yīng)用.工業(yè)控制計算機.1992.

[2]厲雋懌.許曉鳴.楊煜普.基于神經(jīng)網(wǎng)絡(luò)的智能控制.化工自動化儀表. 1995.

[3]袁曾任.智能控制研究的新進(jìn)展.信息與控制.1994.