基于深度學(xué)習(xí)的控制器設(shè)計(jì)研究

楊恩平 薛棟吉

（南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 南京 210000）

1 引言

從2006 年，深度學(xué)習(xí)泰斗Hinton［1］提出深度置信網(wǎng)絡(luò)和新的訓(xùn)練方法，克服了神經(jīng)網(wǎng)絡(luò)遇到的瓶頸，到2013 年深度學(xué)習(xí)位列十大突破性科技之首，再到后來AlphaGo 橫空出世擊敗了人類的圍棋大師，到現(xiàn)在人工智能的廣泛運(yùn)用。這些都是深度學(xué)習(xí)帶給我們的改變。深度學(xué)習(xí)目前在圖像識(shí)別、語音識(shí)別、文本處理和大數(shù)據(jù)分析方面已經(jīng)被廣泛應(yīng)用，在控制領(lǐng)域方面，深度學(xué)習(xí)也有一定的嘗試。不過目前主要突出的是對(duì)控制目標(biāo)識(shí)別和狀態(tài)特征提取方面，對(duì)于控制領(lǐng)域最核心也是最基礎(chǔ)的控制策略上，深度學(xué)習(xí)目前成果不多。

深度學(xué)習(xí)是由機(jī)器學(xué)習(xí)和多層神經(jīng)網(wǎng)絡(luò)發(fā)展而來，其作為機(jī)器學(xué)習(xí)的一個(gè)重要的分支存在。在機(jī)器學(xué)習(xí)算法中，EM 算法［2］是對(duì)自動(dòng)控制領(lǐng)域方面具有重大貢獻(xiàn)的算法。有了該算法，就可以很方便地使用高斯混合模型（GMM）［3］來表示隱馬爾科夫模型（HMM）狀態(tài)與輸入之間的關(guān)系，從而開發(fā)新的控制系統(tǒng)。在深度學(xué)習(xí)出來之前就有人通過多層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了自適應(yīng)模糊邏輯控制系統(tǒng)［4］。

作為機(jī)器學(xué)習(xí)的分支，深度學(xué)習(xí)擁有更多的隱藏層和神經(jīng)元，并且提高了學(xué)習(xí)性能，通過深度學(xué)習(xí)算法可以解決很多常規(guī)神經(jīng)網(wǎng)絡(luò)解決不了的復(fù)雜問題。本文就是來探索深度學(xué)習(xí)在控制策略上的應(yīng)用。目前韓國(guó)慶北大學(xué)的Cheon K［5］等用DBN網(wǎng)絡(luò)來代替PID 控制器進(jìn)行過研究，證明了深度學(xué)習(xí)算法可以用來代替PID 控制器來控制空載的直流電機(jī)?！?br>