神经网络与自动控制.pdf

《神经网络与自动控制.pdf》由会员分享，可在线阅读，更多相关《神经网络与自动控制.pdf（7页珍藏版）》请在三一文库上搜索。

1、弟 ? 卷第 忿期 山 东 轻 工 业学院学 报 ? ! ?# 工% %又年讥电系;浙江大 学工业 控 制研究所( ?3 9! ( 引言 八十 一年 代初期 , 美国科学 家 39! 首先提出了人工神经网络的概念 , 在研究了大脑神 经的某些重 要生理特性及结构之后 , 给出 了神经网络模型 及其能 量函数 , :一在该领 域 的 研究中 , 做了许多开 创性的工作 。 之后 , 特别 是近 二 、 三年 , 在世界范围内 , 掀起了研究 神 经元网络的热潮 。 在 自动控制理论 、 模式识别 、 故障诊断 、 图象处理 、 优化计算 、 智能控制 等诸多领域中 , 取得了很大的进展 。 临引

2、 甚至有人惊呼 , 它比 “原子 弹工程 ” 更重要 。 那么 , 是神经网络的什么特性引起了人勺如此大的兴趣呢找 认为主要在于 = ;:具有极高的运算速度 。 传统的? 8 # 9 。计算 机发展至今 , 在日益增长 的高速计算 问题面前已束手无策 , 而在运用人工智能技术 , 试图产生第五代 一 计算机方面又陷入了困境 , 因此 , 神经网络采用大规模并行化的方法 , 既可以同时处理大量 的 维数很高的信息 , 又可以 使网络的动态收敛速度与神经元的数目无关 , 为第五代计算机提供了一条有效的途径 。 目 前 , 日本正在研制: 亿次秒的权修正神经元网络计算机 。 ;神经网络具有直觉式推理

3、的功能 。 目前 , 智能控制主要在基于传统的+ !系统及 7 与 集运算上 进行 。 前者可进行逻辑推理 , 后者可进行模糊信息处理 , 而这两者均缺乏直觉式推 理 功能 。 因此 , 可以想见 , 由于神经 网络的参与 , 人工智能控制将会具有更高的 “智能” , 更 能 接近 大脑的应 际功能 , 而向更深 、 更广的 阶段前进 。 ;非模型控制 。 自动控制发展至 今 , 其主要特点是以数学模型为基础的 , 不论进行怎样 的自动控制 , 首先要设法获取控制对象的数学模型 。 但是 , 现实世界中 , 情况往往是相当复 杂的 , 有时获取的模型只是极其近似的 , 有时甚至 无法获得其模型

4、 。 在 这种情况下 , 由于神 经网络具有很 强的自学习 、 自组织和自适应性 , 因 而可通过不断地调整其权系数来不断地搜 寻 , 逐渐收敛至最优解 。 ;具有很强的容错能力 。 这是由于神经网络包含大量的运算节点 , 各节点之间都是局部 广二。二 止 尹 洛洲 山 东 轻 工业 学院 学报第 ?卷 钾梦舞台 一 一一一一 建接的 , 其结构为并联结构 , 是分布式存贮方式 , 因而当少数节点 或节 点间的连 接受到损坏 时 , 不会对整个网络的性能造成很大影响 , 就象人的大 脑 , 每天 都有大量 的细胞 死亡 , 但不 影响大脑功能一样 。 正是由于神经网络的上述特 点 , 使得 近

5、几年在这 方 面的应 用及 研究有 了许多进展 。 卜 面 , 在简单地介绍了神经网络的模型 、 能量 函数及结构之后 , 介绍了神 经网络在白动控制及 相关领域中的几个应用实例 。 最 后 , 对神经网络的研究方向及 其前景做了一 下展望 。 : 神经网络简介 : : 神经元的数学描述输入 一个神经元可以看作是一个 多输入单输出 的具有闭值非线性 特性的 部件 ;见 图: 。 设神经 二 二 日日日片一 李 亩出 图 : 神经元的数字描述 元 育几个输入 , , , 。 , 这些输入可能是上一级神经元的输出 , 也 可 能是本级神 经元的反馈 。 我们使用一个8维向量 二 ; , , = ,

6、 , 。 来丧示 。 每个输入通 过 一 个 突触;.4 89 联系系数 ; 3 : , , 一 , ” 作用 于该神经元 。 神经元对这些输入进 行时空总和 后送到一个阂值非线性元件。 。 图 : 9 一 ; 一 图 阂值非线性元 件 图 阂值非线性元件 当 时 ;: 9 学 习规则 设有#个神经元互相连接 。 每个神经元约活 性状态 7 , , 8 只 能 取 一! 或 , 其 中 而 一:和: 分别仁 表抑制与兴奋 。 其状态按下述规律变化 = 7,一 ;万 , 7 ,一。, 3 是神经元间的连接强 度的 汉值 , 3 , , 8 ; 。学习过 程就是 调节 3 的过程 。 ; 9 规则

7、就是调节 3 原则 , 3 二 。3与第个神经 元 同时处于兴 奋状 态 , 则创门之间 的 连接应加 强 , 即 么? 一以737 ; “ ; 。39!摸型 及其结构 3 9 ! 神经网络模型由#个神经元组成 , 在 节神经网络 中的 。 可取 ; 或; 式 卜 的 任何 一种 。 神经元的状态随机地异步变化 = !3 37一: 37一。3( 6 午 ( 3 , _# 一: ;? ? 39! 模型 的神经网络结构如图所示 。 ( ? 39 !网 络模型 的能且函数 如 图 所示 的网络能使下面能量 函数 达到最小= 6 一 于 3! 于 ; 矛 /3一, 于 亩 ? 3 八 一;? ? ?

8、一 ;巨 军 ; , 一 , 罕 十 丁 ? 3 一 ;? ; 该网络的动态行为可 归纳如下 = ? ?有下界, !? ! # 。% 当且仅当!智能的可以不基 于数学模型 , 这是因为 它 具有高度的自学习 , 自组织 和自适应性 。 其基本结构可以有以下两种 : 。 一般学习结构 = 如图 图 8 , 8 , 那么 , 神经网络还可以 通 过另外的8 一8, 个样本去学习 , 并不影响全局 。 在线诊断 将神经网络与控制系统直接相连 , 让其 自动获得故障信息及现象 。 然后由神经网络内部 去自组织 、 自学习 , 即将学习与使用过程合二为一 。 它的主要思想是组成 “新奇滤波器” ; 8

9、。 9 ! 4 3 ! 95 即对经常输入的信号不敏感 , 没 有反应 , 而对新奇的输入则很敏感 。 这样 , 当控制系统突然 出现新的故障时 , 神经网络就会 马上对 这一新奇的信息进行学习 , 并进行组织 。 于是 , 不同类型沟故障就被学习后归类 , 当 同种或相似的故障再出现时 , 神经 网络就可以进行诊断了 。 一种墓于神经网络的适应控制结构 在图%中 , 神经估计器起着相当 于模型参考自适应控制; +中的模型的作用 。 在 山 东轻工业学院 学 报 第 ?卷 这个结构中 , 传感器将过程状态及某些重 要 参 变量送给神经估计器及控制器 , 基于 这 些输入 , 神经估计器改变 它

10、的状态 , 使得神经估计器的 状态变量精确地与控制器参数 相吻合 。 设计神 经估计器的网络结构 , 使 得它的局部 极小 值能 收敛于相对于控制器参数的最 优控制律 。 当把 估计器的状 态传送 到控制器 时 , 控制器调整 它 传传传 感感感 器器器 图 % 神经状 适应控制结构 的参数与控制器 的期望参数 相匹配 。 控制器 产生控制指令作用到过程 上 。 这种结构的优点是 = : 能极迅速地使控制器收敛至正确的参数值上 估 计器对最 优控制参数的收敛速度 不依赖于要被适应的参数的数量 既 适用于连 续系统也适 用于离 散系统 。 这 种结构在以下三方 面优于+ = :+使用显 式参考模

11、型 , 它要由 设计者 提 供 , 而 神 经控制器则使用许多 隐式 “参考模型” , 不需要人来设 计 , 而是通过 自学习 、 自组 织来完成 。 +的 稳定性是局部的, 并取决于未知控制过 程的动力学 , 而 神经控制结 构的稳 定性 , 只要能在它的平衡点附近设计一个充 分大的区域 , 就能得到保证 。 此外 , 由于 它 的快速收敛性 , 该控制器对过程动力学是极不敏感的 。 当未知参数向量的维数增加时 , + 方程变得极其复杂 , 且收敛速度很慢 , 而 神经控制器的收 敛速度则与网络 的维 数 无 关 。 神经网络在自动控制中的应用前景及发展方向 应该说 , 尽管人工神经网络在近

12、几年有很大 发展 , 但是 , 它在自动控制领 域 中的应用 还 只是很初 步和很简单的 。 造成 这种状况的原因 , 一 方面 是神经网络理 论 本身还不是很成熟 , 深度还不够 , 另一 方面 , 即使现有的理论 , 了解它的人也还不多 , 其应用就受 到了很大限 制 。 因此 , 我们在研究神经网络理论的同时 , 要尽可能地广泛 宣传和推广这种很有发展前途 的新理 论 , 并尽可能地在实际工业控制中加以应 用 。 可以想见 , 随 着神 经网络研 究的不断深 入 , 一定能在自动化技术领域引起 一场革命 。 神经网络在自动控制中的应用大致可以在以下几个方面进行 = : 面 向系统与控制的

13、神 经元及网络的研究与开发 将现已存在的控制结构与控制算法用 神 经网络加以替代 , 发 挥神经网络的优势 与传统的人工智能相结合 , 产生更高智能的控制器 。 总之 , 由于神经网络在本质上 不 同于传统数学机的运算方式 , 它 具有更 高的智能 , 因 此 , 控制系 统的 神经网络化 是一 个不可 逆转 的趋势 。 参考文献 3! ! 39 ! #9 7 5! 9 !9 39 73 8!3!339 。 ? ? 8 9 5 8 ?439! 49 ?5 9#!+ 5 3, ).+ 3 9959 8 :% ;% 39! #9 7 5 8 3 5959 8 9 9 !393 9 73 8!?5

14、9539 !39 9 一9 8975 7 ?5 #!+ 5 .3 , ).+ , :% ;: 39 ! 2 8 / 。 #9 75 ! 9 73 8 9 933 8 38 3 3 一 3 8 5 !9 。 3 !49 5 8, : % ? ;? 王9! 2 8 / 38 3 89盯!9359 3 = 9!, .939 89 9, :% = :( ? 3 9! 神经网络模型 的启 发式 学习算法及其在数字模 式处理 中的应用 机器人 , : % % : ; = : %39 5 ? 。 ,3 8 +8185 7 93 8 9 738 3 #9 7 5! #9 16 66 +.? 389 + 53!, :% = ? 3 98 # 9 5 # 975! # 9 166 635 73 .4 。 :% % ? = = % : 89! 6 。 。 .939 8 99 。 : % ; : = : ? !3/ 。 + 。 7!3!49 5 9# 97 5! #9 5 85 !16 6 6 85 ! .4 , :% ; # 97 5! # 9 58 + 7 3 85 ! 3, 9 3 ;9 83 6!995396 8389 9538 / 9598 .7 8 7 3 8 ; 938 ) 83 9 5 34 18 753! 85 !18 379 39!