吉林大学
理能力,在一定程度和层次上模仿人脑神经系统的信息处理、存储和检索功能,如何把神经网络与自适应的优势结合起来,一直是人们关注的问题。一种方法是神
神经网络在自动控制系统中的应用提高了信息处理能力和适应能力,提高了系统的智能水平。由于神经网络已被证明具有逼近任意连续有界非线性函数的能力,给非线性系统的控制带来了新思路。因为神经网络控制系统的研究目前尚处于探索阶段,还未形成比较完善的理论体系和系统化的设计方法,神经网络自适应控制系统是基于自适应的基本原理,利用神经网络的特点和理论设计而成的,简化了单纯自适应控制系统设计的复杂性,发挥了自适应与神经网络的各自长处,为智能控制的实现探索了一种新方法,在智能控制研究领域中具有巨大的潜力。
神经网络在控制器设计方面已取得了一些研究成果,主要应用于复杂非线性系统的控制中,归纳起来,除了本文研究的NNMRAC 与NNSTC 两类最基本控制方案外,还有: (1) 由神经网络单独组成的控制系统,包括SNC 控制、ACE 控制、单个神经元控制等。(2) 神经网络与PID、预测控制、内模控制等传统控制结构相结合形成的神经网络控制器。(3) 神经网络的智能控制,包括NN 模糊控制、NN 专家控制等。(4) 神经网络优化控制。在基于神经网络的STC 方案中,神经网络与传统的自适应控制有密切的联系,可以认为,自适应控
制器是一个二层的线性神经网络控制器,其自适应律可以认为是神经网络δ规则在某种情况下的特例。因此,自适应控制中稳定性的分析方法,提高鲁棒性的方法,都可以推广到神经网络的学习算法中,以加强神经网络控制的鲁棒性和稳定性。在基于MRAC的方案中,神经网络控制器一般采用逆模型控制方法,并且参考模型一般选取为线性模型。由于神经网络本身就是非线性系统,构成控制系统后,闭环反馈使其稳定性分析更为复杂,至今还没有得到一般性结论,还有待于进一步研究非线性系统的稳定性。
总体而言,神经网络理论研究还处于初级阶段,迄今还存在许多有待解决的问题。(1) 神经网络的新模型及其学习算法近年来,有学者研究了小波神经网络 ,小波神经网络可看作是以小波函数为基底的一种函数连接网络,
11
通信工程学院 张艳辉 2010522112
也可以认为是径向基函数网络的推广,但又具有与一般前馈网络和RBF 网络所不同的特点,在神经网络研究领域中具有巨大潜力。目前神经网络的研究正逐步由单纯的神经计算转向计算智能并结合脑科学的研究向生物智能方向发展,神经网络的研究也应该考虑与其它智能的结合,如神经网络与模糊逻辑的结合 ,神经网络算法与遗传算法和进化计算的结合研究等。如何利用遗传算法优化神经网络的模型结构,是今后的一个研究热点。神经网络在控制中的应用,面临的两大问题是:神经网络拓扑结构的优化设计和离散的学习算法。由于遗传算法的群体寻优、天然的增强式学习能力,使其具有全局性、并行性、快速性和自适应性,已成为解决上述两大问题的有力工具。
(2)神经网络自适应系统的稳定性和收敛性分析
神经网络用于自适应控制主要有两种方式:一种是将神经网络平行移植到现有的线性自适应控制系统中去,当然对象是非线性的;另一种是用神经网络构成无模型直接自适应控制系统。在后一种方式中,可用对象的逆动态神经网络模型作为控制器,在这方面已有不少成功的应用实例。不过这种控制要求对象可逆,而非线性系统可逆性的研究当前仍然是一个难点。神经网络无模型直接自适应控制,由于其结构简单,因此,具有较大的发展潜力。尚需进一步研究的问题有控制器网络模型的选择、实时控制快速学习算法以及系统稳定性和学习收敛性的分析等。
综上所述,神经网络自适应控制,主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。由于神经网络具有模拟人的部分智能的特性,主要是具有学习能力和自适应性,使神经网络控制能对变化的环境具有自适应性,且成为“智能控制”的一个新的分支。