智能控制与人工神经网络

智能控制与人工神经网络

本文首先介绍了智能控制的发展和智能控制系统与传统控制系统的比较,然后综述了几种智能控制的主要实现技术,并着重讨论了基于人工神经网络的智能控制。

标签：智能控制 人工神经网络

1 智能控制概述

智能控制是一门将控制论和人工智能结合起来的多学科所形成的交叉学科。总体来说,智能控制是经典自动控制技术的一个新的方法,它通过对现场各种实时情况的分析,可以在无人操作的情况自动完成对控制对象的控制。根据目前的研究成果,智能控制系统有二元结构、三元结构及四元结构等三种结构特点。

2 多层前向网络

神经网络是由一个个基本非线性单元,即神经元组成的。多层前向网络的典型结构如图1所示。

个神经元的阀值,{}则为网络的外部输入。

式(1)和(2)表明,多层前向网络对同一层次中的信息是通过并行方式来处理的,正是有这样的特点,使网络输入至输出可以十分快速进行传播。

神经网络的学习过程是多种多样的。这个学习过程是自学习过程。它使用测试获得的数据或者原有的历史数据,学习并且建立神经网络数学模型。再通过已有的成熟模型对实际运行过程中新出现的运行工况自动“推断”出最优的运行参数,即自学习、自适应过程。而目前反向传播算法(Backpropagation,BP),即BP算法,是使用最多的算法。所谓反向传播算法是反复交替地进行如下两个过程(为叙述简便计,考虑单输出情况):

第一步:正向过程

由输入xs驱动({}={}),逐层计算式(1)、(2),一直求

出网络的输出{ ym ( xs )={ ok },其中,k为网络总层数。

第二步:反向过程

由输出层(6)式开始反向逐层计算(5),(7),(8),直至第一层。最后作权值调整

其中,η>0是步长。之后,针对下一个样本数据开始新一轮的正、反向传播过

程,逐步学习修改网络权值。

通过以上的介绍我们可以得出,BP学习算法充分利用的是多层前向网络的结构优势。同时,该算法的一個突出优点是在正、反向传播过程中,每一层计算都是并行的。

当然,BP算法也有它的缺点。由学习过程可以知道,当输入一个新输入时,BP算法会不断调整权值,试图使网络输出尽可能的符合理想输出,在这样不断的调整过程中会有极大的可能会破坏原先已“学习”过的情况,造成混乱,会“忘记”之前的学习“成果”,这就是BP算法的健忘性。因此,至于通过反复的学习才能客服这样的缺点。实际上,数据学习的先后是有序的,我们也可以通过打破固定次序造成的局限,随机的选择数据,能让BP算法“学习”得更快。但最佳方法是通过修正目标函数来实现。我们将目标函数修改为

minE=∑ES (10)

对应的权值调整公式为(11)

式中对每个数据进行一次正反向的计算,累积所有的梯度。根据

,最后才作一次权值修正,逐步学习修正网络权值。

3 模型参考自适应控制

模型参考自适应控制与常规的系统的模型是相同的,区别在于采用神经网络模型NNI来用作对象的辨识。在模型参考自适应控制中,用一个稳定的参考模型M来表达所期望的闭环系统性能指标,而控制目标是使对象的实际输出yp(t)渐进的匹配参考模型的输出yr(t),即

(12)

该模型中还引入了一个误差函数,使控制器可以分别由辨识模型和神经网络来学习仿射系统和非仿射系统。实际上,学习的误差函数就是实际对象的输出yp(t)与参考模型的输出yr(t)之差。仿真表明这种方法是非常有效的。

4 预测控制

图2是一种基于神经网络模型的预测控制实现结构,该控制方法采用神经网络作为预测模型实现对非线性系统的预测控制,其中的预测模型是一个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)是对象的输入和输出,ny和nu是系统的阶次。该模型可采用BP网络实现学习。在预测控制中,优化控制信号的选择是使目标函数取极值,即:

其中的Sp为设定值;y(k+i)为输出预测值;u(k+i)为控制输入qi; ,ri为加权系数;p为预测长度;M为优化长度。根据上式进行优化计算,求得最优控制u*(k),即

由神经网络预测模型可获得上式的预测输出值y(k+j)和梯度值dy(k+j)/du(k+j),因求预测控制的最优控制序列u*(k),u*(k+1),…,u*(k+M)就变得很容易了。然后将u*(k)施加于实际系统进行控制,可得到系统输出y(k+1),再用这些值对神经网络预测模型进行修正,就可实现预测控制中的“反馈校正”。

参考文献:

[1]金西岳,付信鉴.智能控制的进展与应用.工业控制计算机.1992.

[2]厉隽怿.许晓鸣.杨煜普.基于神经网络的智能控制.化工自动化仪表. 1995.

[3]袁曾任.智能控制研究的新进展.信息与控制.1994.