您好, 访客   登录/注册

基于神经网络的自适应控制

来源:用户上传      作者:

  [摘要]神经网络与自适应控制相结合的研究,已成为智能控制的一个新的分支。自适应具有强鲁棒性,神经网络则具有良好的自学习功能和良好的容错能力,神经网络自适应控制由于较好地融合了两者的优点而具有强大的优势。
  [关键词]神经网络 自适应控制 鲁棒性 收敛性
  中图分类号:TP1 文献标识码:A 文章编号:1671-7597(2008)1220021-01
  
  一、引言
  
  人工神经网络(Artificial Neural Networks,ANN)一般简称为神经网络,它是由大量神经元相互连接而成的复杂网络系统。它反映人脑功能的许多基本特征,但不是对人脑神经网络系统的真实写照,而是对人脑生物神经网络的某种简化、抽象和模拟。其特点包括:自学习和自适应能力、容错能力和柔韧性、并行处理能力、概括综合和记忆联想能力。
  
  二、研究现状
  
  (一)神经网络简介
  神经网络在控制中使用较多的有多层前向BP网络、径向基函数RBF网络及Hopfield网络。多层前向BP网络和径向基函数RBF网络均为分层连接成的静态神经网络,隔层神经元之间均无连接,只有邻层神经元之间相互连接,信号由低层向高层神经元传输。多层前向网络学习算法是BP算法,BP算法的特点是结构简单,容易实现。针对BP算法中局部极小、收敛速度慢等缺点,人们已提出了各种修正方法,使得BP算法更加适用于控制技术。径向基函数RBF网络可采用最小二乘法等优化算法。Hopfield网络是神经网络的非线性动态模型,它由非线性映射关系为Sigmoid型函数的神经元相互连接组成,将能量函数引入神经网络,用于解优化问题和控制问题。
  (二)神经网络自适应控制系统的典型结构
  1.神经网络自校正控制(NSTC)。基于神经网络的自校正控制可分为直接控制和间接控制两种。NSTC根据受控对象的正或逆模型辨识结果直接调整控制器的内部参数,以期能满足系统的给定性能指标。在目前自适应控制的研究和应用中有相当部分是自校正控制系统。一般是用神经网络去逼近被控对象的未知非线性函数,然后研究如何寻找控制器及神经网络权值调整自适应律,使得在保证稳定性的基础上实现控制目标。
  2.神经网络模型参考自适应控制。基于模型参考自适应控制的结构和工作原理,用人工神经网络来替代传统的辨识器和控制器,于是就构成了神经网络模型参考自适应控制。它有两种方案:一种是在辨识对象的基础上,设计控制器的间接神经网络模型参考自适应控制;另一种是直接调整控制网络加权值的直接神经网络模型参考自适应控制。
  3.内模控制系统。内模控制已被证明有许多良好的性质,具有较强的鲁棒性,对克服系统不可测扰动具有重要意义。在神经网络内模控制中,系统的神经网络模型与实际系统并列设置,系统输出与模型输出之差作为反馈信号,它反映了扰动和模型误差。然后,这个反馈信号馈送到系统前向通道中的控制器进行处理。其中系统的内模型和控制器均由前向动态神经网络实现。内模型是基于神经网络的系统正向模型,控制器是一个具有被控对象的逆动态特性的神经网络。通常前加一个线性滤波器,用于增强系统的鲁棒性和提高闭环系统的跟踪性能。
  
  三、人工神经网络在自适应控制系统中的应用
  
  从目前情况来看,将人工神经网络技术用于自适应控制有两种方式:1.将神经网络平行移到现在的线性自适应控制系统中去,即参数辨识和控制器功能均由神经网络来充当和完成。2.用神经网络构成无模型直接自适应控制系统,用对象的逆动态神经网络模型或其他模型做控制器。
  
  四、存在问题
  
  神经网络用于控制领域的研究还处于初级阶段,控制系统的一些基本问题尚待解决。
  (一)稳定性问题
  神经自适应控制系统的稳定性分析难度极大。这是因为神经网络本身是一个大规模非线性系统,由它们按一定方式组织起来的神经控制系统具有更为复杂的动力学特性。目前,基于Lyapunov法的神经网络自适应律已经被应用于一类简单的非线性系统,即仿射非线性系统之中。但是,在很多实际系统中这样的神经网络估计误差的约束是不能得到的。
  (二)鲁棒性问题
  当被控过程存在未建模动态特性,或者过程噪声及扰动远比所设想的情况复杂时,自适应控制系统会失去其稳定性质(称为“缺乏鲁棒性”)。因此在自适应控制系统的设计中,根据鲁棒性要求所设计的系统比单纯按收敛性和稳定性指标所设计的系统具有更好的控制效果。
  (三)收敛性问题
  算法的收敛性问题是一个十分重要的问题。对神经自适应控制系统来说,存在神经网络学习算法的收敛和自适应算法的收敛两类问题。有时这两类问题是混在一起的。对于收敛性,有两个问题需要考虑,一是一次学习过程中系统响应是否随时间增加而趋于期望值;二是多次学习过程中,系统响应是否随训练次数增加而趋于期望值。
  (四)神经网络的新模型及其学习算法
  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。另外,在逼近非线性函数问题上,现有理论只解决了存在性问题;对于控制器及辨识器,如何选择合适的神经网络模型及确定模型的结构,尚无理论指导。在具体应用时,学习样本的选取、初值的设定及多信息的融合等也是必须考虑的问题,并且,它们往往与所要解决的实际问题相关,使其解决有了一定的难度。
  
  五、结论
  
  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。一方面,由于神经网络在自适应控制中的巨大作用和潜能,人们迫切需要开发实用的神经控制系统以满足工程实际的需要;另一方面,神经自适应控制系统的基本理论研究严重滞后,一些重要理论问题,如稳定性判据、基于稳定性及鲁棒性的工程设计方法等,几乎还未开展研究。这种现象的存在,将严重制约神经网络在控制领域的进一步应用和开展。因此,开展对神经自适应控制系统的稳定性、鲁棒性研究,不仅具有十分重要的理论意义,而且对促进我国自动化技术的发展、提高人工智能领域的研究水平,亦具有十分重要的意义。
  
  参考文献:
  [1]徐丽娜,神经网络控制[M],北京:电子工业出版社, 2003. 119-121.
  [2]徐湘元,自适应控制理论与应用[M],电子工业出版社,2007. 179-205.
  [3]吴振顺,自适应控制理论与应用[M],哈尔滨工业大学出版社,2005.2-3.
  [4]陈晓雷、李国勇,神经网络自适应控制器仿真研究[J].
  
  作者简介:
  蔡慧娟,女,硕士研究生,研究方向为过程控制与检测。

转载注明来源:https://www.xzbu.com/8/view-8992649.htm