基于神经网络的非线性自适应控制研究毕业设计论文(编辑修改稿)

基于神经网络的非线性自适应控制研究毕业设计论文(编辑修改稿)内容摘要：

次会上确定今后每年召开一次中国神经网络学术大会。 1991 年在南京召开的中国神经网络学术人会上成立了中国神经网络学会。 此后经过十儿年的努力，我国学术界和 工 程界在人工神经网络的理论研究和麻用方面取得了丰硕的成果，学术论文、应用成果和研究人员的数量逐年增加。 目前，人工神 经网络已在我国科研、生产和生活中产生了普遍而巨大的影响。 神经网络的问世标志着认知科学、计算机科学及人工智能的发展又处于一个新的转折 点，它的应用和发展不但会推动神经动力学本身，而且将影响新一代计算机的设计原理，有可能为新一代计算机和人工智能开辟一条崭新的途径。 同时，它为学习识别和计算提供了新的现代途径，有可能给信息科学带来革命性的变化。 神经网络的学习规则 人类 具有学习能力，人的知识和智慧是在不断学习与实践中逐渐形成和发展起来的，所以作为模拟人的智能的神经网络，也麻当具有学习能力。 神经网络在外界输入样本 的刺激下不断改变网络的连接权值乃至拓扑结构，以使网络青岛科技大学本科毕业设计（论文） 13 的输出不断地接近期望的输出，这一过程称为神经网络的学习，其本质是对可变权值的动态调整。 神经 网络 的学习方式可分为：有导师学习和无导师学习。 有 导师的学习 (SL． Supervised Learning):在学习过程中，网络根据实际输出与期望输出的比较进行连接权值的调整，将期望输出称为导师信号，代表了神经网络执行情况的最佳结果，它是评价学习的标准。 如图 所示 图 有导师的学习 无 导师的学习包括无监督学习 （ Learning）和再励学习(RL． Reinforcement Learning)。 无 监督学习没有导师信号提供给网络，而是提供一个关于网络学习表示方法质量的测量尺度，网络根据该尺度进行连接权值的调整，此时，网络的学习评价标准隐含于其内部。 如图 所示 图 无监督学习 再励学习把学习看作试探评价（奖或惩）过程，学习机选择一个动作（输出）作用于环境之后，使环境的状态改变，并产生一个再励信号 re（奖或惩）反馈至学习机。 学习机依据再励信号与环境当前的状态选择下一动作作 用 于环境，基于神经网络的非线性自适应控制研究 14 选择的原则是使受到奖励的可能性增大。 如图 所示： 图 再励学习 在 学习过程中，网络中各神经元的连接权需按一定的规则调整变化，这种权值调整规则称为学习规则。 学习能力是神经网络最重要的一个能力，学习规则也几乎是神经网络的核心问咫之一。 神经网络学习规则可分为如下几类： Hebb 学习规则 Hebb 学习规则用于 调整 神经网络的权值，可以概括为： 1)如果一个突触（连接）两边的两个神经元被同时（即同步）激活，则该突触的能量就被选择性的增加。 (2)如果一个突触（连接）两边的两个神经元被异步激活，则该突触的能量就被有选择的消弱或者消除。 Delta 规则：又称误差修正规则，根据这个规则的学习算法，通过反复迭代运算，直至求出最佳的权值，使期望输出与实际输出的差值展小。 竞争式学习规则：属于无教师学习方式，这种学习方式利用不同层间的神经元兴奋性联接，以及同一层内距离很近的神经元间发生同样的兴奋性联接，而距离较远的神经元产生抑制性联接，这种在神经网络中的兴奋性或抑制性联接机制中引入了竞争机制的学习方式，称为竞争式学习。 其本质特征在于神经网络中高层次神经元对低层次神经元输入模式进行竞争式识别。 Boitzman 机学习规则：也称为随机学习规则， 是基 于 模拟退火的统计方法，适用于多层网络。 它提供了学习隐节点的一个有效方法，能学习复杂的非线性可分函数。 主要缺点是学习速度太慢。 青岛科技大学本科毕业设计（论文） 15 神经网络的研究方法 神经 网络的研究方法有许多，从传统工程方法上看，神经网络的宏观研究方法可分为： l、动力系统理论：实现层次描述。 动力系统理论方法主要研究与刻画动力系统的渐近行为，如平衡点、极限环、奇怪吸引子及系统的绝对稳定性。 但动力系统理论不是万能的，它不能提供关于信息处理及如何有效地处理不同的动力系统的任何消息。 非线性规划理论：算法层次描述。 算法层次主要研究如何求 解一特殊的信息处理 问题 ，非线性规划理论主要关心用于探索目标函数全局极小的有关算法的分析与设计。 动力系统理论仅关心系统的动力学行为，非线性规划则仅关心如何活动目标函数的全局极小。 统计推理：计算水平描述。 主要关心信息处理的基本目的，解释所得结果是否合理、正确。 神经 网络是一个由大量神经元组成的动力学系统，根据概率统计的观点，从宏观上看，各神经元的状态可看作是一个随机变量，是服从统计规律的。 从统计观点分析也可寻找神经网络系统中某种神经元状态的概率分布，这一分布的形式与网络的结构有关，其参数就是权系数。 神经网络的能力 神经 网络的能力应包含两个方面的内容，一是神经网络的信息存储能力；二是神经网 络的计算能力，对应如 下 问题： 在一个有 N 个神经元的神经网络中，它可以储存多少位的信息。 神经网络具有什么样的计算能力，也就是说它能够有效地计算哪些问题。 在 神经网络模型中，存储能力与计算能力构成了神经网络理论的两个最基本的问题。 传统 计算机在计算之前要从存储器中取出指令和待处理的数据，然后进行计算，最后将结果又放入到存储器中。 这样，存储器与运算器之间的通道就成为提高计算能力的瓶颈。 神经网络模型则从本质上解决 了传统计算机的这个瓶颈问题，这是因为神经网络的运行是从输入到输出的值传递过程，在值传递的基于神经网络的非线性自适应控制研究 16 同时完成了信息的存储和计算 ， 从而将信息的存取和计算完善地结合在一起。 对于 神经网络来说，计算可理解为给定一组输入而得到一组输出。 由输入得到输出的过程也就是计算。 神经网络的计算能力有三个显著的特点：一是它的非线性特性；二是大量的并行分布结构：三是它的学习和归纳能力。 迄今为止 ，神经网络至少可以完成以下信息处理任务： 教学逼近映射：开发 合适 的函数 : nnf A R B R  ，以自组织的方式响应以下的样本集合： 1 1 2 2( , ) , ( , ) , ( , )mmx y x y x y。 概率密度函数的估计：通过自组织的方式开发出一组等概率“锚点”来响应在空间 nR 中按照一定确定概率密度函数 p 选取的一组向量样本1 2 3,X X X „。 从二进制数据基中提取相关知识：将从二进制数据基中提取的相关知识形成一种知识的聚集 模型，这些知识依照数据基的自组织在它们之间有某种统计上的共性，并依据这些共性来响应输入的数据基。 形成拓扑连续及统计意义上的同构映射：这是对同定概率密度函数选择的输入数据进行自适应的一种自组织映射，最终使得数据空间上的不同项有某种同构。 最 近相邻模式分类：这种能力可应 用 于暂态或暂稳态模式分类，并且可用层次性的存贮模式来表达存储。 数据聚集：这是采用自组织的方式所选择的“颗粒”或模式的聚类，以此来响应输入数据。 最优化 问题 的计算：这是用来求解局部甚至是全局最优解的。 神经网络的应用 神经 网络的脑式智能信息处理特征与能力，特别是其所具有的计算能力使其应用领域日益扩大，潜力 R 趋明显，其主要应用有以下几个方面： 传感器 信息处理涉及到两个主要的问题：模式处理变换和模式识别。 神经 网络还被广泛地应用于信号处理，如目标检测、杂波去噪或畸变波的恢复、多目标跟踪等。 神经网络也可用于多探测器信号的融合． 青岛科技大学本科毕业设计（论文） 17 神经 网络可对待传送（或待存储）的数据提取模式特征，只将该特征传（或存储）．接收后再将其恢复成原始模式。 神经 网络所具有的非线性特性和学习能力，使 其在系统辨识方面有很大潜力。 另外，神经网络具有自学习和自适应等智能特点，非常适合作控制器。 神经网络还被用于机器人控制中。 在鱼雷的控制上，有的也采用了神经网络方法。 在 金融财政、银行、保险行业的应用主要是进行顾客群体特征分析、市场研究、社会资金需求分析、顾客心理分析、消费倾向分析以及新产品分析及优化等。 神经网络控制系统 控制 理论与相对论、量子理论一起被认为是 20 世纪上半叶科学发展的三大飞跃，它是应社会发展的需要，在解决重大下程技术问题以及军事问题的实践中产生和发展起 来的一门新科学。 经过几十年的发展，控制理论的应用和影响已遍及众多工业技术领域，深入到社会生活的各个方面，使人类大大突破了自身能力的限制。 尤其是在当今社会，小的方面如现代化家用电器的芯片控制，交通红绿灯、路灯的控制，大的方面如宇宙飞船的控制等都离不开控制技术。 控制理论的发展一直受到以下三方面需求的推动： 处理不断复杂的对象； 完成不断复杂的设计； 在对象和环境的知识所知甚少的情况下达到以上两条要求阻 1。 其发展过程大体上经历了经典控制理论、现代控制理论以及 20 世纪70 年代后期提出和发展起来的非线性智能控制 理论三个发展阶段。 随着 工 程研究的深入，控制理论所面临的问题日益复杂多变，主要表现于控制对象、控制目标的日益复杂化，系统的数学模型难以建立，这时智能控制则体现了较人的优势。 目前，智能控制已形成多种方法，较典型的有：专家控制、模糊控制和神经网络控制等，并以它们为代表，经过短短一二十年的发展，给整个控制理论带来了无限生机和活力。 控制系统就是使机器按期望目标运转的系统，一般需要通过反馈来进行行为调整和性能修正，因而也可以说，反馈思想是控制理论的基石。 基于 神经网络的控制称为神经 网络 控制 (Neural Network Control． NNC)，基于神经网络的非线性自适应控制研究 18 简称神经控制。 神经网络控制是 20 世纪 80 年代来期发展起来的 自 动控制领域的前沿学科之一，是人工种经网络理论与控制理论相结台的产物，是发展中的学科。 神经网络控制汇集了包括数学、神经生理学、脑科学、生物学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。 神经 网络控制，是将神经网络在相应的控制结构中当作控制器与（或）辨识器，主要是为了解决复杂的非线性、不确定系统在不确定、不确知环境中的控制问题，使控制系统稳定性、鲁棒性好，达到要求的动态与静态性能。 神经 网络 控制是非线性控制的一个分支。 它与传统非线性控制的区别在于神经网络控制是基于系统的输入 — 输出映射，而非系统的数学模型：控制器设计是通过学习来完成的，而不是针对模型进行的，可以说神经网络控制器是一种结构特殊的非线性控制器。 由于 人工神经网络是采朋仿生学的观点与方法来研究人脑和智能系统中的高级信息处理，从微观结构与功能上对人脑神经系统的模拟而建立起来的一类模型，具有模拟人的部分智能的特性，主要是具有 非线性特性、自学习能力和自适应性，所以神经网络控制能对变化的环境具有 自适应 性，成为基本上不依赖于模型的一类控制，比较适 合于那些具有不确定性和高度非线性的被控对象，冈而神经网络控制又是智能控制的一个重要分支领域。 对 控制科学而言，神经网络的巨人吸引力在于： 非线性映射能力，神经网络本质上是非线性系统，可以处理那些难以用模型或规则描述的复杂系统。 自学习适应能力，经过适当训练的神经网络具有高度的自适应性，具有能够学习和适应严重不确定性关系的动态特性，可用来处理复杂系统的不确定问题。 优良的容错性能，系统信息等分布存贮在网络的各神经元及其连接权中，故有很强的鲁棒性和容错能力。 便于用犬规模集成电路来实现。 可 实现在线或离线学习，使之满足某种控制要求，灵活性很大。 这些 特点说明神经网络适应了控制理论和控制工程领域发展的基本要求，在解决高度非线性和严重不确定性系统的控制方面有巨大潜力。 这些特点也使得神经网络非常适合于复杂系统的建模与控制，特埘是当系统存在不确定性因素时，更体现了神经网络方法的优越性，它使模型与控制的概念更加一般化。 Hunt 总结了神经网络与控制科学之间的一般关系。 如图 所示 青岛科技大学本科毕业设计（论文） 19 图 控制与神经网络之间的关系 由于 神经网络具有 以 上特点，使得采用神经同络的控制系统具有更强的适应性和鲁棒性，所以 在控制系统的建模、辨识和控制等方面都获得了广泛的应用，并且已取得了许多显著的成果，通常 神经网络 在控制系统中的主要作用可分为如下几种 ： 在基于精确模型的各种控制结构中充当系统的模型，如内膜控制、模型参考自适应控制、预测控制等。 在反馈控制系统中直接用作控制嚣。 在传统控制系统中起优化计算的作用。 在与其他智能控制方法和优化算法的融合中。 为其提供非参数化对象模型、优化参数、推理模型及故障诊断辞。 控制中常用的神经网络模型 根据 人工神经网络对生物神经系统的不同组织层次和抽象层次的模拟，神经网 络模型的类型可分为： 神经元层次模型：研究工作主要集中在单个神经元的动态特性和自适应特性上，探索神经元对输入信息有选择的响应和某些基本存储功能的机理。 组合式模型：它由数种相互互补、相互协作的神经元组成，用于完成某基于神经网络的非线性自适应控制研究 20。