智能控制读书报告

智能控制读书报告内容摘要：

大多数工业过程都不同程度地存在非线性、参数时变性和模型不确定性，因而一般的 PID控制无法实现对这样过程的精确控制。 模糊控制对数学模型的依赖性弱，不需要建立过程的精确数学模型。 模糊自适应 PID控制器比常规 PID控制器明显地改善了控制系统的动态性能，抗干扰能力更强，且易于实现，便于工程应用。 （ 2） 模糊自适应 PID控制器的原理 模糊自适应 PID控制器是应用模糊数学的基本理论和方法，把规则的条件、操作等用模糊集表示，并把这些模糊控制规则及有关信息作为知识存进计算机的知识库中，然后计算机根据控制系统的实际响应情况运用模糊推理，即可自动实现对 PID参数的调整，这就是模糊自适应 PID控制。 （ 3） 模糊自适应 PID控制器的结构 在实际应用中，一般是以误差 e和误差的变化率 de/dt（ ec）作为控制器的输入，可以满足不同时刻的 e和 ec对 PID参数自整定的要求。 利用模糊控制规则在对PID参数进行修改，便构 成了自适应模糊 PID控制器，结构图如图 1所示： 模糊化模糊推理P I D控 制器对 象+dedt 图 1 自适应调整模糊控制器结构图 隶属函数的确定方法 隶属函数的确定，应该是反映出客观模糊现象的具体特点，要符合客观规律，而不是主观臆想的。 但是，一方面由于模糊现象本身存在着差异，而另一方面，由于每个人在专家知识、实践经验、判断能力等方面各有所长，即使对于同一模 糊概念的认定和理解，也会具有差别性，因此，隶属函数的确定又是带有一定的主观性，仅多少差异。 正因为概念上的模糊性，对于同一个模糊概念，不同的人会 使用不同的确定隶属函数的方法，建立不完全相同的隶属函数，但所得到的处理模糊信息问题的本质结果应该是相同的。 目前常用确定隶属函数的方法 如 模糊统计法：其基本思想是对论域 E上的一个确定元素是否属于论域上的一 0e个可变动的清晰集合，做出确切的判断。 3． 个人总结 对模糊控制的学习，从中我了解了 模糊数学的基本思想，作为一种 研究和处理模糊性现象的一种数学理论和方法 ，它以不确定的物理事物为研究对象，更加接近工程实用， 相比于其他几种控制方法，现阶段在工程上模糊控制得到了更好的应用 ,模糊控制作为智能控制领域最具有实际意义的一 种方法，已经在工业控制领域，家用电器自动化领域和其他很多行业中解决了传统控制方法无法或者难以解决的问题 ，取得了令人瞩目的成果。 但是，虽然模糊控制的理论和应用 取得了很大的进展，但是就目前的状况来看，尚缺乏重大的突破，因此模糊控制无论在理论和应用上都有待于进一步的深入研究和探讨。 三 神经网络控制 1． 概述 神经网络 (简称神经网络， Neural Network)是模拟人脑思维方式的数学模型。 神经网络是在现代 生 物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为，它从微观结构和功能上 对人脑进行抽象和简化，是模拟人类智能的一条重要途径，反映 了人脑 功能的若干基本特征，如并行信息处理、学习、联想、模式分类、记忆等。 人工神经网络本身各简单结点没有显在的物理意义，但综合网络可描述复杂和非线性系统的控制和辨识问题，而且能做到并行实时、冗余容错的运算。 它有如下特点：能充分逼近任意非线性特性；分布式并 行处理机制；自学习和自适应能力；数据融合能力；适合于多变量系统；多变量处理；以及可硬件实现。 这些特点使神经网络成为非线性系统建模与控制的一种重要方法，因此神经网络成为实现非线性预测控制的关键技术之一。 神 经网络最早的研究是 1943年心理学家 McCulloch和数学家 Pitts合作提出的，他们提出的 MP模型拉开了神经网络研究的序幕。 神经网络的发展大致经历了三个发展阶段： 19461969为初期，在此期间的主要工作包括 Hebb(1949)《 The Organization of Behavior》一书中提出的 Hebb学习规则，他的基本思想是：大脑在器官接受不同的任务刺激时，大脑的突触在不断的进行变化，这些不停的变化导致了大脑的自组织形成细胞集合，循环的神经冲动会自我强化。 Hebb在文中给出了突出调节模型，描述了 分布记忆，即后来的关联论 (connectionist)；这个阶段另一个重要的工作为 Rosenblatt基于 MP模型，增加了学习机制，推广了 MP模型研制了感知机。 Rosenblatt感知机器的工作激发了许多的学者对神经网络研究的极大兴趣，美国上百家有影响的实验室纷纷投入到这个领域。 1969年 Minsky和 Papert指出感知机的缺陷并表示出对该方法研究的悲观态度，同时由于专家系统方法展示出的强大活力，使得神经网络在很长时间内处于一个发展的低潮。 第二阶段即为 19701986期间的发展低潮阶段，在此期间科学家们 做出了大量的工作，如 Hopfield对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。 19811984年 Kohonen提出自组织映射网络模型。 1986年 Rumelhart等人提出误差反向传播神经网络，简称 BP网络。 目前 BP网络已经得到广泛应用。 1987年至今为发展期，在此期间，神经网络得到了国际重视，许多国家都展开研究，形成神经网络发展的另一个高潮。 2． 基本原理 神经元模型 人工神经元是神经网络的基本处理单元。 它是对生物神经元的简化和模拟。 图 2给出了一种简化的神经元结构。 如下图 1所示。 图 1 神经元结构 从图中可见，它是一个多输入、单输出的非线性元件，其输入 /输出关系可描述为 1()niiiI w xy f I  其中 ( 0,1,..., )ix i n 是从其它细胞传来的输入信号，  为阈值，权系数 iw 表示连接的强度，说明突触的负载。 ()fx称为激发函数或作用函数，其非线性特征可用阈值型、分段线性型和连续激发函数近似。 神经网络学习方法 神经网络学习方法有多种， 网络的学习规则可以分为三类：相关规则，即仅仅根据连接间的激活水平改变权值；纠错规则，即依赖关于输出节点的外部反馈来改变权系数；无教师学习规则，即学习表现为自适应于输入空间的检测规则。 （ 1） Hebb学习方法 Hebb 规则是最早的神经网络学习规则之一，是一种联想式学习方法，由Donald Hebb 在 1949 年作为大脑的一种神经元突触调整的可能机制而提出，从那以后 Hebb 规则就一直用于人工神经网络的训练。 这一学习规则可归纳为“当某一突触连接两端的神经元同时处于激活状态 (或同为抑制 )时，该连接的强度应增加，反之应减弱”。 Hebb 学习规则是一种无教师的学习方法，它只根据神经元连接间的激活水平改变权值，因此这种方法又称为相关学习或并联学习。 Hebb 学习规则是一切神经网络学习规则的基础，可以说，以后所有的学习规则都是基于 Hebb 规则的变形。 （ 2） 多层前向网络 P1 P2 Pn W1 W2 Wn a Σ θ f ① 单层前向网示意图： 10 u 0kw  )(1xu 1kw ky    )(xud kdw 输入层 输出层 ② 双层前向网 — 不含反馈的人工神经网络 ： 输入层 (X) 隐层 (Z) 输出层 (Y) x1 y1。