模糊神经网络_神经网络智能控制论1（引言部分）

今天有幸在MOOC课上听到了北交大张严心老师智能控制课程，收获颇丰。正好导师目前给我的研究方向是基于神经网络的智能控制，在迷茫之余有幸听到跟自己方向相关的课程也是深受启发，因此结合张老师上课内容总结一下关于神经网络实现智能控制的研究内容，并总结成文章，方便后续查看。课程如下：

智能控制_中国大学MOOC(慕课)​www.icourse163.org

（今天看了一下张老师的主页，有幸发现和老师是校友，同NEUer~，向大师姐学习！！！）

第一节 引言

一、神经网络控制的优越性

我们之前学的传统控制方式都是基于模型的控制方式，是根据被控对象的数学模型及对控制系统要求的性能指标来设计控制器，并对控制规律加以数学解析描述，比如我们本科学习的自动控制原理和现代控制理论，都是经过严密的数学推导，然而当数学模型较为复杂、强非线性或者很难用数学描述时，经典控制方法就显得不那么好用了。而神经网络控制相比较经典的控制算法，其优势在于：该方法具有很强的逼近非线性函数的能力，即非线性映射能力，神经网络用于控制正是利用这个独特的优点。总结起来，神经网络优越性在于：

1. 神经网络可以处理那些难以用模型或规则描述的过程或系统。
2. 神经网络采用并行分布式信息处理方式，具有很强的容错性。
3. 神经网络是本质的非线性系统。
4. 神经网络具有很强的信息综合能力。
5. 神经网络的硬件实现愈趋方便。

神经网络在控制中的主要作用如下：

1. 在反馈控制系统中充当控制器的作用；
2. 在基于精确模型的各种控制结构中充当对象的模型；
3. 在传统控制系统中起优化计算作用；
4. 在与其它智能控制方法和优化算法如模糊控制、专家控制及遗传算法相融合中，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等。

二、神经网络控制器的分类

按照神经网络在控制器中的作用不同一般分为两类：

1. 一类称神经网络控制，它是以神经网络为基础而形成的独立智能控制系统。
2. 另一类称为混合神经网络控制，它代表着那些利用神经网络学习和优化能力来改善传统控制的现代控制方法。

一些典型的神经网络的控制结构和学习方式可归结为七类（重点哦）：

导师指导下的控制器、逆控制器、自适应网络控制器、神经内模控制结构、前馈控制结构、自适应评价函数、混合控制系统

下面我们分别来看一下：

（1）导师指导下的控制器

神经网络的输入信号来自传感器的信息和命令信号，神经网络的输出就是系统的控制信号。一旦神经网络的训练达到了能够充分描述人的控制行为，则网络训练结束。神经网络控制器就可以直接投入实际系统的控制。（说白了专家经验控制器可以理解为经验丰富的老师傅，或者根据已有控制理论设计好的已经达到控制效果的控制器，用一个神经网络去学它）

导师指导下的神经网络控制结构

（2）逆控制器

设系统的状态观测值为y(t)，它与控制信号u(t)的关系为：

F可能是未知的，假设F是可逆的，即u(t)可从y(t),y(t-1)求出，通过训练神经网络的动态响应为:

H即为F的逆动态。一旦训练成功，从理论上看只要直接把神经网络控制器接到动力学系统的控制端，就可以实现无差跟踪控制。

逆控制器的结构图

关于逆控制器我的理解是需要在动力学系统稳定的情况下，动力学系统的逆其实就是控制器，因为被控对象的输入就是控制器的输出，控制器的输入就是被控对象的输出，这种方式也好理解，但是个人认为有点理论化，而且动力学系统要求必须稳定。动力学系统如果一旦有干扰，控制器控制效果就会受到影响，神经网络训练出来的相应的逆控制器也会有问题（后面有改进方法）。

（3）自适应网络控制器

自适应控制系统要求控制器能够随着系统环境或参数的变化而对控制器进行调节以便达到最优控制的特性。

自适应网络控制器结构图

这个地方老师上课举了一个飞机飞行的例子。每个飞机在飞行过程都有一个理想的飞行状态模型，比如飞行姿态或者翻转、俯仰吧等等，对应图中的参考模型（可能是通过机理建模或者什么严密数学推导出来的公式，总之就是理想情况吧），而非线性系统就是实际的飞机。图中的神经网络Ni时刻监视网络输出和实际飞机输出的偏差，用于调整神经网络Ni，最后理想情况就是该神经网络和非线性系统一样，非线性系统就可以从框图里面拿掉了。

然后看网络控制器Ne，它时刻监视参考模型输出和非线性系统模型输出的偏差e，并喂给网络控制器Ne，用于调整网络控制器中的参数。当e趋近于0时，控制器不再改变。（如果不好理解的话可以想想PID，当你的偏差发生变化的时候，是不是得适当调一调PID中的参数啊，这里网络Ne的参数就可以理解是PID中的参数，只不过需要网络自己去学习参数如何调整，不需要人了）

（4）神经内模控制结构

用一个神经网络作为模型状态估计器，另一个神经网络作为控制器，被控系统的实际输出与模型M的输出信号差用于反馈的目的。

神经网络内模控制结构图

从上图可以看到是两个神经网络在一个闭环中跑，神经网络M是对非线性系统的建模，将非线性系统的输出与神经网络M的输出之差，加上非线性系统的输出Y共同喂给神经网络控制器C，调节其参数。

（5）前馈控制结构

单纯的求逆控制结构不能很好地起到抗干扰能力，因此结合反馈控制的思想组成前馈补偿器的网络控制结构。

前馈补偿控制结构图

上述结构主要解决当非线性系统发生变化或者受到一定干扰时，已经设计好的反馈控制器可能不再具有良好的控制效果。这时候加上前馈神经网络对反馈控制输出补偿，也就是对被控变量有一定的补偿，使控制器具备抗干扰能力。

（6）自适应评价函数

整个学习系统由一个相关的搜索单元和一个自适应评价单元组成。在这个算法中，相关搜索单元是作用函数，自适应评价单元为评价网络。

自适应评价网络结构图

跟上面几个控制结构相比，可以发现这个结构咋没有了被控对象和设定值？其实这种评价的方式可以理解为无导师学习的一种方式，作用网就是控制器，根据当前状态x(t)得到控制器输出u(t)并加到被控对象上，看它下一时刻的状态x(t+1)我们是否满意（用评价函数j(t+1)衡量），并指导控制器设计。也就是说被控对象跟踪设定值可能不是我们的目的了，只需要满足评价指标即可。

（7）混合控制系统

是由神经网络技术与模糊控制、专家系统等相结合形成的一种具有很强学习能力的智能控制系统，它集人工智能各分支的优点，使系统同时具有学习、推理和决策能力，成为智能控制的最新发展方向。

先整理到这吧，学完第二节再接着更新，下一节主要跟非线性动态系统神经网络辨识有关系哦~~