学习智能控制课程的研究报告

精选文库 -学习智能控制课程的研究报告通过本学期所学的智能控制知识、上网搜集资料和参考论文的情况下，对智能控制这门学科的学习做出了简要总结。1智能控制的发展自动控制经过百余年的发展，无论是在控制理论还是控制工程上都取得了巨大成功，但是，随着人类社会的发展，控制对象日益复杂、控制目标越来越高，控制理论与控制工程面临的挑战也越来越大。以控制理论和智能理论为基础，以模拟人的智能化操作和经验为手段的智能控制方法应运而生。智能控制是基于人类对自然界的智能的认识所发展起来的智能理论与方法，包括基于符号逻辑的传统AI理论与基于复杂计算的计算智能理论。它是人工智能和自动控制的重要研究领域，并被认为是通向自主机器递阶道路上自动控制的顶层。人工智能的发展促进自动控制向智能控制发展，智能控制思潮第一次出现于20世纪60年代。1965年，美籍华人傅京孙教授在他的论文中首先提出把人工智能的直觉推理方法用于学习控制系统，最早把人工智能引入到控制技术中。1966年，Mendel进一步在空间飞行器的学习控制系统中应用了人工智能技术，并且提出了“人工智能控制”的概念。 1967年，Leondes和Mendel首先正式使用“智能控制”一词。20世纪70年代是智能控制的发展初期，傅京孙、Gloriso和Saridis等人正式提出了智能控制就是人工智能技术与控制理论的交叉。70年代中期前后，以模糊集合论为基础，从模仿人的控制决策思想出发，智能控制在另一个方向规则控制上也取得了重要的进展。80年代为智能控制的迅速发展期，智能控制的研究及应用领域逐步扩大并取得了一批应用成果。1987年1月，第一次国际智能控制大会在美国举行，标志着智能控制领域的形成。1992年至今为智能控制进人崭新的阶段。随着对象规模的扩大和过程复杂性的加大，形成了智能控制的多元论，而且在应用实践方面取得了突破性的进展，应用对象也更加广泛。智能控制采用各种智能技术来实现复杂系统和其他系统的控制目标，是一种具有强大生命力的新型自动控制技术。智能控制的产生和发展正反映了当代自动控制以至整个科学技术的发展趋势，是历史的必然。智能控制已成为自动控制发展道路上的一个新的里程碑，正发展为一种日趋成熟和日臻完删的控制手段，并获得日益广泛的应用。2智能控制的研究内容目前关于智能控制的研究和应用沿着几个主要的分支发展，主要有专家控制、模糊控制、神经网络控制、学习控制、基于知识的控制、复合智能控制、基于进化机制的控制、自适应控制等等。有的已在现代工业生产过程与智能自动化方面投入应用。主要介绍如下：1、专家控制是智能控制的一个重要分支，其研究始于60年代中期，是由美国斯坦福大学Feigen-baum于1965年开创的人工智能研究的新领域。所谓专家控制是指将专家系统的理论和技术同控制理论方法与技术相结合，在未知环境下，仿效专家的智能，实现对系统的控制。专家控制试图在传统控制的基础上“加入”一个富有经验的控制工程师，实现控制的功能，它由知识库和推理机构构成主体框架，通过对控制领域知识(先验经验、动态信息、目标等)的获取与组织，用某种策略及时地选取恰当的规则进行推理输出，实现对实际对象的控制。2、模糊控制自1965年Zadeh教授创建模糊集理论和1974年英国的Mamdani成功地将模糊控制应用于蒸汽机控制以来，模糊控制得到了很大的发展和广泛的应用。模糊控制是基于模糊推理、模仿人的思维方式、对难以建立精确数学模型的对象实施的一种控制，成为处理推理系统和控制系统中不精确和不确定性的一种有效方法，构成了智能控制的重要组成部分。3、神经网络控制是另一类智能控制的重要形式。人的大脑具有很强的自学习和自适应能力，神经网络控制正是基于模拟人的大脑结构和功能而发展起来的一种智能控制方法。神经网络由人工神控制就经元组成，采用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。所谓神经网络控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断，以及同时兼有上述这些功能的组合。是当今智能控制中的研究热点领域之一。4、学习控制系统是一个能在其运行过程中逐步获得受控过程及环境的非预知信息，积累控制经验，并在一定的评价标准下进行估值、分类、决策和不断改善系统品质的自动控制系统。学习控制具有搜索、识别、记忆、推理4个主要功能。傅京孙指出：几乎所有的学习算法都具有相似的学习特性。较复杂的在线学习技术的实现需要高速度和大容量的计算机。5、递阶控制系统递阶智能控制是在研究早期学习控制系统的基础上，并从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐渐地形成的，也是智能控制的最早理论之一。递阶智能控制还与系统学及管理学有密切关系。已经提出多种分级递阶控制理论，即基于知识/解析混合多层智能控制理论、“精度随智能提高而降低”的分级递阶智能控制理论以及四层递阶控制理论等。这几种理论在递阶结构上是有联系的，其中，以萨里迪斯的分级智能控制理论最具影响。由萨里迪斯提出的分级递阶智能控制方法作为一种认知和控制系统的统一方法论，其控制智能是根据分级管理系统中“精度随智能提高而降低”的原理而分级分配的，并由组织级、协调级和执行级三级组成。6、仿生控制系统从某种意义上说，智能控制就是仿生和拟人控制，模仿人和生物的控制机构、行为和功能所进行的控制，就是拟人控制和仿生控制。神经控制、进化控制、免疫控制等都是仿生控制，而递阶控制、专家控制、学习控制和仿人控制等则属于拟人控制。在模拟人的控制结构的基础上，进一步研究和模拟人的控制行为与功能，并把它用于控制系统，实现控制目标，就是仿人控制。仿人控制综合了递阶控制、专家控制和基于模型控制的特点，实际上可以把它看作一种混合控制。生物群体的生存过程普遍遵循达尔文的物竞天择、适者生存的进化准则。群体中的个体根据对环境的适应能力而被大自然所选择或淘汰。生物通过个体间的选择、交叉、变异来适应大自然环境。把进化计算，特别是遗传算法机制和传统的反馈机制用于控制过程，则可实现一种新的控制进化控制。自然免疫系统是个复杂的自适应系统，能够有效地运用各种免疫机制防御外部病原体的入侵。通过进化学习，免疫系统对外部病原体和自身细胞进行辨识。把免疫控制和计算方法用于控制系统，即可构成免疫控制系统。7、组合智能控制系统把智能控制与传统控制(包括经典PID控制和近代控制)有机地组合起来，即可构成组合智能控制系统。组合智能控制能够集智能控制方法和传统控制方法各自之长处，弥补各自的短处，取长补短，也是一种很好的控制策略。例如，PID模糊控制、神经自适应控制、神经自校正控制、神经最优控制、模糊鲁棒控制等就是组合智能控制的例子。严格地说，各种智能控制都有反馈机制起作用，因此都可看作组合智能控制。3神经网络智能控制智能控制被广泛应用于社会众多领域，从实验室到工业现场，从智能仪器到家用电器，从工业机器人到生产领域控制，解决了大量的传统控制无法解决的实际控制应用问题。将各种智能控制方法的交叉应用是当前智能控制领域主要应用方向之一，而这种交叉应用有时是非常困难的。在此我仅对神经网络控制系统的应用做下简要总结和学习。对于控制界，神经网络的吸引力在于：(1) 能够充分逼近任意复杂的非线性系统；(2) 能够学习和适应严重不确定性系统的动态特性；(3) 由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的鲁棒性和容错性；(4) 采用并行分布处理方法，使得快速进行大量运算成为可能。这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力。将神经网络引入控制系统是控制学科发展的必然趋势，它的引入不仅为这一领域的突破带来了生机，同时也给控制研究带来了许多亟待解决的问题。1、神经网络的发展简史 神经网络控制系统是将人工神经网络与控制理论相结合而发展起来的自动控制领域的前沿学科之一，是智能控制的一个重要分支。神经网络的研究始于20世纪60年代，1960年，B.Widrow和M.E.Hoff首先把ANN用于控制系统；B.Kilmer和W.S.McCulloch提出了KMB神经网络模型，并在“阿波罗”登月计划中应用，取得良好效果；1964年，B.Widrow等用ANN对小车倒立摆系统控制取得了成功。但之后神经网络控制的研究随着ANN研究处于低谷。20世纪80年代后期，又重新受到重视，在神经网络自适应控制方法上发展迅速。目前，应用已很快渗透到智能控制等领域，并取得了很大的进展。 2、神经网络与其他算法相结合将神经网络与其他算法的结合，可以达到优化组合的目的，利于人工神经网络在智能控制方向的运用。神经网络与专家系统、模糊逻辑、遗传算法、小波神经、混沌理论等相结合用于智能控制，可为系统提供非参数模型、控制器模型等。(1) 人工神经网络与模糊理论相结合人工神经网络与模糊控制相结合，为模糊控制提供了良好的学习功能，并自动生成模糊控制规则。人工神经网络由于其仿生特性，更能有效利用系统本身的信息，并能映射任意函数关系，而且还具有并行处理和自学习能力；此外，它容错能力也很强。因此，将二者结合可实现互补，构成良好的智能控制系统。在实际应用中，最著名的科技成果就是20世纪90年代，日本松下公司推出了神经模糊控制全自动洗衣机。这是一个具有重要实践意义的发展。目前，模糊神经网络主要有三种结构：A：神经模糊系统。基于模糊理论，利用神经网络作为构造和学习工具，可解决隶属度最优设计、知识自动获取等问题。B：模糊神经系统。基于神经网络，利用模糊逻辑改造神经网络，可改善神经网络结构的可修正性。C：模糊神经混杂系统。将两者并列形成混杂系统。模糊推理与神经网络各自独立工作，分别完成系统不同的功能。(2) 人工神经网络与遗传算法的结合在神经网络结构中研究和应用最多的是多层前向网络，但它存在缺陷，在较多局部极小情况下很容易陷入局部极小点，且不可避免地存在学习精度与学习速度的矛盾。而遗传算法是力求充分模仿自然生物进化的自然寻优过程的随机性、鲁棒性和全局性，这是一种新的全局优化搜索算法，因为其直接对结构对象进行操作，不存在求异和函数连续性的限定，鲁棒性强，具有随机性和全局性，适于并行处理。也因此应用范围较广。遗传算法用于神经网络主要是用遗传算法学习神经网络的权重和学习神经网络的拓扑结构，而最主要的是学习神经网络的权重，也就是用遗传算法来取代一些传统的学习算法。(3) 人工神经网络和专家系统的结合专家系统在表达知识和逻辑推理方面有较强的优势，而神经网络长于非线性映射和直觉推理，将两者相结合发挥各自的优势，会获得更好的控制效果。神经网络在知识获取的过程中，只要求专家系统提供范例及相应的解，就能通过特定的学习算法对样本进行学习，通过网络内部自适应算法对连接权值分布不断的修改以达到性能要求，并把专家求解实际问题的启发式知识和经验分布到网络的互连及权值的分布上。3、神经网络控制在城市交通中的应用根据城市交叉口交通流的特点，采用了一种交叉口多相位控制算法，综合考虑相邻车道上的车队长度，利用多层BP神经网络实现了道路交叉口多相位模糊控制。仿真结果表明，文中所设计的模糊神经网络控制器能有效地减少单交岔口平均车辆延误，具有较强的学习和泛化能力，是实现交通系统智能控制的一条新途径。(1) 该控制算法描述为：步骤l 从相位开始，分别指定各相位的最短绿灯时间和最大绿灯时间；步骤2 先给该相位以最短绿灯时间；步骤3 测得放行车道的车队长度，设其为；步骤4 若为0v(v为排队长度下限)，且大于某一给定值(e0)，或累积绿灯时间，则将绿灯转到下一相位，回到步骤1，否则继续；步骤5 根据及值的大小来确定绿灯延长时间，这可以根据交警的经验及交叉口的几何形状建立模糊控制规则。设延长的绿灯时间为，若，则，否则，回到步骤3。(2) 模糊控制器设计：A：两检测器之间的车辆数，队长之差为，绿灯追加时间的模糊化 模糊变量论域为：取7个语言值：，。 模糊变量论域为：，取5个语言值：，。绿灯追加时间也被看作模糊变量，其论域，取7个语言值：，。B：模糊条件语句构成：if is and is thenis 。 C：模糊判决(去模糊化) 文中采用的模糊判决为最大隶属度原则法。(3) 模糊控制器的BP神经网络实现模糊模型可以用三个BP(误差反传)神经网络来实现。神经网络示意图如图1所示。神经网络I第一部分第二部分图1模糊神经网络控制器结构示意图GQJ神经网络III神经网络II神经网络、分别用于生成和的隶属函数。神经网络用于产生绿灯追加时间输出.神经网络采用典型神经元，其输入、输出关系为sigmoid函数，即式中：为神经元的输出; 为神经元的输入；为的权系数；为阈值。(4) 算法实现对于输入样本，层单元节点的输人为：单元节点的输出：权值的修正量：阈值的修正量该方法针对交通系统难以用数学模型准确建模，进而实施优化控制的特点，提出了一种神经网络模糊控制方法。神经网路控制与模糊控制有效的结合起来构成的神经网路模糊控制具有较强的实用性，不但不需要被控对象精确的数学模型，而且可以对前提隶属函数和控制规则进行在线学习调整，不断提高自身的适应性、特别适合于系统结构异常复杂、非线性、大时滞、干扰大的交通系统，为实现交通系统智能化开辟了一条新途径。该例证明了神经网络之所以现在又成为研究热点，很大程度上是由于与之交叉的模糊神经网络技术的注入，它把模糊逻辑系统与神经网络系统相结合，形成一个共生互补系统。神经网络的关键特性和基本限制是神经网络表示的信息是隐含的，如果要完全理解它几乎是不可能的，而安排它的权值是它工作得如何的关键，然而却又无法知道权值和理解神经网络在做什么。而模糊系统并不像神经网络系统那样，它所具有的“知识”可通过该领域的专家提供，但模糊逻辑控制规则是靠人的直觉经验制定的，它本身并不具有学习能力。模糊控制规则越多，控制运算的实时性越差，而且需要识别和建立规则的时间随规则数的增加而按指数形式增加，这大大限制了模糊逻辑的应用范围。由此可知，模糊逻辑技术与神经网络技术各有所长和局限性，如果把二者结合起来，就能各取所长、共生互补，组成性能更好的系统。这实际上是人类大脑结构和功能的模拟大脑神经网络“硬件”拓扑结构+信息模糊处理“软件”的思维功能。4、神经网络在智能控制领域的应用概述神经网络由于其独特的仿生结构模型和固有的非线性模拟能力，以及高度的自适应和容错特性等突出特征，在智能控制领域中获得了广泛的应用，已取得了许多成果。这种应用几乎覆盖了智能控制理论研究中的绝大多数问题，应用形式主要有：机器学习、自然语言理解、计算机视觉、图像分割、系统建模和辨别等。在20世纪60年代，专家们就提出了一种算法，利用这种算法，神经网络可以成功地学会平衡一个干扰抑制器。利用神经网络技术，控制系统能够执行传感器表面一个图像传感器的反馈控制和图像平面非线性关系的计算，并能把图像传感器瞄准到正在运动的指定目标上。显然，这种技术可以应用到机器人的摄像机控制，而且还可以应用到诸如火控装置等武器系统中。神经网络还被应用于飞机的智能控制、机器人控制等方面。5、神经网络在智能控制领域的发展趋势神经网络在智能控制领域中的研究取得了巨大的进展。可是人们对生物神经系统的了解还很少，神经网络模型无论从结构还是网络规模，都是真实神经网络的极简单的模拟，所以神经网络控制的研究、应用大都停留在仿真和实验室研究阶段，与大规模的工业运用还有相当长的距离。从总体上来看，今后的研究应致力于以下几方面：(1) 基础理论研究：包括神经网络的层数、单元数隐层神经元数量的确定、激发函数的类型、逼近精度与拟逼近非线性映射之间的关系，持续激励与收敛等；(2) 研究专门适合于智能控制问题的动态神经网络模型，解决相应产生的对动态网络的逼近能力与学习算法问题；(3) 不同结构神经网络与之相对应的算法的研究，及算法快速收敛性的研究；神经网络软件模拟、硬件实现的研究；(4) 人工神经网络与遗传算法、模糊理论等多种理论、控制算法的结合运用研究。人工神经网络的本质特性提供了其在智能控制领域中的广泛应用前景。随着科技的发展，人们对生物神经系统的深入认识和理解，作为模拟生物神经网络的人工神经网络的触角必将伸向智能控制领域各个方向，极大的促进智能控制的快速发展。4智能控制的应用现有的智能控制系统包括递阶控制系统、专家控制系统、模糊控制系统、神经控制系统和学习控制系统；此外，还提出了拟人控制系统、进化控制系统、免疫控制系统等。这些系统都有其构成原理、体系结构和特性分析或算法等；这些系统也在不同的程度上得到应用。下面简介几个智能控制的主要应用：1、智能机器人规划与控制随着机器人技术的迅速发展和自动化程度的进一步提高，已对机器人的功能提出更高的要求，特别需要各种不同程度智能的机器人。机器人研究者们所关心的主要研究方向之一是机器人运动的规划与控制。给出一个规定的任务之后，首先必须做出满足该任务要求的运动规划；然后，这个规划再由控制来执行，该控制足以使机器人适当地产生所期望的运动。2、生产过程的智能监控许多工业连续生产线，如轧钢、化工、炼油、材料加工、造纸和核反应等，其生产过程需要监视和控制，以保证高性能和高可靠性。为保持物理参数具有一定的精度，确保产品的优质高产，已在一些连续生产线或工业装置上采用了有效的智能控制模式。例如，旋转水泥窑的模糊控制、轧钢机的神经控制、分布式材料加工系统、分级智能材料处理、智能PH值过程控制、工业锅炉的递阶智能控制以及基于知识的核反器控制等。3、自动加工系统的智能控制计算机集成加工系统(CIMS)和柔性加工系统(FMS)在近年来获得迅速发展。在一个复杂的加工过程中，不同条件下的多种操作是必要的，以求保证产品质量。环境的不确定性以及系统硬件和软件的复杂性，向当代控制工程师们设计和实现有效的集成控制系统如焊接过程的模糊控制、汽车工业生产过程的神经控制、数控机床加工智能控制等提出了挑战。4、智能故障检测与诊断故障检测和诊断与过程监控密切相关。一个高级的过程控制系统应当具有故障自动检测和自诊断能力，以保证系统工作的高度可靠性。许多高级的医疗诊断系统也是智能故障诊断系统。所有智能故障检测与诊断(IFDD)系统的一般任务是根据已观察到的状况、领域知识和经验，推断出系统、部件或器官的故障原因，以便尽可能及时发现和排除故障，以提高系统或装备的可靠性。生产过程故障诊断系统能够了解各部分的特性以及这些特性间的关系，为用户提供检测数据，并尽可能正确地从不确定信息中做出诊断结论。智能故障检测与诊断系统是一个问题求解的计算机系统，也是一种智能控制系统。典型的IFDD系统有太空站热过程控制系统的故障诊断、火电站锅炉给水过程控制系统的故障检测与诊断和雷达故障诊断专家系统等。5、飞行器的智能控制飞行过程控制一直是自动控制的重要应用研究领域之一。大多数商用飞机都装备有可供选择的自动降落系统的自动驾驶仪。一种基于神经网络的飞行控制器能够处理紊流和其他可能出现的非线性控制情况。神经网络能够较好地处理各种非线性或未识别线性关系，而这些关系往往是驾驶员可能运用的。神经网络在原则上能够产生从一个大的变量集合(如传感器参量)到另一个变量集合(如操作模式或控制动作)的映射。自20世纪80 年代以来，智能控制已被应用于飞行过程控制，尤其是飞机的俯倾(flare)和降落(landing)控制。6、医疗过程智能控制从20世纪70年代起，专家