智能控制的学习心得与体会及展望

智能控制的学习与总结智能控制的学习与总结 智能控制的学习与思考一 我对智能控制的理解 从开始上学学习知识以来 所学到的知识用我自己的理解与感觉就是 所 学的知识越来越复杂 其模型越来越接近实际 感觉最深的是在数学课与物理 课上 其模型不在只是考虑理想状态下 或者只在线性关系下 其中要考虑到 很多的问题 不再只是一个简单的式子就可以表达 求解 而这学期所学的智能控制感觉是相对于之前学的经典控制理论与现代控制 理论 其研究对象是更为实际与现实的问题 但是与之前不同之处在于 现在 的智能控制不只是研究对象更加实际 现实 而且是提出了新的方法途径 相 比较与经典的控制理论 智能控制的研究对象有其自己的特点 1 不确定性的模型 智能控制的研究对象通常存在严重的不确定性 这里所说的模型不确定性 包含两层意思 一是模型未知或知之甚少 二是模型的结构和参数可能在很大 范围内变化 2 高度的非线性 对于具有高度非线性的控制对象 采用智能控制的方法往往可以较好地解 决非线性系统的控制问题 3 复杂的任务要求 对于智能控制系统 任务的要求往往比较复杂 二 智能控制与传统控制的关系 智能控制与传统的或常规的控制有密切的关系 不是相互排斥的 常规控 制往往包含在智能控制之中 智能控制也利用常规控制的方法来解决 低级 的控制问题 力图扩充常规控制方法并建立一系列新的理论与方法来解决更具 有挑战性的复杂控制问题 1 传统的自动控制是建立在确定的模型基础上的 而智能控制的研究对象 则存在模型严重的不确定性 即模型未知或知之甚少者模型的结构和参数在很 大的范围内变动 比如工业过程的病态结构问题 某些干扰的无法预测 致使 无法建立其模型 这些问题对基于模型的传统自动控制来说很难解决 2 传统的自动控制系统的输入或输出设备与人及外界环境的信息交换很不 方便 希望制造出能接受印刷体 图形甚至手写体和口头命令等形式的信息输 入装置 能够更加深入而灵活地和系统进行信息交流 同时还要扩大输出装置 的能力 能够用文字 图纸 立体形象 语言等形式输出信息 另外 通常的 自动装置不能接受 分析和感知各种看得见 听得着的形象 声音的组合以及 外界其它的情况 为扩大信息通道 就必须给自动装置安上能够以机械方式模 拟各种感觉的精确的送音器 即文字 声音 物体识别装置 可喜的是 近几 年计算机及多媒体技术的迅速发展 为智能控制在这一方面的发展提供了物质上 的准备 使智能控制变成了多方位 立体 的控制系统 3 传统的自动控制系统对控制任务的要求要么使输出量为定值 调节系统 要么使输出量跟随期望的运动轨迹 跟随系统 因此具有控制任务单一性的特 点 而智能控制系统的控制任务可比较复杂 例如在智能机器人系统中 它要 求系统对一个复杂的任务具有自动规划和决策的能力 有自动躲避障碍物运动 到某一预期目标位置的能力等 对于这些具有复杂的任务要求的系统 采用智 能控制的方式便可以满足 4 传统的控制理论对线性问题有较成熟的理论 而对高度非线性的控制对 象虽然有一些非线性方法可以利用 但不尽人意 而智能控制为解决这类复杂 的非线性问题找到了一个出路 成为解决这类问题行之有效的途径 工业过程 智能控制系统除具有上述几个特点外 又有另外一些特点 如被控对象往往是 动态的 而且控制系统在线运动 一般要求有较高的实时响应速度等 恰恰是 这些特点又决定了它与其它智能控制系统如智能机器人系统 航空航天控制系 统 交通运输控制系统等的区别 决定了它的控制方法以及形式的独特之处 5 与传统自动控制系统相比 智能控制系统具有足够的关于人的控制策略 被控对象及环境的有关知识以及运用这些知识的能力 6 与传统自动控制系统相比 智能控制系统能以知识表示的非数学广义模 型和以数学表示的混合控制过程 采用开闭环控制和定性及定量控制结合的多 模态控制方式 7 与传统自动控制系统相比 智能控制系统具有变结构特点 能总体自寻 优 具有自适应 自组织 自学习和自协调能力 8 与传统自动控制系统相比 智能控制系统有补偿及自修复能力和判断决 策能力 总之 智能控制系统通过智能机自动地完成其目标的控制过程 其智能机 可以在熟悉或不熟悉的环境中自动地或人 机交互地完成拟人任务 三 智能控制的类型 1 1 专家控制系统专家控制系统 Expert Expert System System 专家指的是那些对解决专门问题非常熟悉的人们 他们的这种专门技术通 常源于丰富的经验 以及他们处理问题的详细专业知识 专家系统主要指的是一个智能计算机程序系统 其内部含有大量的某个领 域专家水平的知识与经验 能够利用人类专家的知识和解决问题的经验方法来 处理该领域的高水平难题 它具有启发性 透明性 灵活性 符号操作 不确 定性推理等特点 应用专家系统的概念和技术 模拟人类专家的控制知识与经 验而建造的控制系统 称为专家控制系统 专家系统是利用专家知识对专门的或困难的问题进行描述 用专家系统所 构成的专家控制 无论是专家控制系统还是专家控制器 其相对工程费用较高 而且还涉及自动地获取知识困难 无自学能力 知识面太窄等问题 尽管专家 系统在解决复杂的高级推理中获得较为成功的应用 但是专家控制的实际应用 相对还是比较少 2 2 模糊控制系统模糊控制系统 所谓模糊控制 就是在被控制对象的模糊模型的基础上 运用模糊控制器 近似推理手段 实现系统控制的一种方法 模糊模型是用模糊语言和规则描述 的一个系统的动态特性及性能指标 模糊控制的基本思想是用机器去模拟人对系统的控制 它是受这样事实而 启发的 对于用传统控制理论无法进行分析和控制的复杂的和无法建立数学模 型的系统 有经验的操作者或专家却能取得比较好的控制效果 这是因为他们 拥有日积月累的丰富经验 因此人们希望把这种经验指导下的行为过程总结成 一些规则 并根据这些规则设计出控制器 然后运用模糊理论 模糊语言变量 和模糊逻辑推理的知识 把这些模糊的语言上升为数值运算 从而能够利用计 算机来完成对这些规则的具体实现 达到以机器代替人对某些对象进行自动控 制的目的 模糊逻辑用模糊语言描述系统 既可以描述应用系统的定量模型也可以描 述其定性模型 模糊逻辑可适用于任意复杂的对象控制 但在实际应用中模糊 逻辑实现简单的应用控制比较容易 简单控制是指单输入单输出系统 SISO 或 多输入单输出系统 MISO 的控制 因为随着输入输出变量的增加 模糊逻辑的 推理将变得非常复杂 3 3 人工神经网络控制系统人工神经网络控制系统 神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连 而组成的网络 或由大量象生物神经元的处理单元并联互连而成 这种神经网 络具有某些智能和仿人控制功能 学习算法是神经网络的主要特征 也是当前研究的主要课题 学习的概念 来自生物模型 它是机体在复杂多变的环境中进行有效的自我调节 神经网络 具备类似人类的学习功能 一个神经网络若想改变其输出值 但又不能改变它 的转换函数 只能改变其输入 而改变输入的唯一方法只能修改加在输入端的 加权系数 神经网络的学习过程是修改加权系数的过程 最终使其输出达到期望值 学习结束 常用的学习算法有 Hebb 学习算法 widrow Hoff 学习算法 反向 传播学习算法一 BP 学习算法 Hopfield 反馈神经网络学习算法等 神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法 它能表 示出丰富的特性 并行计算 分布存储 可变结构 高度容错 非线性运算 自我组织 学习或自学习等 这些特性是人们长期追求和期望的系统特性 它 在智能控制的参数 结构或环境的自适应 自组织 自学习等控制方面具有独 特的能力 神经网络可以和模糊逻辑一样适用于任意复杂对象的控制 但它与 模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制 在模糊逻辑表示的 SIMO 系统和 MIMO 系统中 其模糊推理 解模糊过程以及学 习控制等功能常用神经网络来实现 模糊神经网络技术和神经模糊逻辑技术 模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用 两者既有相同性 又有不同性 其相同性为 两者都可作为万能逼近器解决非线性问题 并且两 者都可以应用到控制器设计中 不同的是 模糊逻辑可以利用语言信息描述系 统 而神经网络则不行 模糊逻辑应用到控制器设计中 其参数定义有明确的物 理意义 因而可提出有效的初始参数选择方法 神经网络的初始参数 如权值等 只能随机选择 但在学习方式下 神经网络经过各种训练 其参数设置可以达 到满足控制所需的行为 模糊逻辑和神经网络都是模仿人类大脑的运行机制 可以认为神经网络技术模仿人类大脑的硬件 模糊逻辑技术模仿人类大脑的软 件 根据模糊逻辑和神经网络的各自特点 所结合的技术即为模糊神经网络技 术和神经模糊逻辑技术 模糊逻辑 神经网络和它们混合技术适用于各种学习 方式智能控制的相关技术与控制方式结合或综合交叉结合 构成风格和功能各 异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点 四 总结与展望 智能控制虽然已有 50 多年的发展史 而其其实