9-智能控制基础

1、主要内容9.1 绪论9.2 基于模糊推理的智能控制9.3 人工神经网络9.1绪 论智能控制是人工智能与控制理论交叉的产物，是传统控制理论发展的高级阶段。智能控制理论的创立和发展是对计算机科学、人工智能、知识工程、模式识别、系统论、信息论、控制论、模糊集合论、人工神经网络、进化论等多种前沿学科、先进技术和科学方法的高度综合集成。 9.1.1 智能控制的基本概念1.智能控制概述“智能控制”这个术语早在1967年由Leondes等人提出。1971年，傅京生(King-Sun Fu)通过对含有拟人控制器的控制系统和自主机器人诸方面的研究，以“智能控制”这个词概念性地强调系统的问题求解和决策能力。他把智

2、能控制(IC)概括为自动控制(AC)和人工智能(A1)的交集。 图9.1 智能控制的二元交集论示意图图9.2 智能控制的三元交集论示意图智能控制的应用对象智能控制是控制理论发展的高级阶段，它主要用来解决那些用传统方法难以解决的复杂系统的控制问题。例如智能机器人系统、计算机集成制造系统、复杂的工业过程控制系统、航天航空控制系统、社会经济管理系统、交通运输系统、环保及能源系统等 智能控制的应用对象具备以下一些特点 不确定性的模型 ：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。高度的非线性 ：对于具有高度非线性的控制对象，非线性控制理论还很不成熟，而且

3、方法比较复杂。 复杂的任务要求 9.1.2 智能控制系统所谓智能系统是指具备一定智能行为的系统。具体地说，若对于个问题的激励输入，系统具备一定的智能行为，它能够产生合适的求解问题的响应，这样的系统便称为智能系统 智能控制系统是实现某种控制任务的种智能系统 智能行为也是一种从输入到输出的映射关系这种映射关系并不能用数学的方法精确地加以描述，因此它可看成是种不依赖于模型的自适应估计 智能控制系统的结构图9.3 智能控制系统的结构图在该系统中，广义对象包括通常意义下的控制对象和所处的外部环境。 传感器则包括关节位置的传感器、力传感器，还可能包括触觉传感器、视觉传感器等 感知信息处理将传感器得到的原始

4、信息加以处理。认知部分主要接收和储存知识、经验和数据，并对它们进行分析、推理，作出行动的决策，送至规划和控制部分。通讯接口除建立人机之间的联系外，也建立系统中各模块之间的联系。规划和控制是整个系统的核心，它根据给定的任务要求、反馈的信息及经验知识，进行自动搜索、推理决策、动作规划 智能控制系统的主要功能与特点传统控制研究的主要目标是被控对象，而智能控制研究的主要目标是控制器本身。与传统控制器相比，智能控制器不再是纯粹的解析型数学模型，而是数学模型和知识系统相结合的广义模型 智能控制常具有以下一种或几种基本特点 分层递阶的组织结构 智能控制系统的组织结构体现了“智能递增、精度递减”的原理。其协调

5、层次越高，所体现的智能也越高。多模态控制 智能控制系统常采用具有开、闭环控制结合，定性决策与定量控制结合，数学模型和非数学广义模型结合的多模态控制。自学习能力 一个系统，如果能对一个过程或其环境的未知特征所固有的信息进行学习，并将得到的经验用于进一步的估计、分类、决策或控制，从而使系统的性能得到改善，那么就称该系统为学习控制系统。学习控制系统是智能控制系统的一种，智能控制系统的学习功能可能有低有高，低层次的学习功能主要包括对控制对象参数的学习，高层次的学习功能则包括知识的更新和遗忘。自适应能力 智能控制系统中的智能行为实质上是一种从输入到输出之间的映射关系，它可看成是不依赖模型的自适应估计。因

6、此它具有很好的适应性能。当系统的输入不是已经学习过的例子时，由于系统具有插补功能，从而可给出合适的输出，甚至当系统中某些部分出现故障时，系统也能够正常的工作。如果系统具有更高程度的智能，它还能自动找出故障甚至具备自修复的功能，从而体现了更强的适应性。自组织能力 具有自组织能力的智能控制系统对于复杂的任务和分散的传感信息具有自行组织和协调的功能。该组织功能也表现为系统具有相应的主动性和灵活性，即智能控制器可以在任务要求的范围内自行决策，主动地采取行动。而当出现多目标冲突时，在一定的限制下，控制器可自行裁决。9.2基于模糊推理的智能控制模糊控制是一种基于规则的智能控制，它是以模糊集合论、模糊语言变

7、量及模糊逻辑推理为基础的一种计算机智能控制。从1956年美国著名控制论学者L . A . Zadeh发表开创性论文，首次提出一种完全不同于传统数学与控制理论的模糊集合理论，到1986年世界上第一块基于模糊逻辑的人工智能芯片在贝尔实验室研制成功，再到日本第一台模糊控制洗衣机的投入使用，模糊控制表现出了强劲的发展动力，越来越受到工程技术人员和学者的青睐，已经为将人的控制经验以及推理过程纳入自动控制策略之中提供了一条简捷的途径。1974年英国马丹尼首先设计了模糊控制器，并用于锅炉和蒸汽机的控制，取得了成功。模糊语言控制器、模糊控制论、模糊自动控制等概念，就从此开始诞生了 9.2.1模糊控制系统的基本

8、原理图9.4 模糊控制原理框图模糊控制的基本原理它的核心部分为模糊控制器，如图中虚线框中部分所示。模糊控制器的控制规律由计算机的程序实现，实现模糊控制算法的过程是这样的：微机经中断采样获取被控制量的精确值，然后将此量与给定值比较得到误差信号(在此取单位反馈)。一般选误差信号作为模糊控制器的一个输入量。把误差信号的精确量进行模糊量化变成模糊量，误差e的模糊量可用相应的模糊语言表示。至此，得到了误差E的模糊语言集合的一个子集E (E实际上是一个模糊向量)。再由E和模糊控制规则R(模糊关系)根据推理的合成规则进行模糊决策，得到模糊控制量U。 模糊控制器有三个主要的功能模块。 (1)模糊化(Fuzzi

9、fication) 模糊化是将模糊控制器输入量的确定值转换为相应模糊语言变量值的过程，此变量值均由对应的隶属度来定义。 (2)模糊推理(Fuzzy Inference) 模糊推理包括三个组成部分：大前提、小前提和结论。大前提是多个多维模糊条件语句，构成规则库；小前提是一个模糊判断句，又称事实。以已知的规则库和输入变量为依据，基于模糊变换推出新的模糊命题作为结论的过程叫做模糊推理。 (3)清晰化(Defuzzification)清晰化是将模糊推理后得到的模糊集转换为用作控制的数字值的过程。9.2.2 模糊数学基础模糊集合在人类的思维中，有许多概念是模糊的，如大、小、冷、热等，都没有明确的内涵和外

10、延，只能用模糊集合来描述；有的概念具有清晰的内涵和外延，如男人和女人。我们把前者叫做模糊集合，而后者叫做普通集合(或经典集合)。一般而言，在不同程度上具有某种特定属性的所有元素的总和叫做模糊集合。人们把元素对模糊集合的归属程度用隶属度函数来表示，它是模糊数学中最基本和最重要的概念，其定义为：用于描述模糊集合，并在0，1闭区间连续取值的特征函数叫隶属函数，隶属函数用A(x) 表示，其中A表示模糊集合，而x是A的元素，隶属函数满足条件： 0 A(x) 1例如青年是一个集合，如果用模糊集合A表示，并且有：A(x) = 则这时的隶属度函数如图图9.5 青年的隶属函数 定义Zadeh于1965年曾给出下

11、列定义：设给给定论域U，A(x)为U到0、1闭区间的任一映射， A(x)：U0，1 xA(x) 都可确定U的一个模糊集合A，A称为模糊集合A的隶属函数。 xU ，A(x)称为元素x对A的隶属度，即x隶属于A的程度。模糊集合可用下面两种方法表示。有限论域若给定论域U，且论域U = x1，x2，xn，则U上的模糊集合A可表示为：A = 其中，A ( xi ) ( i=1, 2, , n ), 为隶属度，xi 为论域中的元素。当隶属度为0时，该项可以略去不写。例论域U = a，b，c，d，则U上的模糊集合A可表示为：A = 1/a + 0.9/b + 0.4/c +0.2/d 注意，与普通集合一样，

12、上式不是分式求和，仅是一种表示法的符号，其分母表示论域U中的元素，分子表示相应元素的隶属度，隶属度为0的那一项可以省略。无限论域在论域是无限的情况下，上面的记法就不行了，取一连续实数区间，这时U的模糊集合A可以用实函数来表示：A =其中：积分号不是高等数学中的积分意义，也不是求和号，而是表示各个元素与隶属度对应的一个总括形式。模糊集合的运算是由其隶属函数的运算来刻划的，包括空集、子集、并集等并集 模糊集A和B的并集C，其隶属函数可表示为C ( x) = max A ( x), B ( x)， xU，即C=AB C ( x) = max A ( x), B ( x) =A ( x)B ( x)交

13、集 模糊集A和B的交集C，其隶属函数可表示为C ( x) = min A ( x), B ( x)， xU，即C=ABC ( x) = min A ( x), B ( x) =A ( x) B ( x)模糊关系精确的关系表示二个或二个以上集合元素之间关联、交互或互联是否存在，而模糊关系表示二个或二个以上集合元素之间关联、交互或互联存在或不存在的程度。令X和Y是两个论域，则模糊关系R(X，Y)是XY空间中的模糊集和，可表示为 R(X，Y) = ( x, y ), R ( x, y) | ( x, y)XY 这就称作XY中的模糊关系。9.2.3 模糊控制器的设计模糊控制器的设计包括以下几项内容：

14、根据本次采样得到的系统的输出值，计算所选择的系统的输入变量； 将输入变量的精确值变为模糊量； 根据输入变量(模糊量)及模糊控制规则，按模糊推理合成规则计算控制量(模糊虽)； 由上述得到的控制量(模糊量)计算精确的控制量。模糊控制器的设计也包括几个主要部分 精确量的模糊化模糊控制算法设计模糊量到精确量的转换精确量的模糊化基于推理合成规则进行模糊推理(2)量化因子与比例因子(3)语言变量值的选取(4)语言变量论域上的模糊子集(5)语言变量的赋值表(6)一个确定数的Fuzzy化模糊控制算法设计常见的模糊控制规则 单输入单输出模糊控制器控制规则形式为： if A then B if A then B

15、else C双输入单输出模糊控制器控制规则形式为： if E and C then U 多输入单输出模糊控制器控制规则形式为：If A and B and and N then U 双输入多输出模糊控制器控制规则形式为：If E and EC then UAnd if E and EC then V And if E and EC then W模糊关系的确定模糊控制器的控制规则是由一组彼此间通过“或”的关系连结起来的模糊条件语句来描述的。其中每一条模糊条件语句，当输入、输出语言变量在各自论域上反映各语言值的模糊子集为已知时，都可以表达为论域积集上的模糊关系在计算每一条模糊条件语句决定的模糊关系

16、Ri 之后，考虑到此等模糊条件语句间的“或”关系，可得描述整个系统的控制规则的总模糊关系R为模糊量到精确量的转换基于推理合成规则进行模糊推理输出信息的去模糊判决 最大隶属度法 取中位数法加权平均法 9.3人工神经网络人工神经网络简称神经网络，指利用工程技术手段模拟人脑神经网络的结构和功能的一种技术。它是大量简单的处理单元广泛连接所组成的复杂网络，是在现代生物学研究人脑组织所取得的成果基础上提出的，用以模拟人类大脑神经网络结构和行为。因此人工神经网络具有人脑功能的基本特征：学习、记忆和归纳，从而解决了智能控制中的某些局限性，为控制领域的研究开辟了新的途径。 9.3.1神经网络的基本原理和结构神经

17、细胞的结构与功能 神经元是由细胞体、树突和轴突组成 图9.7 生物神经元模型人工神经元模型图9.8 人工神经元模型神经元输出特性函数常选用的类型有 阶跃函数 线性函数 S型函数 图9.9 人工神经元的输出特性函数人工神经网络的基本结构类型前向网络 ；有反馈的前向网络 ；层内有互联的前向网络 ；互联网络 9.3.2 感知器和反传(BP)网络1957年，美国学者Rosenblatt提出了一种用于模式分类的神经网络模型，称为感知器。它是由阈值元件组成且具有单层计算单元的神经网络，具有学习功能。感知器是最简单的前馈网络，它主要用于模式分类。也可用在基于模式分类的学习控制和多模态控制中，其基本思想是将一

18、些类似于生物神经元的处理元件构成一个单层的计算网络 单层感知器网络图9.11 单层感知器网络图9.12 单个神经元的感知器前向多层网络的BP学习算法对于线性不可分的输入模式，只用单层感知器无法将其正确分类。这时可采用多层感知器，它可以解决异或问题。它包含输入层、隐层及输出层。隐层可以为一层或多层。每层上的神经元称为节点或单元。输入单元的活性(状态)代表输人此网络中的原始信息。每个隐单元的活性取决于输入单元的活性及该输人单元与隐单元之间联接权值。同样输出单元的行为取决于隐单元的活性及隐单元和输出单元之间的权值。信息是由输入单元传播到隐单元，最后传到输出单元。这种含有隐层的前向网络有一个重要特征，

19、即隐单元可以任意构成它们自身的输入表示，输入单元和隐单元间的权值决定每个隐单元何时是活性的，因此，借修改这些权值，一个隐单元可以选择它代表什么。前向多层网络的BP学习算法BP网络是正向、各层相互全连结的网络。对于输入信号，要经过输入层，向前传递到隐层节点。经过作用函数后，再把隐层节点的输出达到输出层节点，最后给出输出结果。在BP网中，作用函数选用Sigmoid函数。这个网络的算法(学习过程)由正向传播和反向传播二部分组成。在正向传播过程中，输入信息从输入层经隐层逐层处理：并传向输出层，每一层神经元状态只影响下一层神经元状态。在输出层输出信号与期望值进行比较，如果存在误差，则将误差沿原来连接的路径返回，通过修改层间各节点的连接强度(权值)，使误差信号减少，直至把误差限定在预先规定的范围