第6章新型控制策略

為什么提出新型控制策略？

一方面，以PID為核心的傳統控制方式是一種基于被控對象的精確數學模型的控制方式。

另一方面，隨著工業生產的飛速發展，被控對象越來越復雜，難以用精確的數學模型描述。

顯然，傳統控制技術難以解決上述現實問題。因此，提出新型控制策略。

本部分主要介紹模糊控制技術、神經網絡控制技術、預測控制、最優控制、自適應控制等智能控制或先進控制技術，用來解決那些使用傳統控制方法難以解決的復雜對象、復雜環境、復雜任務的控制問題。我們主要介紹神經網絡控制技術：

神經網絡的理論基礎，

典型神經網絡，

神經網絡控制。6.1神經網絡的理論基礎

人工神經網絡(簡稱神經網絡，artificialNeuralNetwork)是相對于生物學中所說的生物神經網絡系統而言的。提出的目的就在于用一定的簡單數學模型來對生物神經網絡結構進行描述，并在一定的算法指導前提下，使其能在某種程度上模擬生物神經網絡所具有的智能行為，解決用傳統算法所不能勝任的智能信息處理問題。神經網絡控制是將神經網絡與控制理論相結合而發展起來的智能控制方法。它已成為智能控制的一個新的分支，為解決復雜的非線性、不確定、不確知系統的控制問題開辟了新途徑。6.1.1神經網絡發展簡史神經網絡研究始于1943年，至今已經歷了50多年的漫長歷程，并且不是從一開始就受到廣泛關注的，而是經歷了一條從興起到蕭條，又從蕭條到興盛的曲折發展道路。具體說來，大致可為以下4個階段：2.低潮期（1969-1982年）受當時神經網絡理論研究水平的限制，加之受到馮·諾依曼式計算機發展的沖擊等因素的影響，神經網絡的研究陷入低谷。但在美、日等國仍有少數學者繼續著網絡模型和學習算法的研究，提出了許多有意義的理論和方法。例如，1969年，Grossberg提出了至今為止最復雜的ART神經網絡。1972年，Kohonen提出了自組織映射的SOM模型。3．復興期（1982-1986年）1982年，物理學家Hopfield提出了Hopfield神經網絡模型，該模型通過引入能量函數，實現了問題優化求解，1984年他用此模型成功地解決了旅行商路徑優化問題(TSP)。這一成果的取得使神經網絡的研究取得了突破性進展。

1986年，在Rumelhart和McCelland提出了一種著名的多層神經網絡模型，即BP網絡，該網絡是迄今為止應用最普遍的神經網絡。4．高潮時期(1986年至現在)神經網絡從理論走向應用領域，出現了神經網絡芯片和神經計算機。神經網絡逐漸在模式識別與圖像處理(語音、指紋、故障檢測和圖像壓縮等)、控制與優化、預測與管理(市場預測、風險分析)、通信等領域得到成功的應用。6.1.2神經網絡原理

單個（生物）神經元模型的示意圖如下圖所示。人腦大約包含1012個神經元，分成約1000種類型，每個神經元與102-104個其他神經元相連接，形成極為錯綜復雜而又靈活多變的神經網絡。每個神經元雖然都十分簡單，但是如此大量的神經元之間、如此復雜的連接卻可以演化出豐富多彩的行為方式。神經系統的基本構造是神經元（神經細胞），它是處理人體內各部分之間信息傳遞的基本單元。每個神經元都由一個細胞體、一個連接其他神經元的軸突和一些向外伸出的較短分支——樹突組成。軸突的功能是將本神經元的輸出信號（興奮）傳遞給別的神經元，其末端的許多神經末梢使得興奮可以同時傳遞給多個神經元。樹突的功能是接收來自其他神經元的興奮。神經元細胞體將接收到的所有信號進行簡單的處理，由軸突輸出。神經元的軸突與另外神經元相連的部分稱為突觸。神經元由由4部分分構成：：(1)細細胞體體(主體體部分)：包括括細胞質質、細胞胞膜和細細胞核；；(2)樹樹突：：用于為為細胞體體傳入信信息；(3)軸軸突：：為細胞胞體傳出出信息，，其末端端是神經經末梢，，含傳遞遞信息的的化學物物質；(4)突突觸：：是神經經元之間間的接口口(104一105個每神經經元)。。一個神神經元通通過其軸軸突的神神經未梢梢，經突突觸與另另外一個個神經元元的樹突突連接，，以實現現信息的的傳遞。。由于突突觸的信信息傳遞遞特性是是可變的的，隨著著神經沖沖動傳遞遞方式的的變化，，傳遞作作用強弱弱不同，，形成了了神經元元之間連連接的柔柔性，稱稱為結構的可可塑性。神經元具具有如下下功能：：(1)興興奮奮與抑制制：如果傳入入神經元元的沖動動經整合后后使細胞胞膜電位位升高，，超過動動作電位位的閾值值時即為為興奮狀狀態，產生神神經沖動動，由軸軸突經神神經未梢梢傳出。。如果傳入入神經元元的沖動動經整合后后使細胞胞膜電位位降低，，低于動動作電位位的閾值值時即為為抑制狀狀態，不不產生神神經沖動動。(2)學學習習與遺忘忘：由于于神經元元結構的的可塑性性，突觸觸的傳遞遞作用可可增強和和減弱，，因此，，神經元元具有學學習與遺遺忘的功功能。決定生物物神經網網絡性能能的3大大要素為為：(1)神神經元(信息處處理單元元)的特特性；(2)神神經元之之間相互互連接的的形式-----拓撲撲結構；(3)為為適應環環境而改改善性能能的學習習規則。人工神經經網絡是以工程程技術手手段來模模擬人腦腦神經元元網絡的的結構與與特征的的系統。。利用人工工神經元元可以構構成各種種不同拓拓撲結構構的神經經網絡。。它是生物物神經網網絡的一一種模擬擬和近似似，具有有學習、、識別、、控制等等功能。。就神經網網絡的主主要連接接形式而而言，目目前已有有數十種種不同的的神經網網絡模型型，其中中，前饋饋型網絡絡和反饋饋型網絡絡是兩種種典型的的結構（（模型））。（人工））神經網網絡的研研究主要要分為3個方面面的內容容，即神神經網絡絡模型、、神經網網絡結構構和神經經網絡學學習算法法。神神經網絡絡的結構構分類根據神經經網絡的的連接方方式，神神經網絡絡主要分分為2類類。前饋網絡絡圖6-2前前饋型神神經網絡絡如圖6-2所示示，神經經元分層層排列，，組成輸輸入層、、隱含層層和輸出出層。每每一層的的神經元元只接受受前一層層神經元元的輸入入。輸入入模式經經過各層層的順次次變換后后，由輸輸出層輸輸出。在在各神經經元之間間不存在在反饋。。感知器器和誤差差反向傳傳播網絡絡采用前前向網絡絡形式。。2.反反饋網絡絡圖6-3反反饋型神神經網絡絡網絡結構構如圖6-3所所示，該該網絡結結構在輸輸出層到到輸入層層存在反反饋，即即每一個個輸入節節點都有有可能接接受來自自外部的的輸入和和來自輸輸出神經經元的反反饋。這這種神經經網絡是是一種反饋動力力學系統統，它需要要工作——段時間間才能達達到穩定定。網絡結構構如圖6-3所所示，該該網絡結結構在輸輸出層到到輸入層層存在反反饋，即即每一個個輸入節節點都有有可能接接受來自自外部的的輸入和和來自輸輸出神經經元的反反饋。這這種神經經網絡是是一種反饋動力力學系統統，它需要要工作——段時間間才能達達到穩定定。Hopfield神經網網絡是反反饋網絡絡中最簡簡單且應應用最廣廣泛的模模型，它它具有聯聯想記憶憶的功能能，如果果將Lyapunov函數定定義為尋尋優函數數，Hopfield神經網網絡還可可以解決決尋憂問問題。神神經網絡絡學習算算法神經網絡絡學習算算法是神經網絡絡智能特特性的重重要標志志，神經網網絡通過過學習算算法，實實現了自自適應、、自組織織和自學學習的能能力。目前神經經網絡的的學習算算法有多多種，按按有無導師師分類，可分為為有導師學學習(SupervisedLearning)、、無導師學學習(UnsupervisedLearning)和再勵學習習(ReinforcementLearning)等等幾大類類。在有導師師的學習習方式中中，網絡絡的輸出出和期望望的輸出出(即導導師信號號)進行行比較，，然后根根據兩者者之間的的差異調調整網絡絡的權值值，最終終使差異異變小，，如圖6-5所所示。在在無導帥帥的學習習方式中中，輸入入模式進進入網絡絡后，網網絡按照照一種預預先設定定的規則則(如競競爭規則則)自動動調整權權值，使使網絡最最終具有有模式分分類等功功能，如如圖6-6所示示。再勵勵學習是是介于上上述兩者者之間的的一種學學習方式式。下面介紹紹兩個基基本的神神經網絡絡學習算算法。Hebb學習規規則Hebb學習規規則是一一種聯想想式學習習算法。。生物學學家D.O.Hebbian基于對對生物學學和心理理學的研研究，認認為兩個個神經元元同時處處于激發發狀態時時，它們們之間的的連接強強度將得得到加強強，這一一論述的的數學描描述被稱稱為Hebb學學習規則則，即Hebb學習規規則是一一種無導導師的學學習方法法，它只只根據神神經元連連接間的的激活水水平改變變權值，，因此，，這種方方法又稱稱為相關學習習或并聯學習習。假設誤差差準則函函數為神神經網網絡的特特征及要要素1．神經經網絡特特征神經網絡絡具有以以下幾個個特征：：(1)非線性映映射逼近近能力（能逼近近任意非非線性函函數）：：已有理理論證明明，任意意的連續續非線性性函數映映射關系系都可由由某一多多層神經經網絡以以任意精精度加以以逼近。。這種組組成單元元簡單、、結構有有序的模模型是非非線性系系統建模模的有效效框架模模型，預預示著神神經網絡絡在具有有挑戰性性的非線線性控制制領域有有很好的的應用前前景。(2)信息的并并行分布布式綜合合優化處處理能力力（信息的的并行分分布式處處理與存存儲）：：神經網網絡的大大規模互互連網絡絡結構，，使其能能很快地地并行實實現全局局性的實實時信息息處理，，并很好好地協調調多種輸輸入信息息之間的的關系，，兼容定定性和定定量信息息，這是是傳統的的串聯工工作方式式所無法法達到的的效果，，非常適適合于系系統控制制中的大大規模實實時計算算。同時時，某些些神經網網絡模型型本身就就具有自自動搜尋尋能量函函數極值值點的功功能。這這種優優化計算算能力在在自適應應控制設設計中是是十分有有用的。。(3)高強的容容錯能力力：神經網網絡的并并行處理理機制及及冗余結結構特性性使其具具有較強強的容錯錯特性,提高了了信息處處理的可可靠性和和魯棒性性。(4)對學習結結果的泛泛化和自自適應能能力（能進行行學習，，以適應應環境的的變化））：經過過適當訓訓練的神神經網絡絡具有潛潛在的自自適應模模式匹配配功能，，能對所所學信息息加以分分布式存存儲和泛泛化，這這是其智智能特性性的重要要體現。。(5)便于集成成實現和和計算模模擬：神經網網絡在結結構上是是相同神神經元的的大規模模組合，，所以特特別適合合于用大大規模集集成電路路實現，，也適合合于用現現有計算算技術進進行模擬擬實現。。但由于于現有的的計算機機運算方方式與神神經網絡絡所要求求的并行行運算和和分布存存儲方式式是截然然不同的的，所以以兩者在在運算時時間上必必然存在在著顯著著差異。。2．神經經網絡具具有以下下3個要要素：(1)神神經元元(信息息處理單單元)的的特性；；(2)神神經元之間間相互連接接的拓撲結結構；(3)為為適應環境境而改善性性能的學習習規則。6.1.6神經經網絡的研研究領域1．基于神神經網絡的的系統辨識識(1)將將神經網絡絡作為被辯辯識系統的的模型，可可在已知常常規模型結結構的情況況下，估計計模型的參參數。(2)利用用神經網絡絡的線性、、非線性特特性，可建建立線性、、非線性系系統的靜態態、動態、、逆動態及及預測模型型，實現系系統的建模模和辨識。。2．神經網網絡控制器器神經網絡作作為控制器器，可對不不確定、不不確知系統統及擾動進進行有效的的控制，使使控制系統統達到所要要求的動態態、靜態特特性。3．神經網絡與與其他算法法相結合將神經網絡絡與專家系系統、模糊糊邏輯、遺遺傳算法等等相結合，，可設計新新型智能控控制系統。。4．優化計算在常規的控控制系統中中，常遇到到求解約束束優化問題題，神經網網絡為這類類問題的解解決提供了了有效的途途徑。目前，神經經網絡控制制已經在多多種控制結結構中得到到應用，如如PID控控制、模型型參考自適適應控制、、前饋反饋饋控制、內模控控制、預測測控制、模模糊控制等等。6.2典典型神經網網絡6.2.1單神經經元網絡圖6-7神神經元結結構模型右圖是一種種簡化的人人工神經元元結構模型型，它是一一個多輸入入、單輸出出的非線性性元件，其其輸入、輸輸出關系可可描述為上上述形式。。輸出激勵函函數f(··)又稱為為變換函數數，它決定定該神經元元的輸出。。常用的神經經元激勵函函數有以下下3種。閾值型閾值型函數數如圖6-8所示。。圖6-8閾閾值型函函數2．分段線線性型分段線性型型函數表達達式為圖6-9分分段線性性型函數3.函數數型有代表性的的有Sigmoid型和高斯斯型函數。。Sigmoid型型函數表達達式為圖6-10Sigmoid型函數6.2.2BP神經網絡絡1986年年，Rumelhart等提提出了誤差反向傳傳播神經網網絡，簡稱BP網網絡(BackPropagation)，該網網絡是一種種單向傳播播的多層前前向網絡。。誤差反向傳傳播的學習習算法簡稱稱BP算法，其基本思想是梯度下降法法。它采用梯梯度搜索技技術，以期期使網絡的實實際輸出值值與期望輸輸出值的誤誤差均方值值為最小。。2.BP網網絡結構圖6-11BP神神經網絡結結構3．BP網網絡的逼近近圖6-12BP神經網絡絡逼近用于逼近的的BP網絡絡如圖6-13所示示。圖6-13用于逼逼近的BP網絡BP算法的的學習過程程由正向傳播和反向傳播組成。在正正向傳播過過程中，輸輸入信息從從輸入層經經隱層逐層層處理，并并傳向輸出出層，每層層神經元(節點)的的狀態只影影響下一層層神經元的的狀態。如如果在輸出出層不能得得到期望的的輸出，則則轉至反向向傳播，將將誤差信號號(理想輸輸出與實際際輸出之差差)按連接接通路反向向計算，由由梯度下降降法調整各各層神經元元的權值，，使誤差信信號減小。。(1)正向向傳播：計計算網絡的的輸出。(2)反向向傳播：采采用學學習算法法，調整各各層間的權權值。(1)正正向向傳傳播播：：計計算算網網絡絡的的輸輸出出。。隱層層神神經經元元的的輸輸入入為為所所有有輸輸入入的的加加權權之之和和，，即即隱層層神神經經元元的的輸輸出出采用用S函函數數激激發發，得得則輸出出層層神神經經元元的的輸輸出出為為誤差差性性能能指指標標函函數數為為網絡絡輸輸出出與與理理想想輸輸出出誤誤差差為為(2)反反向向傳傳播播：：采采用用學學習習算算法法，，調調整整各各層層間間的的權權值值。。根據據梯梯度度下下降降法法，，權權值值的的學學習習算算法法如如下下：：輸出出層層及及隱隱層層的的連連接接權權值值學習習算算法法為為式中中，，為學學習習速速率率，，。k十十1時時刻刻網網絡絡的的權權值值為為隱層層及及輸輸入入層層連連接接權權值值學習習算算法法為為式中中，，。問題題:如何何調調整整權權值值W，，使使E最最小小。。可可用用梯梯度度下下降降法法來來求求解解，，其其基基本本思思想想是是沿沿E的的負負梯梯度度方方向向不不斷斷修修正正權權值值，，直直到到E達達到到最最小小。。k十十1時時刻刻網網絡絡的的權權值值為為為廠廠避避免免權權值值的的學學習習過過程程發發生生振振蕩蕩、、收收斂斂速速度度慢慢，，需需要要考考慮慮上上次次權權值值變變化化對對本本次次權權值值變變化化的的影影響響，，即即加加入入動動量量因因子子。。此時時的的權權值值為為式中中，，為動動量量因因子子，，。。4.BP網網絡絡逼逼近近仿仿真真實實例例使用用BP網網絡絡逼逼近近對對象象圖6-14BP網網絡絡逼逼近近效效果果圖6-15BP網網絡絡逼逼近近誤誤差差圖6-16Jacobian信信息息的的辯辯識識5.BP網網絡絡的的憂憂缺缺點點BP網絡的優優點：1.只要有足足夠多的隱層層和隱層節點點，BP網絡絡可以逼近任任意的非線性性映射關系；；由于BP網絡絡具有很好的的逼近非線性性映射的能力力，該網絡在模式識別、圖像處理、系統辨識、函數擬合、優化計算、最優預測和自適應控制等領域有著較較為廣泛的應應用。2.BP網絡絡的學習算法法屬于全局逼逼近算法，具具有較強的泛泛化能力，可可用于神經網網絡控制器的的設計。3.BP網絡絡輸入輸出之之間的關聯信信息分布地存存儲在網絡的的連接權中，，個別神經元元的損壞只對對輸入輸出關關系有較小的的影響，因而而BP網絡具具有較好的容容錯性。BP網絡的主主要缺點為：：1.待尋優優的參數多，，收斂速度慢慢；難以適應應實時控制的的要求。2.目標函函數存在多個個極值點，按按梯度下降法法進行學習，，很容易陷入入局部極小值值；3.難以確確定隱層及隱隱層節點的數數目。目前，，如何根據特特定的問題來來確定具體的的網絡結構尚尚無很好的方方法，仍需根根據經驗來試試湊。6.BP網網絡模式識別別由于神經網絡絡具有自學習、自組織和并行處理等特征，并具具有很強的容錯能力和聯想能力，因此，神經網絡具有有模式識別的的能力。在神經網絡模模式識別中，，根據標準的輸入輸輸出模式對，采用神經網網絡學習算法法，以標準的的模式作為學學習樣本進行行訓練，通過過學習調整神神經網絡的連連接權值。當當訓練滿足要要求后，得到的神經網網絡權值構成成了模式識別別的知識庫，，利用神經網絡并行行推理算法便可對所需要要的輸入模式式進行識別。。神經網絡模式式識別具有較較強的魯棒性性。當待識別的輸輸入模式與訓訓練樣本中的的某個輸入模模式相同時，神經網絡識別別的結果就是是與訓練樣本本中相對應的的輸出模式。。當待識別的輸輸入模式與訓訓練樣本中所所有輸入模式式都不完全相相同時，則可得到與其其相近樣本相相對應的輸出出模式。當待識別的輸輸入模式與訓訓練樣本中所所有輸入模式式相差較遠時時，就不能得到正正確的識別結結果，此時可將這一一模式作為新新的樣本進行行訓練，使神神經網絡獲取取新的知識，，并存儲到網網絡的權值矩矩陣中，從而而增強網絡的的識別能力。BP網絡的訓訓練過程如下下：正向傳播是輸入信號從輸輸入層經隱層層傳向輸出層層，若輸出層得得到了期望的的輸出，則學學習算法結束束；否則，轉至反反向傳播。以第p個樣本本為例，用于于訓練的BP網絡結構如如圖6-17所示。圖6-17BP神經經網絡結構網絡的學習算算法如下：(1)正向傳播：計算網絡的的輸出。(2)反向傳播：采用梯度下下降法，調整整各層間的權權值。(1)正向傳傳播：計算網網絡的輸出。。隱層神經元的的輸入為所有有輸入的加權權之和，即隱層神經元的的輸出采用S函數激激發，得則輸出層神經元元的輸出為(2)反向傳播：采用梯度下下降法，調整整各層間的權權值。權值的學習算算法如下輸出層及隱層層的連接權值值學習算法為式中，為學習速率，，。k十1時刻網網絡的權值為為隱層及輸入層層連接權值學習算法為式中，。k十1時刻網網絡的權值為為為廠避免權值值的學習過程程發生振蕩、、收斂速度模模，需要考慮慮上次權值變變化對本次權權值變化的影影響，即加入入動量因子。。此時的權值為為式中，為動量因子，，。。7.BP網網絡模式識別別仿真實例取標準樣本為為三輸入兩輸輸出樣本，見見表6-1。。表6-1訓訓練樣本BP網絡模式式識別程序包包括網絡訓練練程序chap6-2a.m和網絡絡測試程序chap6-2b.m。。運行程序chap6-2a.m，，取網絡訓練練的最終指標標為E=10-20，網絡訓練指指標的變化如如圖6-18所示。將網網絡訓練的最最終權值為用用于模式識別別的知識庫，，將其保存在在文件wfile.mat中。表6-2測測試樣本及及結果圖6-18樣樣本訓練練的收斂過程程6.3神經經網絡控制控制理論在經經歷了經典控控制和現代控控制以后，隨隨著被控對象象變得越來越越復雜、對對對象和環境的的知識知道得得越來越少、、控制精度越越來越高，迫迫切希望控制制系統具有自適應自學習習能力、良好的魯棒性和實時性。概概述神經網絡是一一種具有高度度非線性的連連續時間動力力系統，它有有著很強的自自學習能力和和對非線性系系統的強大映映射能力。神神經網絡所具具有的大規模模并行性、冗冗余性、容錯錯性、本質的的非線性及自自組織、自學學習、自適應應能力，使其其廣泛應用于于復雜對象的的控制中。神經網絡本身身具備傳統的的控制手段無無法實現的一一些優點和特特征，使得神神經網絡控制制器的研究迅迅速發展。從從控制角度來來看，神經網絡用于于控制優越性性主要表現為為：(1)神經網網絡能處理那那些難以用模模型或規則描描述的對象；；(2)神經網網絡采用并行行分布式信息息處理方式，，具有很強的的容錯性；(3)神經網網絡在本質上上是非線性系系統，可以實實現任意非線線性映射，神神經網絡在非非線性控制系系統中具有很很大的發展前前途；(4)神經網網絡具有很強強的信息綜合合能力，它能能夠同時處理理大量不同類類型的輸入，，能夠很好地地解決輸入信信息之間的互互補性和冗余余性問題；(5)神經網網絡的硬件實實現愈趨方便便，大規模集集成電路技術術的發展為神神經網絡的硬硬件實現提供供了技術手段段，為神經網網絡在控制中中的應用開辟辟了廣闊的前前景。神經網絡控制制所取得的進進展為：(1)基于于神經經網絡絡的系系統辨辨識：：可在在己知知常規規模型型結構構的情情況下下，估估計模模型的的參數數；或或利用用神經經網絡絡的線線性、、非線線性特特性，，建立立線性性、非非線性性系統統的靜靜態、、動態態、逆逆動態態及預預測模模型。。(2)神經經網絡絡控制制器：：神經經網絡絡作為為控制制器，，可實實現對對不確確定系系統或或未知知系統統進行行有效效的控控制，，使控控制系系統達達到所所要求求的動動態、、靜態態特性性。(3)神經經網絡絡與其其他算算法相相結合合：神神經網網絡與與專家家系統統、模模糊邏邏輯、、遺傳傳算法法等相相結合合可構構成新新型控控制器器。(4)優化化計算算：在在常規規控制制系統統的設設計中中，常常遇到到求解解約束束優化化問題題，神神經網網絡為為這類類問題題提供供了有有效的的途徑徑。(5)控制制系統統的故故障診診斷：：利用用神經經網絡絡的逼逼近特特性，，可對對控制制系統統的各各種故故障進進行模模式識識別，，從而而實現現控制制系統統的故故障診診斷。。神經網網絡控控制在在理論論和實實踐上上，以以下問問題是是研究究的重重點：：(1)神神經網網絡的的穩定定性與與收斂斂性問問題；；(2)神神經網網絡控控制系系統的的穩定定性與與收斂斂性問問題；；(3)神神經網網絡學學習算算法的的實時時性；；(4)神神經網網絡控控制器器和辨辨識器器的模模型和和結構構。神神經網網絡控控制的的結構構根據神神經網網絡在在控制制器中中的作作用不不同，，神經網網絡控控制器器可分分為兩兩類：：一類為為神經經控制制，它是是以神神經網網絡為為基礎礎而形形成的的獨立立智能能控制制系統統；另一類類為混混合神神經網網絡控控制，它是是指利利用神神經網網絡學學習和和優化化能力力來改改善傳傳統控控制的的智能能控制制方法法，目前神神經網網絡控控制器器尚無無統一一的分分類方方法。。綜合合目前前的各各種分分類方方法，，可將將神經經網絡絡控制制的結結構歸歸結為為以下下7類類。1.神神經網網絡監監督控控制首先對對人工工控制制或傳傳統控控制進進行學學習，，然后后用神神經網網絡控控制器器逐漸漸取代代傳統統控制制器的的方法法，稱稱為神經網網絡監監督控控制。神經經網絡絡監督督控制制的結結構如如圖6-19所所示。。圖6-19神神經網網絡監監督控控制在監督督控制制系統統中，，神經經網絡絡需要要脫機機進行行訓練練。訓訓練時時采用用一系系列示示教數數據。。這些些數據據是執執行人人工控控制時時的輸輸入、、輸出出數據據。輸輸入數數據一一般是是傳感感器所所檢測測出的的數據據，輸輸出數數據則則是人人所確確定的的數據據。也也就是是說，，神經經網絡絡的學學習是是執行行傳感感輸入入到人人工控控制作作用的的映射射。2.神神經經網絡絡直接接逆控控制神經網網絡直直接逆逆控制制就是將將被控控對象象的神經網網絡逆逆模型型直接與與被控控對象象串聯聯起來來，以以便使使期望望輸出出與對對象實實際輸輸出之之間的的傳遞遞函數數為1。則則將此此網絡絡作為為前饋控控制器器后，被被控對對象的的輸出出為期期望輸輸出。。在逆逆控制制系統統中，，如果果被控控對象象的模模型用用F表表示，，那么么，神神經網網絡所所構成成的控控制器器的模模型是是F-1，即是是一個個逆模模型。。實際上上，被被控對對象可可以是是一個個未知知的系系統，，在被被控對對象輸輸入端端加入入u*，則其其輸出出就會會產生生y*。用y*作為輸輸入，，u*作為輸輸出去去對神神經網網絡進進行訓訓練，，則得到的的神經經網絡絡就是是被控控對象象的逆逆模型型。在訓訓練時時，神神經網網絡的的實際際輸出出用u’表表示，，則用用（u’-u*））這個個偏差差可以以控制制網絡絡的訓訓練過過程。。一般來來說，，為了了獲取取良好好的逆逆動力力學性性能，，通常常在訓訓練神神經網網絡時時所取取值的的范圍圍比實實際對對象的的輸入入、輸輸出數數據的的取值值范圍圍要大大一些些。在逆控控制系系統中中，神神經網網絡直直接連連在控控制回回路作作為控控制器器，控控制效效果嚴嚴重地地依賴賴控制制器對對對象象逆向向模擬擬的真真實程程度（（逆控控制的的可用用性在在相當當程度度上取取決于于逆模模型的的準確確精度度）。。由于于這種種系統統缺少少反饋饋環節節，所所以，，其魯魯棒性性不足足。對對于要要求有有一定定魯棒棒性的的應用用場合合，這這種控控制系系統就就存在在一些些問題題。在在線學學習可可以在在一定定程度度上克克服其其魯棒棒性不不好的的問題題。在在線學學習可可以調調整神神經網網絡的的參數數，使使神經經網絡絡對逆逆模型型的真真實度度提高高。在圖6-20中，NNl和NN2為具有完全全相同的網網絡結構，，并采用相相同的學習習算法，分分別實現對對象的逆。。圖6-20神經網網絡直接逆逆控制的結結構3.神經網網絡自適應應控制神經網絡自自適應控制制是把神經網網絡用于傳傳統自適應應控制方法法中而產生生的新的控控制方法。。神經網絡自自適應控制制分為神經網絡自自校正控制制和神經網絡模模型參考自自適應控制制兩種。自校正控制制根據對系統統正向或逆逆模型的結結果調節控控制器內部部參數，使使系統滿足足給定的指指標；而在在模型參考自自適應控制制中，閉環控控制系統的的期望性能能由一個穩穩定的參考考模型來描描述，控制制系統的目目的就是使使被控對象象的輸出漸漸進地趨近近于參考模模型的輸出出。神經網絡自自校正控制制a.神經網網絡直接自自校正控制制直接自校正正控制同時時使用神經經網絡控制制器和神經經網絡估計計器。在本質上同同神經網絡絡直接逆控控制，其結結構如圖6-20所所示。圖6-20神經網網絡直接逆逆控制的結結構b.神經網網絡間接自自校正控制制間接自校正正控制使用用常規控制制器，神經經網絡估計計器需較高高建模精度度。其結構如圖圖6-21所示。圖6-21神經網網絡間接自自校正控制制假設被控對對象為單變變量仿射非非線性系統統神經網絡模模型參考自自適應控制制圖6-22神經經網絡模型型參考自適適應控制4.神經網網絡內模控控制經典的內模模控制將被被控系統的的正向模型型和逆模型型直接加入入反饋回路路，系統的的正向模型型作為被控控對象的近近似模型與與實際對象象并聯，兩兩者輸出之之差被用做做反饋信號號，該反饋饋信號又經經過前向通通道的濾波波器及控制制器進行處處理。控制制器直接與與系統的逆逆有關，通通過引入濾濾波器來提提高系統的的魯棒性。。圖6-23所示為為神經網絡絡內模控制制，被控對對象的正向向模型及控控制器均由由神經網絡絡來實現。。圖6-23神經經網絡內模模控制5.神經網網絡預測控控制圖6-24神經網網絡預測控控制神經網絡預預測控制的的結構如圖圖6-24所示，神神經網絡預預測器建立立了非線性性被控對象象的預測模模型，并可可在線進行行學習修正正。利用此此預測模型型，可以由由當前的系系統控制信信息預測出出在未來一一段時間范范圍內內的輸出值值。。通過設計計優化性能能指標，利利用非線性性優化器可可求出優化化的控制作作用u(t)。THANKYOUVERYMUCH！！結束放映9、靜夜夜四無無鄰，，荒居居舊業業貧。。。1月-231月-23Sunday,January1,202310、雨中中黃葉葉樹，，燈下下白頭頭人。。。13:02:2413:02:2413:021/1/20231:02:24PM11、以我我獨沈沈久，，愧君君相見見頻。。。1月-2313:02:2413:02Jan-2301-Jan-2312、故人江海海別，幾度度隔山川。。。13:02:2413:02:2413:02Sunday,January1,202313、乍乍見見翻翻疑疑夢夢，，相相悲悲各各問問年年。。。。1月月-231月月-2313:02:2413:02:24January1,202314、他鄉生白白發，舊國國見青山。。。01一月月20231:02:24下下午13:02:241月-2315、比比不不了了得得就就不不比比，，得得