智能控制理論及應用參考書目：（1）周德儉，吳斌.智能控制.重慶：重慶大學出版社，2005（2）李少遠，王景成.智能控制.北京：機械工業出版社，2005（3）李人厚.智能控制理論和方法.西安：西安電子科技大學出版社，1999（4）王萬森.人工智能原理及其應用.北京：電子工業出版社，2000（5）蔡自興.人工智能控制.北京：化學工業出版社，2005（7）沈清，胡德文，時春.神經網絡應用技術.長沙：國防科技大學出版社，1993（8）方崇智，蕭德云.過程辨識.北京：清華大學出版社，1988（9）舒迪前.預測控制系統及其應用.北京：機械工業出版社，1996（6）竇振中.模糊邏輯控制技術及其應用.北京：北京航空航天大學出版社，1995第1章概論課程內容：第2章分級遞階智能控制第3章基于模糊推理的智能控制系統第4章基于神經網絡的智能控制技術第5章模糊神經網絡第6章遺傳算法及其應用第7章基于規則的仿人智能控制第1章概論1.1智能控制的基本概念1.1.1智能控制的結構理論

智能控制（IC：IntelligentControl）是一門新興的交叉學科，具有非常廣泛的應用領域。智能控制這一術語于1967年由Leondes和Mendel首先使用，1971年著名美籍華人科學家傅京孫（K.S.Fu）教授從發展學習控制的角度首次正式提出智能控制概念與建立智能控制學科的構思。

傅京孫把智能控制概括為自動控制（AC：AutomaticControl）和人工智能（AI：ArtificialIntelligence）的交集，即

這種交叉關系可用圖1.1形象地表示，它主要強調人工智能中“智能”的概念與自動控制的結合。自動控制AC人工智能AI智能控制IC圖1.1智能控制的二元結構

薩里迪斯（Saridis）等從機器智能的角度出發，對傅京孫的二元交集結構理論進行了擴展，引入了運籌學（OR：OperationsResearch）并提出了三元交集結構，即自動控制AC人工智能AI智能控制IC圖1.2智能控制的三元結構運籌學OR

三元交集除“智能”與控制之外，還強調了在更高層次控制中調度、規劃、管理和優化的作用。

我國學者蔡自興教授于1989年提出把信息論（IT：InformationTheory）包括進智能控制結構理論的四元論結構（如圖1.3所示），即自動控制AC人工智能AIIC圖1.3智能控制的四元論結構運籌學OR信息論IT

以上關于智能控制結構理論的不同見解中，存在著以下幾點共識：

（1）智能控制是由多種學科相互交叉而形成的一門新興學科；

（2）智能控制是自動控制發展到新階段的產物，它以人工智能和自動控制的相互結合為主要標志；

（3）智能控制在發展過程中不斷地吸收著控制論、信息論、系統論、運籌學、計算機科學、模糊數學、心理學、生理學、仿生學等學科的思想、方法以及新的研究成果，目前仍在發展和完善之中。1.1.2智能控制的定義

由于智能控制是一門新興學科且正處于發展階段，所以至今尚無統一的定義，故有多種描述形式。

從三元交集論的角度定義智能控制：它是一種應用人工智能的理論和技術以及運籌學的優化方法，并和控制理論中的方法與技術相結合，在不確定的環境中，仿效人的智能（學習、推理等），實現對系統控制的理論與方法。

從系統一般行為特性出發，J.S.Albus認為：智能控制是有知識的“行為舵手”，它把知識和反饋結合起來，形成感知–交互式、以目標為導向的控制系統。該系統可以進行規劃，產生有效的、有目的的行為，并能在不確定的環境中，達到預期的目標。

從認知過程出發：智能控制是一種推理計算，它能在非完整的性能指標下，通過一些基本的操作，如歸納(Generalization)和組合搜索(CombinatorialSearch)等，把表達不完善、不確定的復雜系統引向規定的目標。

K.J.Astrom認為：把人類具有的直覺推理和試湊法等智能加以形式化或用機器模擬，并用于控制系統的分析與設計中，以期在一定程度上實現控制系統的智能化，這就是智能控制。

從控制論的角度出發：智能控制是驅動智能機器自主地實現其目標的過程。或者說，智能控制是一類無需人的干預就能獨立地驅動智能機器實現其目標的自動控制方法。

以上各種描述說明：智能控制具有認知和仿人的功能；能適應不確定性的環境；能自主處理信息以減少不確定性；能可靠地進行規劃，產生和執行有目的的行為，以獲取最優的控制效果。1.2智能控制的發展概況

人們將智能控制的產生歸結為二大主因，一是自動控制理論發展之必然；二是人工智能的發展為其提供了機遇。1.2.1智能控制的產生20世紀40~50年代經典控制理論單輸入、單輸出系統傳遞函數、頻域法反饋控制模擬調節器單機自動化20世紀60~70年代現代控制理論多輸入、多輸出系統狀態方程、時域法最優、隨機、自適應控制電子計算機機組自動化表1.1自動控制理論發展階段特征階段時期理論基礎研究對象分析方法研究重點核心裝置應用第一階段第二階段第三階段20世紀80年代至今智能控制理論多層次、多變量系統智能算子、多級控制大系統、智能控制智能機器系統綜合自動化開環控制確定性反饋控制最優控制隨機控制自適應/魯棒控制自學習控制智能控制控制復雜性進展方向圖1.4自動控制的發展過程

人工智能產生于20世紀50年代，它是控制論、信息論、系統論、計算機科學、神經生理學、心理學、數學以及哲學等多種學科相互滲透的結果，也是電子計算機出現并廣泛應用的結果。

早在1965年，傅京孫首先提出把基于符號操作和邏輯推理的啟發式規則用于學習控制系統，Mendel教授進一步在空間飛行器的學習控制中應用了人工智能技術。這是人工智能的符號主義（邏輯主義）學派的觀點首次與控制理論相結合，從而實現智能控制的大膽嘗試。

隨后智能控制的提出和發展歷程，一直伴隨著人工智能的發展而發展，人工智能作為智能控制的基礎和重要組成部分，它的每一個研究成果都對智能控制的發展起到了積極的推動作用。1.2.2智能控制的發展1971年傅京孫提出智能控制概念，并在文章“學習控制系統和智能控制系統：人工智能與自動控制的交叉”中歸納了3種類型的智能控制系統：

（1）人作為控制器的控制系統；

（2）人–機結合作為控制器的控制系統；

（3）無人參與的智能控制系統。

薩里迪斯對智能控制的發展做出了重要貢獻，在1977年出版了“隨機系統的自組織控制”一書，并于1979年發表了綜述文章“面向智能控制的實現”。他從控制理論發展的觀點，論述了從通常的反饋控制到最優控制、隨機控制，再到自適應控制、自學習控制、自組織控制，并最終向智能控制這個更高階段發展的過程。他首次提出分級遞階的智能控制結構，并在分級遞階智能控制的理論和實踐方面做了大量的工作。

奧斯特洛姆（K.J.Astrom）對智能控制的發展也做出了重要的貢獻。他在1986年發表的著名文章“專家控制”中，提出了引入人工智能中專家系統技術的一類智能控制系統。它借助于專家系統技術，將常規PID控制、最小方差控制、自適應控制等不同方法有機地結合在一起，根據不同情況分別采取不同的控制策略，同時該系統還具有許多邏輯控制功能，如：起停控制、自動切換控制、越限報警以及故障診斷等。1985年8月，IEEE在美國紐約召開了第一屆智能控制學術研討會，會上集中討論了智能控制的原理和系統結構等問題。這次會議之后不久，IEEE控制系統學會成立了智能控制專業委員會。1987年1月，IEEE控制系統學會和計算機學會在美國費城聯合召開了智能控制的第一次國際會議，來自美、歐、日、中以及其他國家的150余位代表出席了這次學術盛會。

這次會議是一個里程碑，它表明智能控制作為一門獨立學科，正式得到國際學術界的廣泛關注和認可。1.模糊控制的發展歷程1965年美國加州大學自動控制系統專家扎德（L.A.Zadah）在《信息與控制》雜志上先后發表了“模糊集”（FuzzySets）和“模糊集與系統”（FuzzySets&System）等研究成果，奠定了模糊集理論和應用研究的基礎；1968年扎德首次公開發表其“模糊控制算法”；1973年他又發表了語言與模糊邏輯相結合的系統建立方法；1974年倫敦大學Mamdani博士首次嘗試利用模糊邏輯，成功地開發了世界上第一臺模糊控制的蒸汽引擎；1979年T.J.Procky和E.H.Mamdani共同提出了自學習概念，使系統性能大為改善；1983年日本富士電機開創了模糊控制在日本的第一項商業應用―水凈化處理；1987年該公司又在仙臺地鐵線上采用了模糊邏輯控制技術。2.神經網絡控制的發展歷程

自1943年McCulloch和Pitts提出了神經元的數學模型以來，神經網絡的研究便開始了它的艱難歷程；Albus在1975年提出的CMAC神經網絡模型，利用人腦記憶模型提出了一種分布式的聯想查表系統；20世紀50年代至70年代是神經網絡研究的蕭條期，但仍有不少學者致力于神經網絡模型的研究；Grossberg在1976年提出的自諧振理論（ART）解決了無導師指導下的模式分類；

到了80年代，人工神經網絡進入了發展期：1982年，Hopfield提出了HNN模型，解決了回歸網絡的學習問題；1986年PDP小組的研究人員提出了多層前向神經網絡的BP學習算法，實現了有導師指導下的網絡學習，從而為神經網絡的應用開辟了廣闊的前景。

遺傳算法（GA：GeneticAlgorithms）由美國J.H.Holland博士在1975年提出，從80年代中期開始，隨著人工智能的發展和計算機技術的進步逐步成熟，應用日漸增多。

可以預見，隨著系統論、人工智能理論和計算機技術的發展，智能控制將會有更大的發展空間，并在實際中得到更加廣泛的應用。

智能控制作為一門新興控制技術，目前還處于發展初期。基于遺傳算法的智能控制，基于Petri網理論的智能控制，遺傳算法、神經網絡和模糊控制相結合的綜合優化控制等新的智能控制理論和方法在不斷涌現和發展之中。3.遺傳算法的發展歷程4.智能控制的發展前景1.3智能控制的應用場合和研究內容1.3.1智能控制的應用場合

智能控制是自動控制的最新發展階段，主要用于解決傳統控制技術與方法難以解決的控制問題。主要應用場合有：

（1）具有高度非線性、時變性、不確定性和不完全性等特征，一般無法獲得精確數學模型的復雜系統的控制問題；

（2）需要對環境和任務的變化具有快速應變能力并需要運用知識進行控制的復雜系統的控制問題；

（3）采用傳統控制方法時，必須遵循一些苛刻的線性化假設，否則難以達到預期控制目標的復雜系統的控制問題；

（4）采用傳統控制方法時，控制成本高、可靠性差或控制效果不理想的復雜系統的控制問題。1.3.2智能控制的主要研究內容

根據智能控制基本研究對象的開放性、復雜性、多層次和信息模式的多樣性、模糊性、不確定性等特點，其研究內容主要包括以下幾個方面。（1）智能控制基本機理的研究（2）智能控制基本理論和方法的研究

①離散事件和連續時間混雜系統的分析與設計；

②基于故障診斷的系統組態理論和容錯控制方法；

③基于實時信息學習的規則自動生成與修改方法；

主要對智能控制認識論和方法論進行研究，探索人類的感知、判斷、推理和決策等活動的機理。主要有以下幾個方面的內容：（3）智能控制應用的研究⑤基于推理的系統優化方法；⑥在一定結構模式條件下，系統有關性質（如穩定性等）的分析方法等。④基于模糊邏輯和神經網絡以及軟計算的智能控制方法；

主要是智能控制在工業過程控制、計算機集成制造系統、機器人、航天航空等領域的應用研究。1.4智能控制系統組成框架及其功能特點1.4.1智能控制系統的基本組成框架

智能控制系統的基本組成框架如圖1.5所示。通訊接口認知感知信息處理規劃和控制傳感器執行器廣義對象指令智能控制器被控對象圖1.5智能控制系統的基本組成結構

規劃和控制部分是整個系統的核心，它根據給定的任務要求反饋信息及經驗知識，并進行自動搜索、推理決策、動作規劃，以便產生具體的控制信號，經執行部件作用于被控對象。

現對圖1.5所示為智能控制系統的基本組成結構進行分析。

在該系統中，廣義對象包括通常意義下的控制對象和所處的外部環境。

感知信息處理部分將傳感器遞送的分級的、不完全的原始信息加以處理，并在學習過程中不斷加以辨識、整理和更新，以獲得有用的信息。

認知部分主要接收和存儲知識、經驗和數據，并對它們進行分析和歸納，還能在學習過程中不斷更新這些知識、經驗和數據。

通訊接口除建立人–機之間的聯系外，也建立系統中各模塊之間的聯系。1.4.2智能控制系統的主要功能特點

智能控制系統有學習功能、適應功能、組織功能三大主要功能特點。（1）學習功能

智能控制系統的學習功能指的是對一個過程或其環境的未知特征所固有的信息進行學習，并將得到的經驗用于進一步的估計、分類、決策和控制，從而使系統的性能得到改善。

智能控制系統的學習能力有高低之分，低層次的學習主要指對控制對象參數的學習，高層次的學習則主要指對知識的更新。（2）適應功能

智能控制系統的適應功能指的是當智能控制系統的輸入不是已經學習過的樣本時，照樣可給出合適的輸出。甚至當系統中某些部分出現故障時，系統仍能正常工作。（3）組織功能

智能控制系統的組織功能指的是對于復雜的控制任務和分散的傳感器信息，智能控制系統具有自行組織和協調的功能。智能控制器可以在任務要求范圍內自行決策、主動地采取行動；當出現多目標沖突時，在一定條件下，控制器有權自行裁決和處理。

一個理想的智能控制系統，除了以上三大主要功能之外，往往還應該具有其它一些功能：如對各類故障進行自診斷、屏蔽和自恢復的容錯功能；對環境干擾和不確定性因素不敏感的自適應功能和魯棒性功能；快速的在線實時響應功能；友好的人–機界面，保證人–機通信、人–機互助的人–機協作功能等。1.5智能控制系統的類型

按照智能控制系統構成的原理進行分類，大致可分為以下幾類：1.分級遞階智能控制系統2.

專家控制系統3.模糊邏輯控制系統4.神經網絡控制系統5.遺傳算法等軟計算優化控制系統直接專家控制系統：直接輸出控制信號間接專家控制系統：輸出控制器的結構和參數6.仿人智能控制系統7.集成智能控制系統

集成智能控制系統是指由幾種智能控制方法或控制機理融合在一起而構成的智能控制系統。主要有以下幾類：

（1）模糊專家控制系統；

（2）模糊神經網絡控制系統；

（3）神經網絡專家控制系統。8.綜合智能控制系統

綜合智能控制系統也稱組合智能控制系統，它將智能控制與傳統控制方法有機組合、綜合應用，取長補短，獲取互補特性，提高整體優勢，以期獲得人工智能和控制理論緊密結合的智能控制系統。該類控制有模糊PID控制、模糊自適應控制、基于神經網絡的自適應控制等。第2章分級遞階智能控制2.1遞階智能控制基本原理2.1.1遞階控制的基本原理

分級遞階智能控制（HierachicalIntelligentControl）是在人工智能、自適應控制以及運籌學等理論的基礎上逐漸發展形成的，是智能控制最早的理論之一。（1）大系統的基本控制結構

對于復雜的大系統，由于系統階次高、子系統相互關聯，系統的評價指標多且有時相互矛盾，因此在分析大系統的控制問題時，一般把大系統的控制分為互相關聯的子系統的控制問題來處理。根據信息交換的方式和子系統關聯方式的不同，可將大系統控制分為以下3種基本類型：①集中控制系統

在集中控制系統中，控制中心直接控制每個子系統，每個子系統只得到整個系統的部分信息，控制目標相互獨立。其優點是系統運行的有效性較高，便于分析與設計；缺點是一旦控制中心出現故障，則整個系統將癱瘓。集中控制系統的一般結構如圖2.1所示。控制中心子系統1子系統n…被控對象或過程圖2.1集中控制系統框圖②分散控制系統

在分散控制系統中，控制中心控制若干分散控制器，而每個分散控制器控制一個獨立的控制目標，即具體的子系統。此類結構的優點在于局部故障不至于影響整個系統，缺點是全局協調運行較困難。分散控制系統的一般結構如圖2.2所示。控制中心分散控制器1分散控制器i分散控制器n子系統1子系統i子系統n…………被控對象或過程圖2.2分散控制系統框圖③遞階控制系統

當系統由若干個可分的相互關聯的子系統構成時，可將系統所有決策單元按照一定優先級和從屬關系遞階排列，同一級各單元受到上一級的干預，同時又對下一級單元施加影響。若同一級各單元目標相互沖突，則由上一級單元協調。這是一種多級多目標的結構，各單元在不同級間遞階排列，形成金字塔形結構。

此類結構的優點是全局與局部控制性能都較高，靈活性與可靠性好，任何子過程的變化對決策的影響都是局部性的。缺點是系統設計比較復雜。遞階控制系統的一般結構如圖2.3所示。全局組織級局部協調級1局部協調級m局部控制器1局部控制器i局部控制器j局部控制器n子系統1子系統i子系統j子系統n…………………被控對象或過程……圖2.3遞階控制系統框圖

遞階控制系統主要有以下3種基本的遞階形式：①多重描述（Stratifieddescription）：主要從建模角度考慮；②多層決策（Multilayerdecision）：把一個復雜的決策問題進行縱向分解；③多級耦合（Multilevelcoupling）：考慮各子系統之間的關聯，將每一層的決策問題橫向分解。（2）遞階控制的基本原理

遞階控制的基本原理是把一個總體問題P分解成若干有限數量的子問題Pi（i=1,2,…,n）。總體問題P的目標是使復雜系統的總體性能指標取得極值，當不考慮各子問題之間的關聯時，有[P1,P2,…,Pn]的解P的解

這三種遞階形式可以單獨或組合存在于一個大系統之中。

考慮到子問題之間因存在關聯而可能產生沖突（即耦合作用），現引入一個協調參數，以解決關聯產生的目標沖突。用

代替Pi，有的解P的解

遞階控制的協調問題便是選擇適當的，從初值通過迭代到達終值，使遞階控制達到最優。

遞階系統協調控制的任務是使大系統中的各子系統相互協調、配合、制約、促進。從而在實現各子系統的子目標、子任務的基礎上，實現整個大系統的總目標、總任務。2.1.2分級遞階智能控制系統的基本結構

在設計一個復雜系統時，都是從最下層（包括過程在內的直接控制裝置）開始，然后再逐步增加高層的決策控制單元，以增加系統的復雜性并逐步擴展其功能，一個復雜系統很自然地隱含了內在的遞階形式。

由薩里迪斯提出的分級遞階智能控制理論按照“精度隨智能提高而降低”（IPDI，IncreasingPrecisionwithDecreasingIntelligence）原則分級管理系統，它由組織級、協調級、執行級組成，如圖2.4所示。

在遞階控制系統中應用智能控制便形成了分級遞階智能控制。分級遞階智能控制系統的結構與一般的分級遞階控制系統的結構形式基本相同，其差別主要在于遞階智能控制采用智能控制器，它能夠利用人工智能的原理與方法，使系統具有利用知識、處理知識以及自學習等能力。組織級控制器分配器協調器協調器硬件控制器硬件控制器過程過程智能遞增精度遞增第一級組織級第二級協調級第三級執行級對象人機接口最高決策控制管理控制監督傳感器執行器………圖2.4分級遞階智能控制系統結構示意圖（1）組織級（Organizationlevel）

組織級是遞階智能控制系統的最高級，是智能系統的“大腦”，能夠模仿人的行為功能，它具有相應的學習能力和高級決策能力。組織級監督并指導協調級和執行級的所有行為，具有最高程度的智能。組織級能夠根據用戶對任務的不完全描述與實際過程和環境的有關信息，選擇合理的控制模式并向低層下達，以實現預定的控制目標。（2）協調級（Coordinationlevel）

協調級是遞階智能控制系統的次高級，其任務是協調各控制器的控制作用與各子任務的執行。

協調級可以進一步劃分為兩個分層：控制管理分層與控制監督分層。控制管理分層給予下層的信息決定如何完成組織級下達的任務，以產生施加給下一層的控制指令；控制監督分層的任務是保證、維持執行級中各控制器的正常運行，并進行局部參數整定與性能優化。

協調級一般由多個協調控制器和分配器組成，每個協調控制器既接受組織級的命令，又負責多個執行級控制器的協調。

分配器的任務是將組織級給定的基本事件（任務）變換成面向協調器的控制指令序列，并在適當的時刻把它們分配給相應的協調器。在任務完成后，分配器也負責生成反饋信息，送回給組織級。

協調級是組織級與執行級之間的接口，運算精度相對較低，但有較高的決策能力與一定的學習能力。（3）執行級（Executionlevel）

執行級是遞階智能控制系統的最低一級，由多個硬件控制器組成，其任務是完成具體的控制任務。執行級控制器直接產生控制信號，通過執行機構作用于被控對象（過程）；同時執行級也通過傳感器測量環境的相關信息，并傳遞給上一級控制器，給高層決策提供相關依據。

執行級的智能程度最低，而控制精度最高。2.1.3遞階智能控制的熵準則

對于圖2.4所示的多級遞階智能控制系統，從最低級執行級

次高級協調級最高級組織級，智能要求逐步提高，越高的層次越需要高的智能，而精度則遞減，此類結構具有以下特點：1）越是處于高層的控制器，對系統的影響也越大；2）越是處于高層，就有越多的不確定性信息，使問題的描述難于量化。

可見，遞階智能控制的智能主要體現在高層次上，在高層次遇到的問題往往具有不確定性。因此，在高層次上應該采用基于知識的組織級，以便于處理信息與利用人的直覺、推理、邏輯和經驗。這樣分級遞階智能控制系統就能在最高級（組織級）的統一組織下，實現對復雜系統的優化控制。

對于不確定性問題，通常采用熵（Entropy）函數作為衡量其性能好壞的指標，并以熵最小為準則來確定相應的最優控制策略。

從信息論的角度看，控制系統可以看作一個信息系統，信息是對事物不確定性的度量，增加信息是對不確定性的減少或消除。香農（C.E.Shannon）提出采用信息負熵對信息的不確定性進行定量描述，其定義如下：

對于離散隨機過程x，熵H(x)的定義為

對于連續隨機過程x，有式中，P[x]為x的概率密度函數；E[]為期望值。

由熵的表達式可知，熵越大就表明不確定性越大，時間序列越隨機，功率譜越平坦。而選擇對數度量信息的方便之處在于兩個信息相加的總信息量等于每個信息單獨存在時各自信息量之和。

在薩里迪斯的遞階智能控制系統中，對智能控制系統的各級采用熵作為測度。組織級是智能控制系統的最高層次，可以采用熵來衡量所需要的知識；協調級連接組織級與執行級，可以采用熵測量協調的不確定性；而在執行級，熵函數表示系統的執行代價，等價于系統所消耗的能量。每一級的熵相加成為總熵，可以用于表示控制作用的總代價。設計和建立遞階智能控制系統的原則就是使系統各級總熵為最小。2.2遞階智能控制系統應用舉例

遞階智能控制理論作為較早的智能控制理論，自20世紀70年代以來，已經被應用于不同設備、系統的專項研究和工業應用。早期的遞階智能系統主要應用于實驗室機器人和核電站的控制過程。20世紀80年代以來，工業過程控制、工業機器人控制等開始逐漸采用遞階智能控制理論。（1）機械手分級遞階智能控制系統

美國普渡大學（PurdueUniversity）高級自動化研究實驗室（AARL）成功地將分級遞階智能控制理論應用于機器人控制中，設計了一個PUMA600機械手智能控制系統。圖2.5給出了該機械手智能控制系統的三級遞階結構。組織級控制器分配器傳感器協調器視覺協調器上臂控制器手部控制器傳感器第一級組織級第二級協調級第三級執行級對象圖2.5機械手分級遞階智能控制系統結構示意圖手臂協調器關節1~3關節4~6手指攝像機輸入指令

該機械手分級遞階智能控制系統的第一級為組織級；第二級協調級由一個分配器和三個協調器（視覺系統協調器、手臂協調器以及傳感器協調器）組成；第三級執行級由上臂控制器與手部控制器組成，實現對6個關節與1個夾手的具體控制。

該機械手可以實現7個自由度運動，其中3個自由度用于上臂關節的運動，3個自由度用于手的定位，1個自由度用于手指的開閉動作。該系統能夠實現以下功能：

①人–機械手通訊功能，識別操作人員的語言命令，與操作人員交互作用；

②協調運動控制功能，自主協調位置控制與速度控制；

③與環境交互的功能，對來自攝像機和其它外部傳感器的反饋信息進行綜合，修正控制策略與動作序列，實現各種控制任務。

按照“智能遞減精度遞增”的控制原則，執行級高精度地完成局部控制任務，滿足實時控制的局部性能指標，但同時智能程度最低。該機械手執行級有效地運用了現代控制理論中的最優控制算法，控制過程中所需要的精確對象模型是通過對臂關節子系統與手關節子系統建模而得到的。

協調級主要完成感覺、視覺和機械運動3個子任務的信息處理與控制任務，通過恰當地估計各個子任務的性能，來使它們協調一致地工作。協調級不需要非常精確的數學模型，但為了協調與監督執行級的工作，協調級應具有一定的學習能力，以使系統在重現的控制環境中，不斷提高系統的性能。

語言組織級作為最高級，具有最高的智能程度，能夠分析隨機輸入的命令，辨別控制環境，并在缺少運行任務的情況下給出適當的控制方案。（2）遞階智能集散控制系統

可見，典型的集散控制系統的結構是一種自然的分級遞階結構，如將智能控制理論引入到集散控制系統中，以裝置控制級計算機（或模擬調節器）作為執行級，監督級計算機作為協調級，管理級計算機作為組織級，便可構成相應的遞階智能集散控制系統。

典型的集散控制系統具有分級分布式控制結構，裝置控制級計算機（或模擬調節器）完成現場的控制任務；監督級計算機協調各裝置控制級計算機（或模擬調節器）的工作，它可以運行各種高級控制程序與協調優化程序，以達到過程的動態（在線）優化；管理級計算機通過監督級計算機獲取過程的在線信息，完成并制定生產計劃，進行產品管理、財務管理以及人事管理等，以實現生產過程的靜態優化與綜合自動化。第3章基于模糊推理的智能控制系統3.1模糊控制系統原理3.1.1模糊控制的基本思想

無論是采用經典控制還是采用現代控制理論去設計一個控制系統，一般都需要事先知道被控對象精確的數學模型（如模型的結構、階次、參數等），然后根據數學模型以及給定的性能指標，選擇適當的控制策略，進行控制器的設計。然而，大量的實踐告訴我們，被控對象的精確數學模型一般很難建立，因此很難按照上述過程完成預期的控制目標。

與此相反，對上述難以精確建模的一些生產過程，有經驗的操作人員往往可以通過反復的手動調整，達到較為滿意的控制效果。于是，人們開始探索對于那些無法構造數學模型的控制系統，是否可以讓計算機模擬人的思維進行控制的問題。智能控制也正是基于以上想法應運而生的。

模糊控制主要研究如何利用計算機來實現人的控制經驗。它采用模糊數學的方法，通過一些用模糊語言描述的模糊規則，建立過程變量之間的模糊關系；此后，人們可以根據某一時刻的實際情況，基于模糊規則，采用合適的模糊推理算法獲得系統所需的控制量。3.1.2模糊控制系統的原理框圖A/DD/A模糊控制器執行機構被控對象檢測裝置給定值輸出量圖3.1模糊控制系統原理框圖

模糊控制器是模糊控制系統的核心，也是模糊控制系統區別于其它自動控制系統的主要標志。模糊控制器一般通過計算機軟件編程或模糊邏輯硬件電路加以實現，硬件可以是單片機、工業控制機等各種類型的微型計算機；程序設計語言則可以是匯編語言、C語言或其它高級語言。

模糊控制系統可以從不同角度進行分類。按輸出信號的時變特性進行分類，有恒值模糊控制系統和隨動模糊控制系統；按是否存在靜態誤差來分類，可以分為有差模糊控制系統和無差模糊控制系統；按系統輸入/輸出變量的個數來分類，可以分為單變量模糊控制系統和多變量模糊控制系統。3.1.3模糊控制系統的分類（1）恒值模糊控制系統和隨動模糊控制系統

恒值模糊控制系統是指若系統給定值不變，要求其被控輸出量也保持恒定。該系統中影響被控量變化的因素只有進入系統的外界擾動，控制的目的是要求系統自動克服這些擾動，這種控制系統也可稱為自鎮定模糊控制系統，如溫度模糊控制系統、流量模糊控制系統等。

對于恒值模糊控制系統來講，由于被控對象特性和系統運行狀態變化不大，所以對控制器的適應性和魯棒性要求較高；而對于隨動模糊控制系統而言，則要求有較強的快速跟蹤特性。

隨動模糊控制系統是指系統給定值不再是恒定不變的，要求其被控輸出量按照一定精度要求，快速地跟蹤給定值變化。這種控制系統也稱為模糊跟蹤控制系統，如機器人關節位置隨動系統、火炮雷達隨動系統等。盡管這類系統也存在外界擾動，但對擾動的消除不是控制的主要目的。（2）有差模糊控制系統和無差模糊控制系統

通常的模糊控制器在設計中只考慮系統輸出誤差的大小及其變化，相當于一個PD調節器，再加上模糊控制器自身所具有的多級繼電器特性，因此一般的模糊控制系統均存在靜態誤差，故可稱為有差模糊控制系統。（3）單變量模糊控制系統和多變量模糊控制系統

所謂單變量模糊控制系統是指模糊控制器的輸入和輸出都只有一個物理變量的系統。

多變量模糊控制系統是指控制器的輸入（或輸出）含有兩個或兩個以上物理變量的系統。

注意：這里的單變量控制系統和只有一個輸入、一個輸出的單入、單出控制系統的概念是有區別的。事實上，單變量模糊控制器的輸入可以是一維的（偏差），也可以是二維的（偏差和偏差變化），還可以是三維的（偏差、偏差變化和偏差變化的變化）。

無差模糊控制系統是指在模糊控制系統中引入積分環節，將常規模糊控制器所存在的靜差抑制到最小限度，達到模糊控制系統某種意義上的無靜差要求，這種系統稱之為無差模糊控制系統。3.2模糊控制器設計

模糊控制系統的核心就是模糊控制器，一個模糊控制系統性能的優劣，主要取決于模糊控制器的結構、所采用的隸屬函數、模糊規則、推理方法以及解模糊算法等。3.2.1模糊控制器的基本結構

模糊控制器的結構如圖3.2所示，由模糊化接口、推理機、解模糊接口和規則庫四部分構成。規則庫推理機解模糊接口模糊化接口被控對象過程檢測量實際控制量圖3.2模糊控制器的基本結構圖（1）模糊化接口

模糊控制器的輸入必須通過模糊化接口，轉化成為模糊量后，才能加載于模糊推理機構。模糊化接口是模糊控制器的輸入接口。它首先將從傳感器得到的確定量和給定值進行對比，計算誤差或誤差變化等輸入變量值；然后進行標度變換，將輸入變量轉換到相應的模糊集論域；最后應用模糊集對應的隸屬函數將精確輸入量轉換為模糊值。（2）規則庫

規則庫由一組語言控制規則組成，表達了應用領域的專家經驗和控制策略。（3）推理機

推理機是模糊控制系統的“大腦”。它根據模糊規則，運用模糊推理算法，模擬人的決策過程，獲得模糊控制系統的控制策略和控制作用。（4）解模糊接口

由于對系統的具體控制是一個精確量，所以需要通過解模糊接口，將模糊控制器的輸出由模糊量轉換成精確量，以獲得系統精確的控制作用。3.2.2模糊控制器設計的基本方法（1）模糊控制器結構的設計

模糊控制器的結構設計是指確定模糊控制器的輸入變量與輸出變量，這在3.1節已經介紹。根據模糊控制器輸入變量和輸出變量的個數，可以分為單變量模糊控制系統和多變量模糊控制系統。下面分別加以介紹：①單變量模糊控制系統

單變量模糊控制系統可以分為一維模糊控制器（輸入變量是偏差）、二維模糊控制器（輸入變量是偏差和偏差的變化）、三維模糊控制器（輸入變量是偏差、偏差的變化和偏差變化的變化）。圖3.3給出了一維模糊控制器和二維模糊控制器的基本結構。圖3.3基本模糊控制器原理框圖（a）一維模糊控制器A/DKe模糊推理模糊判決KuD/A執行元件被控對象檢測裝置（a）A/DKe模糊推理模糊判決KuD/A執行元件被控對象檢測裝置（b）差分Kec（b）二維模糊控制器

由于多變量模糊控制系統中各個變量之間存在著強耦合，因此要直接設計一個多變量模糊控制器是非常困難的。可以利用模糊控制器本身的解耦性，通過模糊關系的分解，在控制器結構上進行解耦，將一個多輸入多輸出模糊控制器，分解成若干個多輸入單輸出的模糊控制器，如圖3.4所示。②多變量模糊控制系統

在圖3.3中，Ke為偏差量化因子，Kec為偏差變化的量化因子，Ku為比例因子。

從理論上講，模糊控制系統所選用的模糊控制維數越高，系統的控制精度越高。但是，維數選擇太高，模糊控制規則就會變得過于復雜，推理、求解的過程就更加困難。因此，一般采用二維模糊控制器作為模糊控制器的典型結構。模糊控制器模糊控制器(a)(b)1m1m(c)圖3.4多變量模糊控制器解耦（a）多變量模糊控制器（b）多輸入單輸出模糊控制器（c）多輸入多輸出模糊控制器（2）輸入變量的模糊化①量化因子的選擇

為了進行模糊化處理，必須將輸入變量從基本論域轉換到相應的模糊集論域，這中間須將輸入變量乘以相應的因子，這里稱為量化因子。

量化因子一般用K表示，誤差的量化因子是Ke，誤差變化的量化因子是Kec。設誤差的基本論域為[-emax，emax]，誤差變化的基本論域為[-ecmax，ecmax]，誤差的模糊論域為

誤差變化的論域為

則

量化因子Ke及Kec的大小對控制系統的動態性能影響很大。Ke選擇較大時，系統的超調量也較大，過渡過程較長；Kec選擇較大時，超調量減小，但系統的響應速度變慢。Kec對超調的遏制作用十分明顯。

在實際工作中，精確輸入量的變化范圍一般不會在[-emax，emax]以及[-ecmax，ecmax]之間呈對稱分布，如果其范圍是在[a,b]之間的話，則可以通過變換（以n1=n2=6為例）將在[a,b]之間變化的變量x(e或ec)變換成[-6,6]之間變化的變量y。②模糊語言

通常情況下，模糊變量的語言值一般取為{負大，負小，零，正小，正大}，或{負大，負中，負小，零，正小，正中，正大}，或{負大，負中，負小，負零，正零，正小，正中，正大}三種。同時，還可以根據實際情況，自行設定，但所有語言值形成的模糊子集應構成模糊變量的一個模糊劃分。③語言值的隸屬函數

模糊語言值實際上是一個模糊子集，最終通過隸屬函數來描述。定義語言值的隸屬函數可采用鐘形、梯形和三角形，理論上說鐘形最為理想，但是計算復雜。實踐證明，用三角形和梯形隸屬函數，其性能并沒有十分明顯的差別。因此，為了簡化計算，目前比較常用的是三角形，其次是梯形。

設模糊語言定義為{負大，負中，負小，零，正小，正中，正大}時，其三角形隸屬函數曲線如圖3.5所示。圖3.5三角形隸屬函數（3）模糊控制規則的選取

模糊控制規則基于操作人員長期積累的控制經驗和領域專家有關知識而形成的，它是對被控對象進行控制的一個知識模型（不是數學模型）。這個模型建立的是否準確，將直接決定模糊控制器控制性能的好壞。（4）模糊推理方法的確定

①MAX—MIN法；

②模糊加權推理法；

③函數型推理法。

模糊推理有很多方法，其中比較常用的有以下三種：（5）解模糊接口的設計

經過模糊推理的結果，一般均為模糊值，不能直接用于控制被控對象，需要先轉化成執行機構可以執行的精確量，此過程稱為解模糊過程。①解模糊算法的選擇

解模糊常用的方法有：(i)最大隸屬度法；(ii)平均最大隸屬度法；②比例因子的選擇

同樣，模糊控制器輸出變量的論域和實際控制器的變化范圍一般也不會相同，故而引出比例因子。(iii)中位數法；(iv)加權平均法（重心法）。

設控制量的變化范圍為[-umax，umax]，控制量所取的模糊論域為

控制量的比例因子由下式確定

輸出比例因子Ku的大小也影響著模糊控制系統的特性。Ku選擇過小會使系統動態響應過程變長，而Ku選擇過大會導致系統振蕩。3.3模糊控制系統的兩種基本類型

由于模糊控制器的知識庫中規則的形式和推理機的推理方法不同，模糊控制系統的具體類型是多種多樣的。通過對各種類型模糊控制器的分析，現有的模糊控制系統可以歸納為兩種基本類型：Mamdani型和Takagi-Sugeno（T-S）型，其它的類型都可視為這兩種類型的改進或變型。3.3.1Mamdani型模糊控制系統的工作原理Mamdani模糊控制器是英國的Mamdani博士于1974年提出的，他第一次把模糊集合和模糊推理應用于實際控制系統，是模糊控制技術發展初期普遍采用的模糊控制器模型，因而也常常被稱為傳統的模糊控制器。

多輸入單輸出（MISO）Mamdani模糊控制器的模糊控制規則形式為：其中，z1，z2，，zp為前件（輸入）變量，其論域分別為Z1，Z2，，Zp；（i=1,2,,p;j=1,2,,m）為前件變量zi的模糊集合；u為輸出控制變量，論域為U；Bj為輸出變量的模糊集合。

對于模糊控制器的一組精確輸入值可得到推理結果為

采用重心法反模糊化后得到的控制器的精確輸出為其中，uj是使

取最大值的點，它一般也就是隸屬度函數的中心點。或3.3.2T-S型模糊控制系統的工作原理T-S模糊模型是日本學者Takagi和Sugeno于1985年首先提出來的，它采用輸入變量的函數作為if–then模糊規則的后件。T-S模糊模型可描述為：其中，z1，z2，，zp為前件（輸入）變量，其論域分別為Z1，Z2，，Zp；（i=1,2,,p;j=1,2,,m）為前件變量zi的模糊集合；u為輸出控制變量，論域為U；fj(z1,z2,,zp)是模糊后件關于前件變量zi的線性或非線性函數。

對于一組輸入，經過模糊推理并采用重心法反模糊化后得到的控制器輸出為其中，wj為輸入變量對第j條規則的激活度（或匹配度），它有以下兩種推理方式或

在實際應用中，T-S模糊規則后件的函數fj(z1,z2,,zp)可采用多項式形式。3.4模糊控制技術應用舉例——模糊控制全自動洗衣機1.模糊控制全自動洗衣機的特點

傳統的全自動洗衣機從控制的角度看，實際上是一臺按事先設定好的程序而進行工作的機械，它幾乎不具備什么智能，即它不能根據實際情況和工作條件的變化來改變程序中的參數。而模糊控制的洗衣機則向真正的智能化全自動邁進了一大步。它具有以下幾個特點：①可以根據所洗衣服的數量、種類和臟污程度來自動決定用水量的多少和水流的強度，可以動態地改變洗衣時間，在洗干凈衣服的前提下，盡量省電、省水、省時；②操作簡單，只一個按鈕，一按就行；③可以用液晶屏將工作情況和過程顯示出來，比如已進入洗衣的哪個階段，衣服已完成預定洗凈目標的百分比以及還需要多長時間完成洗衣任務等；④據測定，模糊控制的全自動洗衣機與普通全自動洗衣機相比，在條件完全相同的情況下，可提高洗凈度20%左右，其水平可達到有經驗主婦手工洗凈的程度。2.模糊控制全自動洗衣機的工作原理

洗衣機的模糊推理及控制關系如圖3.6所示，這是一個多輸入、多輸出的控制系統。輸入量有布量、布質、水溫、臟污程度和臟污性質等；輸出量則包括電機轉速、水位、洗滌時間、洗滌劑投放量、脫水時間、漂洗方式、次數等，其中洗滌劑投放量、水流強度、水位、預設洗滌時間可以在洗滌前通過模糊推理計算得出，而洗滌修正時間、漂洗次數等則可由實時模糊控制器在線進行調節。布量布質臟污程度臟污性質水溫模糊推理控制洗滌劑量水位水流強度洗滌時間脫水時間漂洗方式、次數圖3.6模糊洗衣機推理控制關系（1）輸入量的檢測①水位傳感器

水位傳感器是一個壓力/頻率轉換部件。在結構上水位檢測器為一個LC振蕩器，水位的高低會使振蕩器的輸出頻率發生變化，因此由其頻率可推知水位高低。②布量和布質檢測③溫度檢測電路

溫度檢測元件可采用熱敏電阻。④臟污程度和臟污性質的檢測

衣物的臟污程度、臟污性質和洗凈程度的檢測是通過紅外光電傳感器來完成的。（2）模糊控制器的設計

為了使控制效果既好又使控制過程相對簡單，采取矛盾分析方法得到的具體控制策略是:①根據布質、布量確定水位高低和水流強度；②根據布質、布量和溫度確定初始的洗衣時間；③根據洗滌過程中的混濁度信息來修正實際洗滌時間的長短和漂洗次數的多少。①水位設定的模糊控制（i）模糊量的定義

布質的模糊子集為{化纖，棉布}；

布量的模糊子集為{少，中，多}；

水位的模糊子集為{少，低，中，高}。

根據經驗和實驗數據，各模糊子集的隸屬函數采用梯形與三角形隸屬函數。

其基本工作原理可簡述如下。（ii）模糊控制規則的設計表3.1水位模糊控制規則表水位布質化纖棉布少低低中中高少布量中多

根據實際操作經驗可總結出水位的模糊控制規則表，如表3.1所示。②水流強度的模糊控制表3.2水流強度模糊控制規則表水流強度布質化纖棉布弱中中強強強少布量中多

水流強度的模糊子集定義為{弱，中，強}。

根據實際操作經驗可總結出水流強度的模糊控制規則表，如表3.2所示。

布質和布量的模糊子集定義如前所述；（i）模糊量的定義（ii）模糊控制規則的設計③預設洗衣時間的模糊控制

根據實際操作經驗可總結出預設洗衣時間的模糊控制規則表，如表3.3所示。

預設洗衣時間的模糊子集為{很短，短，較短，中，較長，長，很長}。表3.3預設洗衣時間模糊控制規則表溫度布質化纖棉布很短較短高較長少布量中多中低高中低短較短長中較長很長短較短長短中長中長很長（i）模糊量的定義（ii）模糊控制規則的設計

布質和布量的模糊子集定義如前所述；溫度的模糊子集為{低，中，高}；④實際洗滌時間的調整方法

洗衣過程中必須根據實際洗滌衣物的混濁度信息（臟污程度和臟污性質），對預設洗滌時間作適當的修正，以保證洗凈度高，洗衣時間又不過長。

臟污程度的模糊子集為{輕，中，重}；（i）模糊量的定義（ii）模糊控制規則的設計表3.4所示為洗滌修正時間模糊控制規則表。臟污性質的模糊子集為{泥性，中性，油性}；洗滌修正時間的模糊子集為{負多，負少，零，正少，正多}。（3）控制器硬件系統的結構

圖3.7為一智能模糊型洗衣機控制器的硬件系統，系統采用MC68HC05B6單片機作為核心控制部件，它接收來自操作鍵和各檢測電路送來的信號，輸出相應的顯示信號和半導體功率器件的驅動信號。表3.4洗滌修正時間模糊控制規則表修正時間臟污性質泥性中性負多負少負少零零正少輕中重油性零正少正多臟污程度（4）控制器軟件系統的設計

全自動洗衣機模糊控制的軟件系統比較復雜，其程序設計采用模塊化結構，由主程序、子程序和中斷服務程序組成。外接電源電源電路上電復位電路過零檢測電路鍵盤掃描電路過壓欠壓檢測安全開關檢測水位檢測電路單片機水溫檢測電路LED、數碼管顯示電路驅動電路電機正轉電機反轉電機調速進水閥排水閥加熱絲蜂鳴器圖3.7硬件系統框圖4.1基于神經網絡的系統辨識

多年來，對線性、非時變和具有確定參數的系統所進行的辨識研究，已經取得了很大的進展，但被辨識對象模型結構的選擇都是建立在線性系統的基礎上。對于大量復雜的非線性對象的辨識，一直未能很好地解決。由于神經網絡具有強大的非線性特性和自學習能力，所以它在這一方面具有很大的潛力，為解決復雜非線性、不確定性系統的辨識問題開辟了一條有效的途徑。基于神經網絡的系統辨識，就是利用神經網絡作為被辨識對象的模型，它可以實現對線性與非線性、靜態與動態系統的離線或在線辨識。第4章基于神經網絡的智能控制技術

一般說來，神經網絡用于控制有兩種方式：一種是利用神經網絡實現系統建模，有效地辨識系統；另一種就是將神經網絡直接作為控制器使用，以取得滿意的控制效果。4.1.1基于神經網絡系統辨識的基本概念（1）系統辨識的基本概念L.A.Zadeh曾給辨識下過定義：“辨識就是在輸入和輸出數據的基礎上，從一組給定的模型中，確定一個與所測系統等價的模型。”

①數據：能觀測到的被辨識系統的輸入/輸出數據；

根據以上關于辨識的定義可知，辨識有三大要素：

②模型類：待尋找模型的范圍；

③等價準則：辨識的優化目標，用來衡量模型與實際系統的接近情況。

設一個離散非時變系統，其輸入和輸出分別為u(k)和y(k)，辨識問題可描述為尋求一個數學模型，使得模型的輸出與被辨識系統的輸出y(k)之差滿足規定的要求，如圖4.1所示。

在進行辨識系統時要遵循以下幾個基本原則。②模型的選擇原則①輸入信號的選擇原則被辨識系統辨識模型圖4.1系統辨識原理圖

模型只是在某種意義下對實際系統的一種近似描述，它的確定要兼顧其精確性和復雜性，一般選擇能逼近原系統的最簡模型。

為了能夠辨識實際系統，對輸入信號的最低要求是在辨識時間內系統的動態過程必須被輸入信號持續激勵，反映在頻譜上，要求輸入信號的頻率必須足以覆蓋系統的頻譜，更進一步的要求是輸入信號應能使給定問題的辨識模型精度足夠高。③誤差準則的選擇原則其中，L為數據的長度，f(?)是e(k)的函數，一般選平方函數，即根據圖4.1可知

由于e2(k)通常是關于模型參數的非線性函數。因此，在這種誤差準則意義下，辨識問題可歸結為非線性函數的最優化問題。

作為衡量模型是否接近實際系統的標準，誤差準則通常表示為一個誤差的泛函，記作（2）神經網絡系統辨識的特點

基于神經網絡的系統辨識，就是選擇適當的神經網絡作為被控對象或生產過程（線性或非線性）的模型或逆模型。

與傳統的辨識方法相比較，神經網絡用于系統辨識具有以下的特點：

①神經網絡本身作為一種辨識模型，其可調參數反映在網絡內部的連接權上，因此不再要求建立實際系統的結構模型，即可以省去對模型的結構、階次（維數）辨識這一步驟；

②可以對本質非線性系統進行辨識，辨識過程在網絡外部表現為對系統輸入/輸出數據的擬合，而在網絡內部則是通過歸納隱含在輸入/輸出數據中的系統特性加以完成的；

③辨識的收斂速度不依賴于待辨識系統的維數，只與神經網絡的拓撲結構及所采用的學習算法有關；傳統的辨識算法一般會隨模型維數的增大而變得非常復雜；

神經網絡的系統辨識可以分為在線辨識和離線辨識兩種，在線辨識是在系統實際運行過程中完成的，辨識過程要求具有實時性。離線辨識是在取得系統的輸入/輸出數據后進行辨識，因此，辨識過程與實際系統的運行是分離的，無實時性要求。離線辨識能使網絡在系統工作前，預先完成學習，但輸入/輸出訓練集很難覆蓋系統所有可能的工作范圍，而且難以反應系統在工作過程中的參數變化。

在實際運用中，一般是先進行離線訓練，得到網絡的權系數，然后再進行在線學習，將得到的權值作為在線學習的初始權值，以便加快后者的學習過程。由于神經網絡所具有的自學習能力，使得在被辨識系統特性變化的情況下，神經網絡能通過不斷地調整權值和閾值，自適應地跟蹤被辨識系統的變化。

④在辨識過程中，系統模型的參數對應于神經網絡中的權值、閾值，通過調節這些權值、閾值即可使網絡輸出逼近系統輸出。4.1.2基于神經網絡的系統辨識1.正向模型辨識

所謂正向模型是指利用多層前饋神經網絡，通過訓練或學習，使其能夠表達系統正向動力學特性的模型。圖4.2給出了獲得系統正向模型的網絡結構示意圖。其中神經網絡與待辨識系統并聯，兩者的輸出誤差e被用作網絡的訓練信號。顯然，這是一個典型的有監督學習問題，實際系統作為教師，向神經網絡提供學習算法所需的期望輸出。一般可選BP及其改進算法對網絡進行訓練。動態系統NN圖4.2正向模型注意：

②輸入/輸出數據對的使用要合理；

③網絡的拓撲結構要根據其學習能力和泛化能力共同確定。2.逆模型辨識

建立動態系統的逆模型，在神經網絡控制中起著關鍵的作用，并且得到了最廣泛的應用，這在下節中將進行詳細介紹。

下面首先討論神經網絡逆建模的輸入輸出結構，然后介紹兩類具體的逆建模方法。

①NN的輸入不僅有u(k),u(k-1),，u(k-m+1)，而且有y(k),y(k-1),,y(k-n+1)；輸出為y(k+1)，即NN要模仿的非線性關系為y(k+1)=f[y(k),,y(k-n+1);u(k),,u(k-m+1)]

假定上式中的非線性函數f可逆，則在數學層面上容易推出上式中出現了k+1時刻的輸出值y(k+1)。由于在k時刻不可能知道y(k+1)的值，因此一般用k+1時刻的期望輸出yd(k+1)來代替y(k+1)的值。因為對于輸出而言，其任意時刻的期望值總可以預先求出。此時，上式變為u(k)=f-1[y(k+1),,y(k-n+1);u(k-1),,u(k-m+1)]

如果將u(k-1),,u(k-m+1);y(k),,y(k-n+1),yd(k+1)作為網絡的輸入，u(k)作為網絡的輸出，那么利用靜態前饋神經網絡進行逆建模過程，事實上也就變成了通過學習逼近上述非線性函數f-1(?)的過程。u(k)=f-1[y(k),,y(k-n+1),yd(k+1);u(k-1),,u(k-m+1)]（1）直接逆建模

直接逆建模也稱為廣義逆學習（GeneralizedInverseLearning），其結構如圖4.3所示。動態系統NN圖4.3直接逆建模

從原理上說，這是一種最簡單的方法。由圖4.3可以看出，擬辨識動態系統的輸出作為網絡的輸入，將網絡輸出與系統輸入進行比較后的誤差作為訓練信號，因而網絡將通過學習建立起擬辨識動態系統的逆模型。注意：

①所辨識的非線性系統有可能是不可逆的，這時利用上述方法不可能得到一個正確的逆模型。因此，在建立系統的逆模型時，可逆性必須首先假定；

②建立逆動力學神經網絡模型時，網絡學習所需的樣本集一般很難確定，因為實際工作時輸入信號很難先驗給出；

③在系統辨識中為保證參數估計算法一致收斂，一個持續的輸入信號必須提供。盡管對傳統自適應控制已經提出了許多確保持續激勵的條件，但對神經網絡，這一問題仍有待于進一步研究。

由于實際工作范圍內的系統輸入u(k)不可能預先確定，而相應的持續激勵信號又難以設計，這就使該方法在應用時，有可能給出一個不可靠的逆模型，為此一般采用以下建模方法。（2）正–逆建模動態系統NN圖4.4正–逆建模正向模型

正–逆建模也稱為狹義逆學習（SpecializedInverseLearning），其結構如圖4.4所示。

此時待辨識對象的逆模型（NN）位于動態系統前面，并與之串聯。網絡的訓練誤差或者為系統期望輸出yd(k)與系統實際輸出y(k)之差，或者為系統期望輸出yd(k)與已建神經網絡正向模型的輸出yN(k)之差，即或其中神經網絡正向模型可由前面討論的方法給出。

該方法的特點是：通過使用系統已知的正向動力學模型，或使用已建神經網絡正向模型，避免采用系統輸入產生訓練誤差，從而使待辨識神經網絡仍然根據期望輸出進行學習。這就從根本上克服了必須使用系統輸入才能產生訓練誤差所帶來的問題。

此外，對于系統不可逆的情況，利用此法也可通過學習得到一個具有期望性能的特殊逆模型。4.2基于神經網絡的控制

在現代控制系統中，隨著工程研究的深入，控制理論所面臨的問題日益復雜多變，主要表現在控制對象、控制任務的日益復雜化，系統的數學模型難以建立。神經網絡由于其強大的非線性映射能力、自學習自適應能力、聯想記憶能力、并行信息處理能力以及優良的容錯能力，使得其非常適用于復雜系統的建模與控制，特別是當系統存在不確定因素時，更體現了神經網絡方法的優越性，它使模型與控制的概念合二為一。

神經網絡除用于系統辨識之外，另一個應用領域就是直接作為控制器使用。4.2.1基于神經網絡控制的基本原理①采用并行分布信息處理方式，具有很強的容錯性。神經網絡具有高度的并行結構和并行實現能力，因而具有較快的總體處理能力和較好的容錯能力，這特別適用于實時控制過程；

神經網絡用于控制的優越性主要表現在以下幾個方面：②神經網絡的本質是非線性映射，它可以逼近任意非線性函數，這一特性給非線性控制問題帶來了新的希望；③通過對訓練樣本的學習，可以處理難以用模型或規則描述的過程和系統。由于神經網絡是根據系統過去的歷史數據進行訓練的，一個經過適當訓練的神經網絡具有歸納全部數據的能力。因此，神經網絡能夠解決那些用控制算法或控制規則難以處理的控制問題；④硬件實現發展迅速，為提高神經網絡的應用開辟了廣闊的前景。神經網絡不僅能通過軟件，而且可借助于硬件電路實現并行處理。近年來，由一些超大規模集成電路實現的硬件已經面市，這使得神經網絡快速、大規模處理信息的能力進一步得到提高。

顯然，神經網絡自身所具有的自學習和自適應、自組織以及大規模并行信息處理等特點，使其在自動控制領域具有廣闊的應用前景。（1）神經網絡前饋控制的基本原理

圖4.5給出了一般反饋控制系統的原理圖。控制器被控對象圖4.5一般反饋控制系統框圖神經網絡被控對象圖4.6神經網絡控制系統框圖采用神經網絡作為前饋控制器的系統如圖4.6所示。

設被控對象的輸入u和系統輸出y之間滿足如下非線性函數關系

控制的目的是確定最佳的控制量輸入u，使系統的實際輸出y等于期望的輸出r。在該系統中，可把神經網絡的功能看作輸入輸出的某種映射，或稱函數變換，并設它的函數關系為

為了滿足系統輸出y等于期望的輸出r，由以上兩式可得

顯然，當時，滿足y=r的要求。

由于要采用神經網絡控制的被控對象一般是復雜的且大多具有不確定性，因此非線性函數一般都難以建立。盡管未知，但可以利用神經網絡所具有的逼近任意非線性函數的能力來模擬。通過系統的實際輸出y與期望輸出r之間的誤差來調整神經網絡中的連接權值，即通過神經網絡學習，使誤差趨近于零的過程，實際上就是神經網絡模擬的過程，它實際上是對被控對象的一種求逆過程，由神經網絡建立被控對象的逆模型，就是神經網絡實現直接控制的基本原理。（2）神經網絡在控制系統中的作用