人工神经网络在自动控制系统中的应用(1)

第15卷第2期

安徽机电学院学报Vol. 15No. 2文章编号:1007-5240(2000) 02-0001-05

人工神经网络在自动控制系统中的应用

周鸣争

(安徽机电学院计算机工程系, )

摘要:1它能以任意精, 能很好的协调多种输入信息关系, 适用它为解决不确定性系统的许多控制问题及高度非线性问题提供了一个有力的工具1介绍了网络用于自动控制系统的主要特征, 重点阐述了神经网络在系统辨识和模糊控制系统中的应用, 并讨论了发展概况及趋势1

关键词:神经网络; 系统辨识; 模糊控制; 神经网络计算机

中图分类号:T P40文献标识码:A

引言

自动控制是本世纪形成和发展起来的一门新兴学科, 是一门涉及到数学、计算机、信息、电工、电子等众多领域的交叉科学1它的应用和影响已遍及很多技术和社会科学领域1如果把1932年的奈魁斯特(H 1N yq uist ) 发表的关于反馈放大器稳定性的经典论文作为起点, 自动控制的发展已走过近70年的历程1在这段时间内, 它经历了经典控制理论到现代控制理论, 又由现代控制理论发展到现在的智能控制诸阶段1在自动控制发展的过程中, 计算机科学一直对它产生着巨大的影响1但是, 随着科学技术的发展, 对控制系统智能化的要求也越来越高1基于串行计算的Vo n. Neuma nn 计算机面对复杂的智能控制系统, 在对环境的识别和实时大规模计算等方面已显现出带有根本性的困难和局限1人工神经网络的发展为摆脱这种困境提供了一条途径1其主要原因为:

(1) 它能以任意精度逼近任意连续非线性函数;

(2) 对复杂不确定问题具有自适应和自学习能力;

(3) 它的信息处理的并行机制可以解决控制系统中大规模实时计算问题, 而且并行机制中的冗余性可以使控制系统具有很强的容错能力;

(4) 它具有很强的信息综合能力, 能同时处理定量和定性的信息, 能很好的协调多种输入信息关系, 适用于多信息融合和多媒体技术;

(5) 神经计算可以解决许多自动控制计算问题, 如优化计算和矩阵代数计算等;

(6) 便于用VL SI 和光学集成系统或用现有计算机技术虚拟实现1

由于人工神经网络具有上述特点, 它在自动控制系统中的应用被看作是控制理论应用与发展的自然阶梯遇到了新的挑战1它为解决困扰自控界的高难度、高设计目标且带有很大不确定性系统的许多控制问题及高度非线性问题提供了一个有力的工具, 引起了自控界的广泛关注1它的应用目前已渗透到自动控制领域的各方面, 并展现了较好的应用前景1

收稿日期:2000-02-24

作者简介:周鸣争(1958-) , 男, 安徽枞阳人, 副教授1

・2・安徽机电学院学报2000年1基于神经网络的系统辨识

系统辨识是控制理论研究的一个重要分支, 它是控制系统设计的基础1在利用控制理论去解决实际问题时, 首先必须建立被控对象的数学模型1这是控制理论能否成功地用于实际的关键之一1近年来, 对线性、非时变性和具有不确定参数的对象进行辨识和自适应控制的研究已取得了很大的进展, 对于非线性系统的辨识问题, 各种先验知识的假设, 因此, 1如何进行有效的非线性系统的辨识, 1由于神经网, 所以神经网络系统辨识对非线性系统的辩识提1神经网络对系统进行辨识是通过直接学习系统的输入/输出数据, 学习的目的是使所要求的误差函

数达到最小, 从而归纳出隐含在系统输入/

输出数据中的关系, 这个关系隐含在神经

网络内部, 它究竟表现为何种形式, 对外界

是不可知的, 并且人们关心的并不是神经

网络以什么样的形式去逼近实际系统, 而

只要神经网络的输出能够逼近同样输入信

号激励的输出, 则认为神经网络已充分体

现实际系统特性, 完成对原系统的辨识1

图1给出了基于输出误差的神经网络辨识

原理框图, 图中TDL (Ta pp cd Dela y Linc ) 为多分支时延系统, 其输出矢量由输入信号的延时构成1图中的神经网络一般采用多层前向网络结构, 它具有3要素, 即多层次结构、S 型神经元和反向传播(B P ) 算法, 它可逼近任意连续有界非线性1但它一般是静态的, 而对控制系统来说, 人们所关心的是它的动态特性, 于是将多层前向网络可实现任意非线性映射和回归网络可描述动态系统的优点相结合就形成了多层动态前向网络这样一种新的网络结构1回归网络本质是动态系统, 最著名的代表是Ha p field 网络1与传统的基于算法的辨识方法比较神经网络系统辨识具有如下特点:

(1) 因神经网络可任意逼近非线性函数, 故可为非线性系统的辨识提供一种通用模式1(2) 神经网络辨识是非算法式的, 神经网络本身就是辨识模型, 其可调参数反映在网络的内部连接权上, 它不需要建立以实际系统数学模型为基础的辨识模式, 故可以省去在辨识前对系统建模这一步骤1

(3) 神经网络作为实际系统的辨识模型, 实际上也是系统的一个物理实现, 可用于线性控制1文献[1]是笔者基于上述神经网络的系统辨识原理基础上, 针对工业在线测量过程中, 很多参数无法通过检测仪表进行直接检测, 必须通过软测量(亦称间接测量) 来获得1但在实际中, 被测参数与有关参数之间存在有较大的非线性和时变性, 其数学模型很难建立这一具体问题, 提出了一种新的基于神经网络软测量模型及算法, 经计算机仿真与实际应用表明这种模型与算法可有效解决参数间存在非线性与模糊关系的软测量的建模问题, 弥补了基于数学模型的软测量方法的不足, 为复杂软测量建模提供了一种有效的途径1

第2期周鸣争人工神经网络在自动控制系统中的应用・3・2. 模糊神经网络控制系统

模糊系统(FL ) 和人工神经网络相结合实现对控制对象进行自动控制, 是近几年的一个重要研究“热点”1美国学者B 1Ko sko 在这方面进行了开创性的工作1他在文献[2]中系统的研究和总结了神经网络和模糊系统的一般原理和方法, 对神经网络在模糊系统中应用研究起了很大的推动作用1

, 它们都以一种不精确的方式处理不精确的信息, 是规则数值化, , 它需用大量的训练数据, , /输出间的映射关系1

, 但仍可将二者结合起来, 使神经网络借助其大规模并行分布处理结构完成模糊处理过程, 这是因为神经网络的N 个[0, 1]区间内的输出值代表了一个N 维隶属函数矢量, 其元素也是输出层各个神经元的输出值, 它代表了某一输出模式相应于输出层各神经元所代表的模糊集合的“隶属度”, 而“规则”则是由神经网络并行分布结构综合产生的输入与输出的映射关系1在模糊系统中, “规则”是一条条分列地给出的, 互不影响, 各自为政1而在神经网络中“, 规则”之间没有明显的分界线, 他们互相综合在一起, 既互相制约, 又互相激励, 既交互干扰, 又彼此促进1神经网络直接镶嵌在一个全部模糊的结构中, 它在“不知不觉”中向训练数据学习, 产生修正并高度概括输入/输出之间模糊规则1当难以获得足够的结构化知识(IF -THEN ) 时, 可利用神经网络自适应地产生和精炼这些规则, 然后, 根据输入模糊集合的几何分布及由过去经验产生的那些模糊规则, 便可由此进行推理, 得出结论1从而解决模糊系统的规则集和隶属函数等设计参数只能靠经验来选择, 难以自动设计和调整不足, 实现模糊系统的自学习与自适应功能1

目前, 实现神经网络模糊控制系统从结构上看主要有两类:

(1) 模糊神经元网络1即在神经网络结构中引入模糊逻辑, 使其具有直接处理模糊信息的能力, 如把普通神经元中的加权求和方法运算变成“并”和“交”等形式的模糊逻辑运算, 以构成模糊神经元1在这种结构中, 模糊神经元网络其结构一般为多层前向网络, 但由于涉及到模糊成分的方式不同, 可得到其权值为模糊值的模糊神经元网络、输入为模糊量的模糊神经网络、输入及权值均为模糊量的模糊神经网络以及采用“与”“或”运算取代S 型函数的模糊量神经网络1在这些模糊神经网络中的结构与权值都有一定的物理意义1这样在设计FN N 网络结构时, 可据问题的复杂程度以及精度要求, 并结合人的先验知识来构造相应的FN N 网络模型1同时, FN N 网络中权值的初始化可据先验知识人为的加以选择1因此, 网络的学习速度大大加快, 并在一定程度上回避了梯度优化算法带来的局部极小值问题1

(2) 直接利用神经网络的学习功能和映射能力, 去等效模糊系统中各个模糊功能块, 如模糊化、模糊推理、模糊决策等1网络的节点和参数分别对应系统隶属函数或推理过程1通过使用不同的加权Si g moid 函数阈值就能将偏差和偏差变化模糊化1隐层的输出、输入关系采用si g moid 函数:

s =∑w i b i -θ.

输入层、输出层的输出、输入关系采用线性函数:

w i b i . y =∑

・4・安徽机电学院学报2000年

一条模糊推理规则可以用一个单神经元或一个节点实现, 而模糊决策用表格表示时, 方法类似于模糊推理表示, 若用函数关系表示时, 其系数是相应神经元的连接权值1

文献[3]是笔者基于上述第二类结构原理, 针对定形机温度控制的特点, 采用了一种神经模糊控制模式1在其控制算法中, 用一个三层前向神经网络等效地实现了其模糊推理1为了减少其输入层节点的个数, 采用了对输入信息进行编码的方法, 对原网络结构有了较大的改进, 使网络输入层神经元个数从26个减为2个, 大大减少了网络的训练量, 较好的控制效果1

3・诺依曼计算机1这种计1我们知道神经计算的一个非常显著的特点就是其并行处理能力, 这一特点就很自然地使我们想到用并行处理的方法来实现神经计算1为了并行实现神经计算而构造的计算机, 便称为神经网络计算机1这种计算机和一般用于科学计算的并行计算机不同之处在于并行计算的方法及应用的领域不同, 从而决定了并行神经计算机技术有着自己的特点、方法和要求1

在神经网络计算并行实现方面, 许多研究者都作了大量的工作, 当前并行实现神经计算主要从神经网络计算级、神经计算步骤级、神经元计算级和微任务计算级4个级别展开1从神经网络的微观结构来看神经网络是由大量的极简单的神经元通过广泛复杂的互连而形成的1神经元之间不存在什么控制和被控制的关系, 而其相互联系体现在2个值上:前一神经元送到后一神经元的输出值和神经元之间的连接权值1计算是通过数据在神经网络中的流动来完成的1它的计算是数据流驱动的1在宏观上, 由外部环境来的数据信息流驱动神经网络进行计算, 计算的结果又以数据流的方式流向外部环境1这种数据流驱动过程与神经计算的控制机制密切相关, 被普遍的认为是突破冯・诺依曼结构最有希望的途径1神经网络计算机就是在实现这种神经计算的基础上在一定层次和一定程度上模仿人脑的神经系统1

1985年, 美国加州理工学院和贝尔实验室合作, 用215万个晶体管和10万个电阻, 制成了一个具有256个人工神经元的神经网络计算机, 从而引起了一场世界性的神经网络计算机研究热潮11992年日本通产省制定了为期10年的发展神经网络计算机计划, 硬件规模达到百

13万台处理器级, 运算速度达到110×10次/s 1日本三菱电机公司在1992年已制成了世界上

最大规模神经网络计算机硅芯片, 这种芯片在115cm 2的硅片上集成了400个神经元和4万

4个连接这种神经元的神经键, 运行速度达到200×10次/s , 可在瞬间学习和认识40个字1我

国中科院半导体所也开发出了内含200多个节点的神经网络集成芯片1我国首台用神经网络控制机器人手眼协调系统已研制成功1过去机器人控制的传统方法需用力学和几何学建立严格的运动学和动力学模型, 计算量很大1采用神经网络控制, 只需要一定的训练和学习, 就能实现机器人手眼协调控制, 计算量大大减少1这标志着我国对神经网络计算机的研究正向工业实用阶段发展1

4结束语

神经网络在控制系统中的应用有着非常广阔的前景1它已渗透到自动控制系统领域的各个方面1但要发展到象经典控制理论那样的成熟, 还需做很多工作1从理论上看, 由于神经网络控制系统是非线性系统, 进行稳定性分析相当困难, 有待于提出新的稳定性理论1从工程角

第2期周鸣争人工神经网络在自动控制系统中的应用・5・度出发, 迄今为止基本上没有见到只能用神经网络控制系统解决, 而不能用现有其它任务方法完成的课题, 还没有显示出不可替代的优越性1因此, 神经网络的出现只给非线性系统的建模和控制提供了一种很好的工具, 要形成一套比较成熟的理论分析方法和设计方法, 还有待于非线性理论的发展1

参考文献:

[1]

[2]

[3]周鸣争1基于神经网络的软测量模型及应用[J]1,1999) -1Ko sko B. N e ueal N et wo r k a nd Fuzz y S y sie m , g nce [M ], Pre n tice hall , Inc. 19921周鸣争1,1999,20(4) :254-2571

[4]周鸣争1[J]1安徽机电学院学报,1998,13(4) :13-161

[5]焦李成1[M ]1西安:西安电子科技大学出版社119951

[6]胡守仁, 等1神经网络系统[M ]1北京:国防科技大学出版社,19931

[7]王永骥, 等1神经元网络控制[M ]1北京:机械工业出版社119981

[8]胡守仁1神经网络应用技术[M ]1国防科技大学出版社,19931

[9]刘延年, 冯纯伯1用神经网络进行非线性离散动态系统辨识的可行性[J]1控制理论与应用, 1994,11

(4) :413-4191

[10]谭永红1多层前向神经网络的RL S 训练算法及其在辨识中的应用[J]1控制理论与应用,1994,11(5) :

594-5991

[11]

[12]

[13]

[14]

[15]

[16]Ko smato p ulo s. E. B. et. al. Hi g h -O r de r N e ural N et wo r k St r uct ure s fo r Ide ntificatio n of D y na mical S y st e m s[J], I E E E Tra ns o n N N , 1995,6(2) :353-3571彭小奇, 等1多变量系统的模糊神经网络控制模型及其应用[J]1控制理论与应用11995,12(3) :353-3571王殿辉, 柴天佑1自适应模糊神经网络控制器的线性化方法[J]1控制与决策,1995,10(1) :21-271Ko sko B. &Ko n g s C. A da p tive Fuzz y S y st e m s fo r Bac ki n g u p a Trac ka nd -Traile r [], I E E E Tra ns o n N N 1992,3(2) :211-2331靳番1神经网络与神经计算机[M ]1成都:西南交通大学出版社,19911戴葵1神经网络实现技术[M ]1北京:国防科技大学出版社,19981

The a pp l ication of neural net work in contral s y stem

ZHO U Min g -zhen g

(Co m p ut e r Scie nce a nd En g i nee ri n g De p a rt me nt , A nhui Insitit ut e of Mec ha nical a nd Eleet rical En 2g i nee ri n g ,W uhu 241000, Chi na )

Ab stra ct :Neural net wo r ks are widel y used in solvin g ma n y hi g h no nlinear co nt rol p o r 2blems because of t heir massive p arallel st r uct ure a nd leavnin g ca p abilit y . It ca n a p 2p ro ximate to ra ndo m co ntinuo us no n -liner f unctio n wit h a n y p recisio n , dis p o se t he q ua ntit ative a nd q ualit ative info r matio n at t he sa me time , a nd reco ncile t he relatio n of ma nifold in p ut info r matio n. It a pp l y to a mal g a matio n of ma nifold info r matio n a nd multimedia tech nolo gy . It’s a p owerf ul inst r ument to resolve ma n y co nt rol a nd hi g hl y no n -linear p ro blems of uncert aint y s y stem. This p a p er int ro duces t he main feat ures of t he neural net wo r k , a nd p resent s t he neural net wo r k a pp licatio n in s y stem identifica 2tio n a nd f uzz y co nt rol s y stem. So me t rends of neut al net wo r k is to be discussed. Ke y wo rd s :neural net wo r k ; s y stem identificatio n ; f uzz y co nt rol ; neural net wo r k co m p uter

第15卷第2期

安徽机电学院学报Vol. 15No. 2文章编号:1007-5240(2000) 02-0001-05

人工神经网络在自动控制系统中的应用

周鸣争

(安徽机电学院计算机工程系, )

摘要:1它能以任意精, 能很好的协调多种输入信息关系, 适用它为解决不确定性系统的许多控制问题及高度非线性问题提供了一个有力的工具1介绍了网络用于自动控制系统的主要特征, 重点阐述了神经网络在系统辨识和模糊控制系统中的应用, 并讨论了发展概况及趋势1

关键词:神经网络; 系统辨识; 模糊控制; 神经网络计算机

中图分类号:T P40文献标识码:A

引言

自动控制是本世纪形成和发展起来的一门新兴学科, 是一门涉及到数学、计算机、信息、电工、电子等众多领域的交叉科学1它的应用和影响已遍及很多技术和社会科学领域1如果把1932年的奈魁斯特(H 1N yq uist ) 发表的关于反馈放大器稳定性的经典论文作为起点, 自动控制的发展已走过近70年的历程1在这段时间内, 它经历了经典控制理论到现代控制理论, 又由现代控制理论发展到现在的智能控制诸阶段1在自动控制发展的过程中, 计算机科学一直对它产生着巨大的影响1但是, 随着科学技术的发展, 对控制系统智能化的要求也越来越高1基于串行计算的Vo n. Neuma nn 计算机面对复杂的智能控制系统, 在对环境的识别和实时大规模计算等方面已显现出带有根本性的困难和局限1人工神经网络的发展为摆脱这种困境提供了一条途径1其主要原因为:

(1) 它能以任意精度逼近任意连续非线性函数;

(2) 对复杂不确定问题具有自适应和自学习能力;

(3) 它的信息处理的并行机制可以解决控制系统中大规模实时计算问题, 而且并行机制中的冗余性可以使控制系统具有很强的容错能力;

(4) 它具有很强的信息综合能力, 能同时处理定量和定性的信息, 能很好的协调多种输入信息关系, 适用于多信息融合和多媒体技术;

(5) 神经计算可以解决许多自动控制计算问题, 如优化计算和矩阵代数计算等;

(6) 便于用VL SI 和光学集成系统或用现有计算机技术虚拟实现1

由于人工神经网络具有上述特点, 它在自动控制系统中的应用被看作是控制理论应用与发展的自然阶梯遇到了新的挑战1它为解决困扰自控界的高难度、高设计目标且带有很大不确定性系统的许多控制问题及高度非线性问题提供了一个有力的工具, 引起了自控界的广泛关注1它的应用目前已渗透到自动控制领域的各方面, 并展现了较好的应用前景1

收稿日期:2000-02-24

作者简介:周鸣争(1958-) , 男, 安徽枞阳人, 副教授1

・2・安徽机电学院学报2000年1基于神经网络的系统辨识

系统辨识是控制理论研究的一个重要分支, 它是控制系统设计的基础1在利用控制理论去解决实际问题时, 首先必须建立被控对象的数学模型1这是控制理论能否成功地用于实际的关键之一1近年来, 对线性、非时变性和具有不确定参数的对象进行辨识和自适应控制的研究已取得了很大的进展, 对于非线性系统的辨识问题, 各种先验知识的假设, 因此, 1如何进行有效的非线性系统的辨识, 1由于神经网, 所以神经网络系统辨识对非线性系统的辩识提1神经网络对系统进行辨识是通过直接学习系统的输入/输出数据, 学习的目的是使所要求的误差函

数达到最小, 从而归纳出隐含在系统输入/

输出数据中的关系, 这个关系隐含在神经

网络内部, 它究竟表现为何种形式, 对外界

是不可知的, 并且人们关心的并不是神经

网络以什么样的形式去逼近实际系统, 而

只要神经网络的输出能够逼近同样输入信

号激励的输出, 则认为神经网络已充分体

现实际系统特性, 完成对原系统的辨识1

图1给出了基于输出误差的神经网络辨识

原理框图, 图中TDL (Ta pp cd Dela y Linc ) 为多分支时延系统, 其输出矢量由输入信号的延时构成1图中的神经网络一般采用多层前向网络结构, 它具有3要素, 即多层次结构、S 型神经元和反向传播(B P ) 算法, 它可逼近任意连续有界非线性1但它一般是静态的, 而对控制系统来说, 人们所关心的是它的动态特性, 于是将多层前向网络可实现任意非线性映射和回归网络可描述动态系统的优点相结合就形成了多层动态前向网络这样一种新的网络结构1回归网络本质是动态系统, 最著名的代表是Ha p field 网络1与传统的基于算法的辨识方法比较神经网络系统辨识具有如下特点:

(1) 因神经网络可任意逼近非线性函数, 故可为非线性系统的辨识提供一种通用模式1(2) 神经网络辨识是非算法式的, 神经网络本身就是辨识模型, 其可调参数反映在网络的内部连接权上, 它不需要建立以实际系统数学模型为基础的辨识模式, 故可以省去在辨识前对系统建模这一步骤1

(3) 神经网络作为实际系统的辨识模型, 实际上也是系统的一个物理实现, 可用于线性控制1文献[1]是笔者基于上述神经网络的系统辨识原理基础上, 针对工业在线测量过程中, 很多参数无法通过检测仪表进行直接检测, 必须通过软测量(亦称间接测量) 来获得1但在实际中, 被测参数与有关参数之间存在有较大的非线性和时变性, 其数学模型很难建立这一具体问题, 提出了一种新的基于神经网络软测量模型及算法, 经计算机仿真与实际应用表明这种模型与算法可有效解决参数间存在非线性与模糊关系的软测量的建模问题, 弥补了基于数学模型的软测量方法的不足, 为复杂软测量建模提供了一种有效的途径1

第2期周鸣争人工神经网络在自动控制系统中的应用・3・2. 模糊神经网络控制系统

模糊系统(FL ) 和人工神经网络相结合实现对控制对象进行自动控制, 是近几年的一个重要研究“热点”1美国学者B 1Ko sko 在这方面进行了开创性的工作1他在文献[2]中系统的研究和总结了神经网络和模糊系统的一般原理和方法, 对神经网络在模糊系统中应用研究起了很大的推动作用1

, 它们都以一种不精确的方式处理不精确的信息, 是规则数值化, , 它需用大量的训练数据, , /输出间的映射关系1

, 但仍可将二者结合起来, 使神经网络借助其大规模并行分布处理结构完成模糊处理过程, 这是因为神经网络的N 个[0, 1]区间内的输出值代表了一个N 维隶属函数矢量, 其元素也是输出层各个神经元的输出值, 它代表了某一输出模式相应于输出层各神经元所代表的模糊集合的“隶属度”, 而“规则”则是由神经网络并行分布结构综合产生的输入与输出的映射关系1在模糊系统中, “规则”是一条条分列地给出的, 互不影响, 各自为政1而在神经网络中“, 规则”之间没有明显的分界线, 他们互相综合在一起, 既互相制约, 又互相激励, 既交互干扰, 又彼此促进1神经网络直接镶嵌在一个全部模糊的结构中, 它在“不知不觉”中向训练数据学习, 产生修正并高度概括输入/输出之间模糊规则1当难以获得足够的结构化知识(IF -THEN ) 时, 可利用神经网络自适应地产生和精炼这些规则, 然后, 根据输入模糊集合的几何分布及由过去经验产生的那些模糊规则, 便可由此进行推理, 得出结论1从而解决模糊系统的规则集和隶属函数等设计参数只能靠经验来选择, 难以自动设计和调整不足, 实现模糊系统的自学习与自适应功能1

目前, 实现神经网络模糊控制系统从结构上看主要有两类:

(1) 模糊神经元网络1即在神经网络结构中引入模糊逻辑, 使其具有直接处理模糊信息的能力, 如把普通神经元中的加权求和方法运算变成“并”和“交”等形式的模糊逻辑运算, 以构成模糊神经元1在这种结构中, 模糊神经元网络其结构一般为多层前向网络, 但由于涉及到模糊成分的方式不同, 可得到其权值为模糊值的模糊神经元网络、输入为模糊量的模糊神经网络、输入及权值均为模糊量的模糊神经网络以及采用“与”“或”运算取代S 型函数的模糊量神经网络1在这些模糊神经网络中的结构与权值都有一定的物理意义1这样在设计FN N 网络结构时, 可据问题的复杂程度以及精度要求, 并结合人的先验知识来构造相应的FN N 网络模型1同时, FN N 网络中权值的初始化可据先验知识人为的加以选择1因此, 网络的学习速度大大加快, 并在一定程度上回避了梯度优化算法带来的局部极小值问题1

(2) 直接利用神经网络的学习功能和映射能力, 去等效模糊系统中各个模糊功能块, 如模糊化、模糊推理、模糊决策等1网络的节点和参数分别对应系统隶属函数或推理过程1通过使用不同的加权Si g moid 函数阈值就能将偏差和偏差变化模糊化1隐层的输出、输入关系采用si g moid 函数:

s =∑w i b i -θ.

输入层、输出层的输出、输入关系采用线性函数:

w i b i . y =∑

・4・安徽机电学院学报2000年

一条模糊推理规则可以用一个单神经元或一个节点实现, 而模糊决策用表格表示时, 方法类似于模糊推理表示, 若用函数关系表示时, 其系数是相应神经元的连接权值1

文献[3]是笔者基于上述第二类结构原理, 针对定形机温度控制的特点, 采用了一种神经模糊控制模式1在其控制算法中, 用一个三层前向神经网络等效地实现了其模糊推理1为了减少其输入层节点的个数, 采用了对输入信息进行编码的方法, 对原网络结构有了较大的改进, 使网络输入层神经元个数从26个减为2个, 大大减少了网络的训练量, 较好的控制效果1

3・诺依曼计算机1这种计1我们知道神经计算的一个非常显著的特点就是其并行处理能力, 这一特点就很自然地使我们想到用并行处理的方法来实现神经计算1为了并行实现神经计算而构造的计算机, 便称为神经网络计算机1这种计算机和一般用于科学计算的并行计算机不同之处在于并行计算的方法及应用的领域不同, 从而决定了并行神经计算机技术有着自己的特点、方法和要求1

在神经网络计算并行实现方面, 许多研究者都作了大量的工作, 当前并行实现神经计算主要从神经网络计算级、神经计算步骤级、神经元计算级和微任务计算级4个级别展开1从神经网络的微观结构来看神经网络是由大量的极简单的神经元通过广泛复杂的互连而形成的1神经元之间不存在什么控制和被控制的关系, 而其相互联系体现在2个值上:前一神经元送到后一神经元的输出值和神经元之间的连接权值1计算是通过数据在神经网络中的流动来完成的1它的计算是数据流驱动的1在宏观上, 由外部环境来的数据信息流驱动神经网络进行计算, 计算的结果又以数据流的方式流向外部环境1这种数据流驱动过程与神经计算的控制机制密切相关, 被普遍的认为是突破冯・诺依曼结构最有希望的途径1神经网络计算机就是在实现这种神经计算的基础上在一定层次和一定程度上模仿人脑的神经系统1

1985年, 美国加州理工学院和贝尔实验室合作, 用215万个晶体管和10万个电阻, 制成了一个具有256个人工神经元的神经网络计算机, 从而引起了一场世界性的神经网络计算机研究热潮11992年日本通产省制定了为期10年的发展神经网络计算机计划, 硬件规模达到百

13万台处理器级, 运算速度达到110×10次/s 1日本三菱电机公司在1992年已制成了世界上

最大规模神经网络计算机硅芯片, 这种芯片在115cm 2的硅片上集成了400个神经元和4万

4个连接这种神经元的神经键, 运行速度达到200×10次/s , 可在瞬间学习和认识40个字1我

国中科院半导体所也开发出了内含200多个节点的神经网络集成芯片1我国首台用神经网络控制机器人手眼协调系统已研制成功1过去机器人控制的传统方法需用力学和几何学建立严格的运动学和动力学模型, 计算量很大1采用神经网络控制, 只需要一定的训练和学习, 就能实现机器人手眼协调控制, 计算量大大减少1这标志着我国对神经网络计算机的研究正向工业实用阶段发展1

4结束语

神经网络在控制系统中的应用有着非常广阔的前景1它已渗透到自动控制系统领域的各个方面1但要发展到象经典控制理论那样的成熟, 还需做很多工作1从理论上看, 由于神经网络控制系统是非线性系统, 进行稳定性分析相当困难, 有待于提出新的稳定性理论1从工程角

第2期周鸣争人工神经网络在自动控制系统中的应用・5・度出发, 迄今为止基本上没有见到只能用神经网络控制系统解决, 而不能用现有其它任务方法完成的课题, 还没有显示出不可替代的优越性1因此, 神经网络的出现只给非线性系统的建模和控制提供了一种很好的工具, 要形成一套比较成熟的理论分析方法和设计方法, 还有待于非线性理论的发展1

参考文献:

[1]

[2]

[3]周鸣争1基于神经网络的软测量模型及应用[J]1,1999) -1Ko sko B. N e ueal N et wo r k a nd Fuzz y S y sie m , g nce [M ], Pre n tice hall , Inc. 19921周鸣争1,1999,20(4) :254-2571

[4]周鸣争1[J]1安徽机电学院学报,1998,13(4) :13-161

[5]焦李成1[M ]1西安:西安电子科技大学出版社119951

[6]胡守仁, 等1神经网络系统[M ]1北京:国防科技大学出版社,19931

[7]王永骥, 等1神经元网络控制[M ]1北京:机械工业出版社119981

[8]胡守仁1神经网络应用技术[M ]1国防科技大学出版社,19931

[9]刘延年, 冯纯伯1用神经网络进行非线性离散动态系统辨识的可行性[J]1控制理论与应用, 1994,11

(4) :413-4191

[10]谭永红1多层前向神经网络的RL S 训练算法及其在辨识中的应用[J]1控制理论与应用,1994,11(5) :

594-5991

[11]

[12]

[13]

[14]

[15]

[16]Ko smato p ulo s. E. B. et. al. Hi g h -O r de r N e ural N et wo r k St r uct ure s fo r Ide ntificatio n of D y na mical S y st e m s[J], I E E E Tra ns o n N N , 1995,6(2) :353-3571彭小奇, 等1多变量系统的模糊神经网络控制模型及其应用[J]1控制理论与应用11995,12(3) :353-3571王殿辉, 柴天佑1自适应模糊神经网络控制器的线性化方法[J]1控制与决策,1995,10(1) :21-271Ko sko B. &Ko n g s C. A da p tive Fuzz y S y st e m s fo r Bac ki n g u p a Trac ka nd -Traile r [], I E E E Tra ns o n N N 1992,3(2) :211-2331靳番1神经网络与神经计算机[M ]1成都:西南交通大学出版社,19911戴葵1神经网络实现技术[M ]1北京:国防科技大学出版社,19981

The a pp l ication of neural net work in contral s y stem

ZHO U Min g -zhen g

(Co m p ut e r Scie nce a nd En g i nee ri n g De p a rt me nt , A nhui Insitit ut e of Mec ha nical a nd Eleet rical En 2g i nee ri n g ,W uhu 241000, Chi na )

Ab stra ct :Neural net wo r ks are widel y used in solvin g ma n y hi g h no nlinear co nt rol p o r 2blems because of t heir massive p arallel st r uct ure a nd leavnin g ca p abilit y . It ca n a p 2p ro ximate to ra ndo m co ntinuo us no n -liner f unctio n wit h a n y p recisio n , dis p o se t he q ua ntit ative a nd q ualit ative info r matio n at t he sa me time , a nd reco ncile t he relatio n of ma nifold in p ut info r matio n. It a pp l y to a mal g a matio n of ma nifold info r matio n a nd multimedia tech nolo gy . It’s a p owerf ul inst r ument to resolve ma n y co nt rol a nd hi g hl y no n -linear p ro blems of uncert aint y s y stem. This p a p er int ro duces t he main feat ures of t he neural net wo r k , a nd p resent s t he neural net wo r k a pp licatio n in s y stem identifica 2tio n a nd f uzz y co nt rol s y stem. So me t rends of neut al net wo r k is to be discussed. Ke y wo rd s :neural net wo r k ; s y stem identificatio n ; f uzz y co nt rol ; neural net wo r k co m p uter