神经网络逆模型自适应控制的研究

基于神经网络的自适应控制i磨一

蔡慧娟1范志宏2(1．江西南昌双港东路华东交通大学江西南昌330013；2．上海理工大学光电信息与计算机学院上海200090)VmAKL洲LEY1电子科学

[摘要]神经网络与自适应控制相结合的研究，己成为智能控制的一个新的分支；自适应具有强鲁棒性．神经网络则具有良好的自学习功能和良好的容错能力，神经网络向适应控制由于较好地融合了两者的优点而具有强大的优势。[关键词]神经网络自适应控制鲁棒性收敛性中图分类号：$PI文献标识码：^文章编号一1671—7597(2008)1220021--01一．jI曹人工神经网络(ArtificialNeuralNetworks．ANN)一般简称为神经网络．它是由大量神经元相瓦连接而成的复杂网络系统。它反映人脑功能的许多摹本特征，但不是对人脑神经网络系统的真实写照。而是对人脑生物神经网络的某种简化、抽象和模拟。其特点包括：自学习和自适应能力、容错能力和柔韧性、并行处理能力、概括综合和记忆联想能力．=．研究现状(一)神经网络简介神经网络在控制中使用较多的有多层前向BP网络、径向基函数RBF网络及Hopfield网络。多层前向BP嘲络和径向基函数RBF网络均为分层连接成的静态神经网络，隔层神经元之间均无连接，只有邻层神经元之间相互连接，信号由低层向高层神经元传输。多层前向网络学习算法是BP算法，BP算法的特点是结构简单，容易实现。针对BP算法中局部极小、收敛速度慢等缺点，人们己提出了各种修正方法．使得BP算法更加适用于控制技术。径向基函数RBF网络可采用最小二乘法等优化算法。Hopfield网络是神经网络的非线性动态模型，它由非线性映射关系为Sigmoid型函数的神经元相互连接组成．将能量函数引入神经网络．用于解优化问题和控制问题．(二)神经网络自适应控制系统的典型结构1．神经网络自校正控制(NSTC)。基于神经网络的自校正控制可分为直接控制和间接控制两种。NSTC根据受控对象的正或逆模型辨识结果直接调整控制器的内部参数。以期能满足系统的给定性能指标。在目前自适应控制的研究和应用中有相当部分是自校正控制系统。一般是用神经网络去逼近被控对象的未知非线性函数，然后研究如何寻找控制器及神经网络权值调整自适应律，使得在保证稳定性的基础上实现控制目标。2．神经网络模型参考自适应控制。基于模犁参考自适应控制的结构和工作原理，用人工神经网络来替代传统的辨识器和控制器，于是就构成了神经网络模型参考自适应控制。它有两种方案：一种是在辨识对象的萆础上，设计控制器的间接神经网络模型参考自适应控制；另一种是直接调整控制网络加权值的直接神经网络模型参考自适应控制。3．内模控制系统。内模控制已被证明有许多良好的性质，具有较强的鲁棒性，对克服系统不可测扰动具有重要意义。在神经网络内模控制中，系统的神经网络模型与实际系统并列设置，系统输出与模型输出之差作为反馈信号。它反映了扰动和模型误差。然后，这个反馈信号馈送到系统前向通道中的控制器进行处理。其中系统的内模型和控制器均由前向动态神经网络实现。内模型是摹于神经网络的系统正向模型．控制器是一个具有被控对象的逆动态特性的神经网络。通常前加一个线性滤波器，用于增强系统的鲁棒性和提高闭环系统的跟踪件能。三、人工神经罔络在自适应控爿系统中的应用从目前情况来看，将人工神经网络技术用于自适应控制有两种方式：1．将神经网络平行移到现在的线性自适应控制系统中去，即参数辨识和控制器功能均由神经网络来充当和完成。2．用神经网络构成无模型直接自适应控制系统，用对象的逆动态神经网络模型或其他模型做控制器．圈、存在同囊神经网络用于控制领域的研究还处于初级阶段，控制系统的一些基本问题尚待解决。(一)稳定性问题神经自适应控制系统的稳定性分析难度极大。这是因为神经网络本身是一个大规模非线性系统，由它们按一定方式组织起来的神经控制系统具有更为复杂的动力学特性。目前，基于Lyapunov法的神经网络自适应律己经被应用于一类简单的非线性系统．即仿射非线性系统之中．但是，在很多实际系统中这样的神经网络估计误差的约束是不能得到的．(二)鲁棒性问巨当被控过程存在未建模动态特性．或者过程噪声及扰动远比所设想的情况复杂时，自适应控制系统会失去其稳定性质(称为“缺乏鲁棒性”)。因此在自适应控制系统的设计中．根据鲁棒性要求所设计的系统比单纯按收敛性和稳定性指标所设计的系统具有更好的控制效果．(三)收敛性问题算法的收敛性问题是一个十分重要的问题。对神经自适应控制系统来说，存在神经网络学习算法的收敛和自适应算法的收敛两类问题。有时这两类问题是混在一起的。对于收敛性．有两个问题需要考虑，一是一次学习过程中系统响应是否随时闻增加而趋于期望值；二是多次学习过程中，系统响应是否随训练次数增加而趋r期望值。(四)神经网络的新模型及其学习算法目前神经网络的研究正逐步由单纯的神经计算转向计算智能并结合脑科学的研究，向生物智能方向发展，神经网络的研究也应该考虑与其它智能的结合，如神经网络与模糊逻辑的结合，神经网络与遗传算法和进化计算的结合研究等．如何利用遗传算法优化神经网络的模型结构，是今后的一个研究热点。另外，在逼近非线性函数问题上，现有理论只解决了存在性问题：对于控制器及辨识器，如何选择合适的神经网络模型及确定模型的结构，尚无理论指导。在具体应用时。学习样本的选取、初值的设定及多信息的融合等也是必须考虑的问题，并且，它们往往与所要解决的实际问题相关．使其解决有了一定的难度．五、结论综上所述，神经网络自适应控制，主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。一方面，由于神经网络在自适应控制中的巨大作用和潜能，人们迫切需要开发实用的神经控制系统以满足工程实际的需要；另一方面，神经自适应控制系统的基本理论研究严重滞后，一些重要理论问题，如稳定性判据、基于稳定性及鲁棒性的工程设计方法等．几乎还未开展研究。这种现象的存在，将严重制约神经网络在控制领域的进一步应用和开展。因此，开展对神经自适应控制系统的稳定性、鲁棒性研究，不仅具有十分重要的理论意义．而且对促进我国自动化技术的发展、提高人工智能领域的研究水平，亦具有十分重要的意义．参考文献：[1]徐丽娜，神经网络控制[M]，北京：电子工业出版社．2003．119-121．【2]徐湘元。自适应控制理论与应用C岫，电子工业出版社，2007．179-205．[3]吴振顺，自适应控制理论与应用[M]．哈尔滨工业大学出版社．2005．2-3．[4]陈晓雷、李国勇．神经网络自适应控制器仿真研究[J]．作者简介：蔡慧娟，女，硕士研究生，研究向为过程控制与检测．

ｌ＿　０。　

汽车ＡＢＳ中的模糊神经网络模型参考自适应控制策略　

刘佳，杜太行，何莉莉，徐东彬　

（河北工业大学电气与自动化学院，天津　３００１３０）　

摘要：针对汽车制动的特点以及汽车防抱死制动系统的性能要求，建立了汽车的数学模型，提出一种模糊神经　网络的自适应控制方案，构建了基于模糊神经网络的控制器和辨识器的结构模型。通过对网络参数的离线训练得出　其初值，在控制过程中对网络参数进行在线微调，实现对汽车制动过程的有效控制。仿真结果表明：在不同的路　

面，汽车均能保持在最佳滑移率附近进行制动，制动时间及距离比较理想，满足ＡＢＳ的安全性能要求。　关键词：汽车；防抱死制动；模糊神经网络；模型参考自适应控制　

中图分类号：Ｕ４６３．５２６　文献标识码：Ａ　文章编号：１【ｘ】３—８６３９（２【ｘ】６）【）ｌ一０００４—０４　Ｍｏｄｅｌ　Ｒｅｆｅｒｅｎｃｅ　Ｓｅｌｆ－Ａｄａｐｔｉｎｇ　Ｃｏｎｔｒｏｌ　Ｐｏｌｉｃｙ　ｆｏｒ　Ｆｕｚｚｙ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ｏｆ　Ａｕｔｏｍｏｂｉｌｃ　ＡＢＳ　ＬＩＵ　Ｊｉａ，ＤＵ　Ｔａｉ—ｈａｎｇ，ＨＥ　Ｌｉ—ｌｉ，ＸＵ　Ｄｏｎｇ—ｂｉｎ　（Ｈｅｂｅｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ．Ｔｉａｎｊｉｎ　３００１　３０，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ａｕｔｏｍｏｔｉｖｅ　ｂｒａｋｉｎｇ　ａｎｄ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｄｅｍａｎｄｓ　ｏｆ　ＡＢＳ，ｔｈｅ　

ｍａｔｈｅｍａｔｉｃ　ｍｏｄｅｌ　ｉｓ　ｓｅｔ　ｕｐ；ａ　ｋｉｎｄ　ｏｆ　ｓｅｌｆ－ａｄａｐｔｉｎｇ　ｃｏｎｔｒｏｌ　ｐｏｌｉｃｙ　ｆｏｒ　ｆｕｚｚｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ａｄｖａｎｃｅｄ　ｔｏ　ｆｏｒｍ　ｔｈｅ　ｓｔｒｕｃｔｕｒａｌ　ｍｏｄｅｌ　ｏｆ　ｃｏｎｔｒｏｌｌｅｒ　ａｎｄ　ｉｄｅｎｔｉｆｉｅｒ．Ｔｈｕｓ　ｅｆｆｅｃｔｉｖｅ　ｃｏｎｔｒｏｌ　ｏｆ　ａｕｔｏｍｏｔｉｖｅ　ｂｒａｋｉｎｇ　ｉｓ　ａｃｈｉｅｖｅｄ　ｂｙ　ｉｎｉｔｉａｌ　ｖａｌｕｅ　

２０１０年第３期　（总第１２７期）　大众科技　

ＤＡＺＨＯＮＧ　ＫＥ　Ｊ　Ｎｏ．３。２０１０　（Ｃｕｍｕｌａｔｉｖｅｌｙ　Ｎｏ．１　２７）　

神经网络自适应控制　

及其发展应用　

程　慧　周　斌张　蓉裴国庆　

（广西师范学院信息工程学院，广西南宁５３００２３）　

【摘要】文章系统地阐述了神经网络自适应控制的本质、优势与研究进展，介绍了神经网络自适应控制的不同结构模型　及其所具有的特性，分析了目前神经网络自适应控制尚存在的问题，及其日后的研究重点与方向，指出了神经网络与自适应控　

制相结合，应用于控制系统中的优越性和可行性。　

【关键词】神经网络；自适应控制；ＭＲ＿Ａ＿Ｃ；ＳＴＣ　【中图分类号】ＴＰ１８３　【文献标识码】Ａ　【文章编号】１００８—１１５１（２０１０）０３—００４３—０３　

（一）引言　在现实生活中，任何一个实际系统都具有不同程度的不　确定性，这些不确定性表现在被控过程或对象的特性时刻发　生变化，变化规律难以掌握，同时还有各种各样的随机干扰　作用在系统上，这些影响通常是不可预测的。如何设计适当　的控制作用，通过输入、输出信息，实时的掌握被控对象和　

系统误差的动态特性，并根据其变化情况及时掌握调节控制　量，使系统性能指标达到并保持最优或者近似最优，这就是　自适应控制所要研究解决的问题。人工神经网络（Ａｒｔｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ）是人们在模仿人脑处理问题的过程中发展　起来的一种新型智能信息处理理论，它通过大量神经元的简　单处理单元构成非线性动力学系统，对人脑的形象思维、联　

想记忆等进行模拟和抽象，实现与人脑相似的学习、识别、　记忆等信息处理能力，其特点包括具有很强的自学习性、自　组织性、容错性、高度非线性、高度鲁棒性、联想记忆功能　和推理意识功能等。自适应控制系统本质上是一个非线性随　机控制系统，很难为其找到合适的数学模型，传统的方法难　以对其进行控制。由于神经网络已被证明具有很强适应能力　

山西科技ＳＨＡＮＸＩ　ＳＣＩＥＮＣＥ　ＡＮＤ　ＴＥＣＨＮＯＬＯＧＹ　２００７年第４期７月２０日出版　●百业科技　・类自适应神经网络控制的研究与设计　

张俊明　（太原日报社）　摘要：文章研究了一类自适应神经元网络控制结构和算法。仿真表明它有较好的控制性能。　关键词：自适应控制；辨别；神经网络　中图分类号：ＴＰ２７３　．２　文献标识码：Ａ　文章编号：１００４—６４２９（２００７）０４—０１１８—０２　如果被控工业对象的模型已知且时不变，利用复合控制、　经典的ＰＤＩ控制或线性最优控制就能取得较好的控制效果。　但是，随着工业和自动化技术的发展，自动化领域日趋广泛。　在控制工程中，控制对象差异很大，它们的机理、复杂程度和环　境条件可能各不相同，因此一个受控系统总是或多或少地存在　某些非线性、时变性、分布性和随机性，面对如此众多的具有　较强不确定性的受控系统，为了设计满意的控制器，就提出了　自适应控制的概念。　在自动控制系统的设计中，采用“自适应”的设计思想的历　史并不长。它起源于２０世纪５０年代，经过４ｏ余年的不断努　力和探索，已有一套比较成熟的理论。但是应当指出的是它对　于非线性系统，目前的方法还不够理想。　自适应控制继续向前发展，就需要具备自组织和自学习的　功能。学习是人类智能的主要标志与获得智能的基本手段。　当系统的先验信息相当缺乏，为了保证有效的工作，系统控制　器应具有识别、判断、积累经验和学习的功能。而这个系统的　实现，就要利用人工智能技术。目前，基于人工智能技术的智　能控制的研究已全面展开，特别是人工神经元网络控制系统，　已提出了许多神经元学习控制算法。　本文主要研究一个自适应神经元网络控制系统，为了适应　环境的变化，该控制系统必须完成两个任务：①系统的辨识；②　对象的控制。　１　自适应神经网络控制系统结构和算法的研究　

图１系统结构图　系统结构如图１所示。从图可知，该系统由两个环构成：　一个是系统辨识环（包括ＮＮＩ，ＰＬＡＮＴ）；一个是系统控制环（包　作者简介：张俊明，男，１９７１年１２月出生，１９９５年毕业于太　原工业大学自动化系，助理工程师，０３０００２，山西省太原市　收稿日期：２００７—０３—２８　・　ｌｌ８　・　括ＮＮＣ，ＰＬＡＮＴ）。　下面分别研究两个环的结构及算法。　１．１　系统的辨识环　系统辨识是利用一组观测到的输入、输出数据来确定动力　学系统模型的过程，多层前馈型神经网络具有良好的逼迫非线　性函数的能力，因此可用于系统辨识。　首先构造一个多层网络，注意选择好隐节点的数目和初始　权值，然后再使用ＢＰ算法反复学习，确定网络的权值。采用神　经网络系统辨识，分为静态辨识（离线辨识）和动态辨识（在线　辨识）。由于网络的初始权值不好确定，且影响系统的实时性，　故本系统采用先静态辨识，得到一组权值后作为初始权值，再　进行动态辨识。其结构如图２所示。