基于神经网络的智能控制系统研究

第２５卷第４期　２００８年ｌ２月　华中科技大学学报（城市科学版）　Ｊ．ｏｆ　ＨＵＳＴ．（Ｕｒｂａｎ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　ＶＯ１．２５　ＮＯ．４　Ｄｅｃ．２ｏ０８　

基于神经网络的智能结构控制与试验研究　

杜森，王社良，马乾瑛　

（西安建筑科技大学土木工程学院，陕西西安７１００５５）　

摘要：智能结构是指系统的几何特性和运动特性在运行中能根据工作的要求而进行调整的结构。由于振动激　励的复杂性和不确定性使得智能结构控制具有高度的非线性，因此很难建立准确的动力模型，神经网络强大的　

非线性映射能力和自适应学习、记忆的特点使得它非常适合于解决智能结构控制问题。本文主要对基于神经网　

络的结构控制理论进行了研究，通过对压电智能结构基于神经网络的反馈控制进一步确定了控制算法和控制效　果。最后进行了三层框架结构的振动台试验，通过对压电材料基于神经网络的反馈控制来主动调节压电层的轴　

向变形，以此对结构施加控制力，试验结果表明各层加速度都得到了有效地控制。　

关键词：神经网络；压电智能结构；结构控制；振动台试验　中图分类号：ＴＵ３１１．３；ＴＵ３５２　文献标识码：Ａ　文章编号：１６７２．７０３７（２００８）０４—０２９８．０３　

１概述　

智能结构控制是一种新型的控制方法，它是　

将传感器、作动器、控制器有机地与结构集成在　

～起，共同组成一个结构整体，随着外界环境的　

变化，主动改变结构自身的质量分布和刚度阻尼　的大小，自适应实现振动控制的目标。将智能材　

料应用于结构控制系统中是实现其智能化的关键　环节之一。经过对各种传感器和作动器的性能比　较，发现压电材料是当前制作智能驱动器的理想　材料。因其既可作为驱动器，又可作为传感器，　

并且能够制成复合材料；作为驱动器时，它的激　

励功率小，响应速度较快，既可以大块使用，也　可以小块分散使用，压电复合材料是智能结构的　

发展方向。在此论文中作者以压电智能空间钢结　构为研究对象，在普通钢杆件的适当部位集成压　

基于神经网络的人工智能系统设计

随着现代信息技术的快速发展，人工智能系统成为了一个备受关注的领域。那么，如果我们想要设计一个基于神经网络的人工智能系统，应该从哪些方面入手呢？

一、神经网络的应用

神经网络是由人工神经元模拟的一种模式识别技术，其可模仿人类大脑的处理方式，通过学习数据来建立对未知数据的预测和分类分析。

目前，神经网络已经被广泛应用于图像识别、语音识别、自然语言处理等领域。例如，在图像处理领域中，神经网络能够从大量图像数据中学习，将输入图像分为不同分类中；在自然语言处理领域中，神经网络能够进行文本分类、情感分析及机器翻译等任务。

二、设计神经网络

当我们想要设计一个基于神经网络的人工智能系统时，首要的任务就是进行神经网络的设计。设计神经网络需要考虑以下几个方面：

1.确定神经网络的结构 神经网络由多个神经元组成，而神经元之间的连接就构成了神经网络。因此，确定神经网络的结构是神经网络设计的第一步。通常我们需要选择网络的类型，确定输入和输出层的神经元个数，以及隐含层的神经元个数等。

2.选择激活函数

激活函数是神经元输入信号的非线性变换，神经元的输出依赖于激活函数的取值。因此，选择适当的激活函数，能够使神经网络的学习更加有效。

3.选择训练算法

神经网络的学习过程需要通过反向传播算法进行，因此选择适当的训练算法，对神经网络的学习效果至关重要。常用的训练算法有BP算法、RPROP算法、LM算法等。

三、数据集的准备

设计好神经网络后，我们还需要准备好训练数据集和测试数据集。数据集应该包含具有代表性的样本，特别是针对不同种类的样本需要保持均匀分布。同时还要确保数据的质量和可靠性，数据量越大越好，能够提高模型的准确性和可靠性。

四、神经网络模型的训练 数据集的准备好后，我们可以进行神经网络模型的训练。一般来说，训练神经网络模型需要经过以下步骤：

1.初始化模型参数

初始化模型参数是模型训练的第一步，通常会随机设置神经元之间的连接权重和阈值。

神经网络与智能控制系统

姓名：

学号：

日期： 智能控制理论报告

-1-

【摘要】本文介绍了神经网络的基本概念，论述了人工神经网络的产生与发展，以及人工神经网络在控制系统中的应用现状，分析了人工神经网络的特点和监视控制系统的原理，并阐述了几种基于神经网络的控制系统， 简要介绍了人工神经网络的发展、应用及研究现状，通过实例来分析人工神经网络原理的设计和实现过程。

【关键词】人工神经网络；控制系统；智能控制；发展；应用

一、 引言

神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。

神经网络控制是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等。

神经网络控制是一种基本上不依赖于模型的控制方法，它适合于具有不确定性或高度非线性的控制对象，并具有较强的自适应和自学习功能，因此是智能控制的一个重要分支领域。人工神经网络利用物理器件来模拟生物神经网络的某些结构和功能，具有并行和分布式的信息处理网络结构，该结构一般由几个神经元组成，每一个神经元有一个单一的输出，但可通过连接的很多其它神经元，获得有多个连接通道的输入，每个连接通道对应一个连接权系数。

二、 人工神经网络的产生与发展

人工神经网络的研究是从19世纪末期开始的，其发展历史经历了以下四个时期。

1. 启蒙时期

启蒙时期开始于1980年美国著名心理学家W.James关于人脑结构与功能的研究，结束于1969年Minsky和Papert发表的《感知器》（Perceptron）一书。早在1943年，美国神经生物学家W.S.McCul-loch和数学家W.Pitts合作，采用数理模型的方法研究脑细胞的动作和结构，以及生物神经元的一些基本生理特征，提出了第一个神经计算模型，即神经元的阈值元件模型(M-P模型)，并指出：即使是最简单的神经网络，从原则上讲也可以进行任意算术或逻辑函数的计算。该模型把神经细胞的动作描述为：神经元的活动表现为兴奋或抑制的二值变化；任何兴奋性突触有输入激励后，使神经元兴奋与神经元先前的动作状态无关；任何抑制性突触有输入激励后，使神经元抑制；突触的值不随时间改变；突触从感知输入到传送出一个输出脉冲的延迟时间是0.5ms。可见，M-P模型是用逻辑的智能控制理论报告

龙源期刊网

基于神经网络的无人机飞行智能控制技术研究

作者：戴永伟 钱志娟 董茂科

来源：《数字技术与应用》2012年第07期

摘要：飞行控制的基本目的是改善飞机的稳定性和操纵性，从而提高执行任务的能力。本文着重论述了近年来国内外基于神经网络的无人机飞行智能控制技术发展状况，主要包括神经网络PID 控制、神经网络自适应控制等智能控制技术的原理、优势和局限性等内容，最后对其作了总结。

关键词：无人机 神经网络 控制技术

中图分类号:TP183 文献标识码：A 文章编号：1007-9416(2012)07-0010-01

无人机的核心部分是飞行控制系统。无人机进行自主飞行时,控制系统需要有效地对姿态回路部分和水平位置、高度回路部分进行重点控制，才能保持良好的自主飞行适应性。研究表明，智能技术的发展水平在相当大的程度上决定了自主控制技术的发展水平，人工智能系统若要提高对形势的感应能力和外部环境的理解能力，并作出准确、快速反应，需要以获取信息的完整性和准确性为前提支撑。

研究表明，现代绝大多数控制理论在飞行控制系统设计的应用方面，均表现出一定的优势和劣势。

反步控制的优势在于收敛性方面表现较好，可对具有不确定性的未知扰动进行有效处理，缺点是鲁棒性表现较差。反馈线性化的优势在于设计灵活，缺点是对数学模型建立的精确性要求较高，且不能处理具有不确定性的未知扰动。采用变结构的滑模控制技术优势在于响应快捷，且所建数学模型的精确性要求不高，对外部不确定性扰动反应不敏感，缺点是需要进一步提高抖振现象的解决能力。在计算机技术和人工智能技术的发展带动下，人工智能应用于无人机控制系统已具备一定的技术基础，特别是神经网络技术，因其具有良好的学习和推理能力，所以应用最为广泛。本文以无人机的飞行控制应用为中心,重点分析了神经网络技术应用于智能控制的最新成果，为今后的深入研究提供一定的基础支撑。