自适应控制发展与应用

自适应控制及其发展应用——人工神经网络在现实生活中，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(ArtficialNeuralNetworks)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和逼近任意连续有界非线性函数的能力，它在解决高度非线性和严重不确定系统的控制方面显示出它强大的优越性，神经网络自适应控制是基于自适应的基本原理，利用神经网络的特点和理论设计而成的，发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了一种新方法。它与自适应控制的完美结合，使控制领域的发展迈向了一个新的台阶。神经网络自适应控制概述：神经网络自适应控制本质神经网络自适应控制从本质上讲，实际上是基于神经网络理论的自校正控制或模型参考自适应控制。自校正控制根据对系统正向和(或)逆模型辨识结果，直接按自适应规律调节控制器结构参数，使系统满足既定的性能指标。而在模型参考自适应控制中，闭环控制系统的期望性能则有一个稳定而优良的参考模型来描述，其控制目标是使被控对象的输出响应y(t)一致渐近地趋于参考模型的输出响应dy(t)，即神经网络用于自适应控制主要有两种方式：一种是利用人工神经网络的逼近能力，描述被控对象的数学模型；二是充当控制器，其控制作用的调整依赖于网络权系数的改变，通过网络训练，完成将信号从网络输入端到输出端的映射，为被控对象提供适当的控制量。神经网络自适应控制与一般自适应方法的区别在于：（1）在模型参考控制中，参考模型由神经网络代替。与常规自适应控制比较自适应控制理论的目标是设计一个灵活的控制器，它能够考虑未知参数的变化，自动调节控制器的增益。而常规的自适应控制器为了获得良好的控制效果，需要在系统中加入白噪声信号，辨识过程往往会出现饱和麻痹现象，影响辨识效果和跟踪速度。利用了神经网络则可解决这一问题。因为神经网络具有自学习、受训练的特点，它可以正确地提取受控对象的模型参数，并具有较强的抗干扰能力和容错能力，提高控制器的性能。神经网络自适应控制系统的典型结构至今为止，己有近百种神经网络模型发表在各类文献中。神经网络在控制中用的较多的有多层前向型BP网络和RBF网络，以及Hopfield反馈型网络。多层前向型BP网络和径向基函数RBF网络均为分层连接的静态神经网络。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。目前，针对BP算法中的局部极小值、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。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记型函数的神经元相互连接组成，将能量函数引入神经网络，用于解决优化问题和控制问题。神经网络模型参考自适应控制将神经网络与模型参考自适应控制相结合，就构成了神经网络模型参考自适应控制，基于神经网络的非线性系统模型参考自适应控制方案最早是由Narendra等人提出的，其系统的结构模型和线性系统的模型参考自适应控制系统是相同的，只是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。根据结构的不同可分为直接与间接的神经网络模型参考自适应控制的两种类型，两者的共同之处是都采用神经网络作为控制器，不同之处是间接模型参考自适应控制中还采用神经网络作为被控对象的正向模型估计器。神经网络自适应预测控制该控制方案是用一个神经网络在线建立非线性被控对象的预测模型（该神经网络称为预测模型），利用此模型，就可以预测目前的控制输入被控对象在将来一段时间范围内的输出值，再通过一定的优化机制对控制作用进行优化。这种神经网络自适应控制方案的控制效果直接依赖于辨识所能达到的晶须。这种方案中的神经网络必须通过离线训练之后，才能应用于神经网络自适应控制中。否则，自适应系统开始时其控制效果会很差。神经网络自适应控制现存问题：1.稳定性问题稳定性是控制系统设计的基本准则，但是神经自适应控制系统的稳定性分析难度极大。这是因为要处理的非线性对象的模型一般是具有严重非线性和不确定性的复杂系统，而神经网络本身又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。目前已有的神经网络自适应控制研究的主要问题是：基于lyapunov函数来证明神经网络自适应控制系统的稳定性的方法，已经被应用于一些简单的非线性系统，即仿射非线性系统之中，但是，在工程中遇到的非线性系统大多是非仿射的。2.鲁棒性问题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。目前，对于非线性控制系统的鲁棒性已有许多研究结果，一般是针对一类仿射非线性系统进行的，对于系统的条件限制较严，目前的研究成果很难应用于实际的非线性控制系统中去，故其鲁棒性研究具有重要的理论和应用意义。3.控制的实时性问题神经网络自适应控制是采用先离线辨识，再在线控制的方式，这样比在线建模方式控制效果好，但实时性较差。同时，神经网络的学习速度一般都比较慢，为满足实时控制需要，必须研究快速的学习算法，使其能同时保证实时性与控制效果,这仍是一个难题。现状与未来：目前，神经网络自适应控制的研究大多停留在理论研究与实验室研究阶段，在实际的控制应用中很少，但是，神经网络在自适应控制中的巨大优势和作用已经得到人们的重视。而神经网络自适应控制的基本理论研究却严重滞后，特别是稳定性判据(类似于非线性系统的波波夫判据那样的判据)以及鲁棒性工程设计方法(例如类似于以超稳定性理论设计一个线性自适应控制系统的方法)，这些将严重制约了设计网络自适应控制的进一步应用与发展。未来的研究中，我们将重点放在与工程实际相结合，建立一套严格的神经网络自适应控制基本理论和设计方法，这些对我国自动化技术的发展、提高人工智能领域的研究具有重大意义。总结：本文对神经网络自适应控制进行了研究总结。神经网络自适应控制是智能控制的一个重要的前沿分支，也是目前研究的热点问题。二者相结合，发挥了自适应与神经网络的各自长处，为非线性系统控制的研究提供了一种新方法，更好的解决非线性系统的时滞、稳定性等控制问题，使控制领域的发展迈向了一个新的台阶。在不久的将来，相信神经网络自适应控制凭借自身的诸多优势将得到更广泛的应用。