智能控制基础总结

智能控制基础总结2/46智能控制问题的提出传统控制理论，包括经典反馈控制和现代控制理论，由于研究对象的不确定性、高度非线性以及复杂的任务要求等，在应用中遇到不少难题。多年来，自动控制一直在寻找新的出路。现在看来，出路之一就是实现控制系统的智能化，以期解决面临的难题。智能控制作为一门新兴的理论技术，现在还处于发展初期。智能控制的概念主要是针对控制对象及其环境、目标和任务的不确定性和复杂性而提出来的。是由于实现大规模复杂系统的控制需要。是由于现代计算机技术、人工智能和微电子学等学科的高速发展，带来的革命性变化。智能控制问题的提出智能控制应用对象的特点：(1)不确定性模型。传统控制是基于模型的控制，认为模型已知或者经过辨识可以得到；而智能控制的对象通常存在严重的不确定性。(2)高度的非线性。传统控制理论虽然也有一些非线性控制方法，但总的说来不够成熟，而且方法复杂，而智能控制理论可以很好地解决非线性控制问题。(3)复杂的任务要求。现代工业系统很多是高度复杂的系统。对于这些复杂系统均可用智能控制系统控制。3/46智能控制的几个主要分支模糊控制神经元网络控制专家控制学习控制4/46智能控制系统的一般结构通信接口感知信息处理认知规划和控制传感器执行器广义对象被控对象智能控制器感知信息处理：将传感器得到的原始信息加以处理，以检测发生的事件，识别环境的特征、对象和关系。认知：接收和储存信息、知识、经验和数据，并对它们进行分析、推理，作出行动的决策。规划和控制：它是整个系统的核心。根据任务要求、反馈信息以及经验知识，进行自动搜索、推理决策、动作规划和控制。通信接口：除建立人机之间的联系外，还建立系统各模块之间的联系。5/46智能控制系统分层递阶结构组织级协调级执行级识别对象组织级：组织级通过人机接口和用户(操作员)进行交互，执行最高决策的控制功能，监视并指导协调级和执行级的所有行为，其智能程度最高。协调级：协调级用来协调执行级的动作。协调级可进一步划分为两个分层：控制管理分层和控制监督分层。执行级：执行级的控制过程通常是执行一个确定的动作。6/46智能控制系统的主要特点一般具有以知识表示的非数学广义模型和以数学模型表示的混合控制过程。具有分层信息处理和决策机构。具有非线性和变结构特点。具有多目标优化能力。能够在复杂环境下学习。7/46智能控制系统的功能特点从功能和行为上分析，智能控制系统应该具备以下一条或几条功能特点：自适应：系统具有适应受控对象动力特性变化、环境变化和运行条件变化的能力。自学习：对一个过程或环境的未知特征所固有的信息进行学习，使系统的性能得以改善。自组织：对于复杂任务和分散的传感信息具有自行组织和协调的功能，使系统具有主动性和灵活性。自诊断：表现为系统自身的故障检测能力。自修复：一旦系统检测到自身部件故障，可以通过自身修复程序实现在无人干预下系统的正常恢复能力。8/46智能控制的三元结构人工智能自动控制运筹学信号处理形式语言启发规划调度管理管理协调学习记忆优化动力学动态反馈动力学智能控制AI：一个知识处理系统，具有记忆、学习、信息处理、形式语言、启发式推理等功能。OR：一种定量优化方法，如线性规划、网络规划、调度、管理、优化决策和多目标优化方法等。AC：动态反馈控制。9/46模糊控制系统模糊控制系统通常由模糊控制器、输入输出接口、执行机构、被控对象和测量装置五部分组成。它的组成核心是具有智能性的模糊控制器。模糊控制系统是以模糊数学、模糊语言形式的知识表示和模糊逻辑推理为理论基础，采用计算机控制技术构成的一种具有闭环结构的数字控制系统。10/46论域U中的模糊集F可以用元素u和它的隶属度F来表示：uFUF/模糊集合的表示方法连续论域：离散论域：◆向量表示法◆查德表示法◆序偶表示法11/46隶属度函数的建立方法模糊统计法例证法专家经验法二元对比排序法常用的隶属度函数建立方法：12/46相等、包含空集、全集相等：对于所有的u∈U，均有μA(u)＝μB(u)。记作A=B。包含：对于所有的u∈U，均有μA(u)≤μB(u)。记作AB。空集：对于所有的u∈U，均有μA(u)＝0。记作：A＝。全集：对于所有的u∈U，均有μA(u)＝1。13/46交、并、补交集：对于所有的u∈U，均有μC(u)=μA∧μB=min{μA(u),μB(u)}则称C为A与B的交集，记为C=A∩B。并集：对于所有的u∈U，均有μC(u)=μA∨μB=max{μA(u),μB(u)}。则称C为A与B的并集，记为C=A∪B。补集：对于所有的u∈U，均有μB(u)=1-μA(u)则称B为A的补集，记作。cAAB)(uu1AB图a模糊集合A与B的并集)(uu1AB图b模糊集合A与B的交集)(uu1A图c模糊集合A的补集A14/46求。模糊集合运算例2-4已知模糊子集54321543217.04.03.06.05.03.04.015.06.0uuuuuBuuuuuA,,cABABA15/46模糊关系普通关系：表示元素之间是否关联。模糊关系：表示两个论域上的模糊集合之间的关联程度，用其直积空间的隶属度函数表示。定义：所谓A、B两集合的直积中的一个二元模糊关系R，是指以A×B为论域的一个模糊子集，序偶(a,b)的隶属度为R(a,b)。B}bA,a|b){(a,BA16/46模糊关系的合成6.05.02.02.0)01.0()7.06.0()1.01.0()5.06.0()08.0()7.02.0()1.08.0()5.02.0(01.07.05.01.06.08.02.0SR0.20.80.60.1R0.50.70.10SRS已知求例2-1017/46模糊语言逻辑模糊语言逻辑是由模糊语言构成的一种模拟人思维的逻辑。针对自然语言的模糊性；涉及概念：语言值语言变量语言算子：语气算子，模糊化算子，判定化算子18/46模糊逻辑推理的常见种类近似推理（常识性推理）广义肯定式推理：广义否定式推理：模糊条件推理：多输入推理多输入多规则推理)BA(ABB)BA(A)CA()BA(R19/46例2-16模糊逻辑推理举例例2-14例2-1520/46多输入多规则推理过程图示21/46最大隶属度函数法重心法加权平均法在推理得到的模糊集合中取一个能最佳代表这个模糊推理结果可能性的精确值的过程就称为精确化过程（又称为反模糊化）。)v(maxvv0VvVvVv0dv)v(dv)v(vvvvvvkvkkmvkkm011()()m1iim1iii0kkvv精确化过程22/46模糊控制器基本结构23/46模糊控制器的组成与功能模糊逻辑控制器由模糊化接口、知识库、模糊推理机和解模糊接口四部分组成。(1)模糊化接口将被控对象的测量值从数字量转化为模糊量，主要是定义论域内所有语言变量的隶属函数。(2)知识库包括数据库和规则库。数据库包括模糊化和精确化过程相关论域的数据以及定义隶属函数的数据等。规则库包括根据控制目的和控制策略给出的一组由语言变量描述的通过如领域专家或自学习产生的控制规则集合。(3)模糊推理机是模糊控制器的核心。它是由模糊输入和模糊控制规则，采用某种模糊推理方法，导出模糊控制器的模糊控制量输出。(4)解模糊接口实现在推理得到的模糊集合中取一个能最佳代表模糊推理结果可能性的精确值的过程。24/46已知模糊逻辑控制规则：规则1如果误差e为ZE，则u为ZE规则2如果误差e为PS，则u为NS试应用Mamdani推理法求当输入误差e=0.6时的输出电压。模糊控制器设计误差的隶属度函数控制电压的隶属度函数设在论域误差e=[-4，4]和控制电压u=[0，8]上定义的模糊子集的隶属度函数分别如下图所示：25/46根据第二条规则：如果误差e为PS，则u为NS。可以得到输出电压的模糊集为：根据第一条规则：如果误差e为ZE，则u为ZE。可以得到输出电压的模糊集为：当输入误差时，，。模糊控制器设计0.6e(0.6)0.7ZE(0.6)0.3PS()0.7ZEu()0.3NSu0.62.63.44.66200.62.63.44.60.62.63.44.6600.62.63.44.60.50.30.5(2)0.70.5(6)0.50.30.5(2)0.70.5(6)0.0180.961.22133.362.48270.090.60.40.840.4uduuduuuduuduuuduuududuududuudu93.3231用重心法计算出模糊控制输出电压的精确值：)(uZE0u2640.30.71.0NSu=3.3226/46人工神经网络人工神经网络就是模拟人脑细胞的分布式工作特点和自组织功能，且能实现并行处理、自学习和非线性映射等能力的一种系统模型。神经网络系统研究主要有三个方面的内容，即神经元模型、神经网络结构和神经网络学习方法。27/46i人工神经元模型神经元模型是生物神经元的抽象和模拟。可看作多输入/单输出的非线性器件。xi输入信号，j=1,2,…,n;wij表示从单元uj到单元ui的连接权值;si外部输入信号；ui神经元的内部状态；θi阀值；yi神经元的输出信号；通常假设yi=f(Neti)，而f为激励函数。iii,uf(Net),yg(u)iijjiiijNetwxs28/46—1—2神線元结构模型Neti10图3—1—3阀值函数NetiffNetNetfmaxi0i1图3—1—4线性函数0激励函数类型阈值型0Net00Net1)Net(fiii分段线性型1iimax1ii0ii0iiiNetNetfNetNetNetkNetNetNet0)Net(f29/46激励函数类型Sigmoid函数型fNeteiNetTi()11Tan函数型TNetTNetTNetTNetiiiiieeee)Net(f30/46神经网络的模型分类(a)(b)......(c)(d)图3-1-7前向网络反馈网络相互结合型网络混合型网络1、按连接方式的不同进行分类2、按网络结构分类，主要表现出三大类：前向网络、反馈网络和自组织网络。31/46神经网络的学习有导师学习无导师学习两大类学习算法◆有导师学习：直接利用误差信息◆无导师学习：建立间接的评价函数32/46学习规则学习规则相关学习纠错学习无导师学习根据连接权系数的改变方式分类33/46神经网络的泛化能力当输入矢量与样本输入矢量存在差异时，其神经网络的输出同样能够准确地呈现出应有的输出。这种能力就称为神经网络的泛化能力。在有导师指导下的学习中，泛化能力可以定义为训练误差和测试误差之差。与输入矢量的个数、网络的节点数、权值和训练样本集数目之间存在密切的关系。34/46多层前向网络的学习算法网络模型第1个隐含层：第r＋1个隐含层：输出层(1)(1)1()1111()()0,1,2...1rnrrrrrpjrpjrjlpljloNetworLoLjn1i)1L(piLjiLLpjLpjn...2,1j)ow()Net(y1L11111()inpjjipijiowx35/46输出层时，有：隐含层时，有：权值调整：反向误差传播)Net()yt(NetyyENetELpjLpjpjLpjpjpjpLpjpLpj11()()rrrrpjpkkjrpjkwNet)1r(pirpjrjipow