【正文】 結(jié)構(gòu)、變參數(shù)、非線性、時變等，不僅難以建立受控對象精確的數(shù)學(xué)模型，而且 PID 控制器的控制參數(shù)具有固定形式，不易在線調(diào)整，難以適應(yīng)外界環(huán)境的變化，這些使得 PID 控制器在實際應(yīng)用中不能達到理想的效果，越來越受到限制和挑戰(zhàn) ]9[ 。 因此，如何使 PID 控制器具有在線自整定其參數(shù)的功能，是自從使用 PID 控制以來人們始終關(guān)注的重要問題。并且，隨著相關(guān)領(lǐng)域技術(shù)的不斷發(fā)展，對控制系統(tǒng)的指標(biāo)要求也越來越高。人們一直在尋求 PID 控制器參數(shù)的自適應(yīng)技術(shù)，以適應(yīng)復(fù)雜系統(tǒng)的控制要求，神經(jīng)網(wǎng)絡(luò)理論的發(fā)展使這種設(shè)想成為可能。人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的基本神經(jīng)元相互連接而構(gòu)成的自適應(yīng)非線性動態(tài)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)控制能夠充分任意地逼近任何復(fù)雜的非線性關(guān)系，具有很強的信息綜合能力，能夠?qū)W習(xí)和適應(yīng)嚴(yán)重不確定系統(tǒng)的動態(tài)特性，故有很強的魯棒性和容錯性，可以處理那些難以用模 型和規(guī)則描述的過程 ；神經(jīng)網(wǎng)絡(luò)所具有的大規(guī)模的并行處理和分布式的信息存儲；極強的自學(xué)、聯(lián)想額容錯能力；良好的自適應(yīng)和自組織性；多輸入、多輸出的非線性系統(tǒng)都基本符合工程的要求。人工神經(jīng)網(wǎng)絡(luò)作為生物控制論的一個成果，其觸角幾乎延伸到各個工程領(lǐng)域，并且在這些領(lǐng)域中形成新的生長點。 徑向基 神經(jīng)網(wǎng)絡(luò) (簡稱 RBF 網(wǎng)絡(luò) )，是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡單，訓(xùn)練速度快。同時，它也是一種可以廣泛應(yīng)用于模式識別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型?；?RBF 神經(jīng)網(wǎng)絡(luò) 的 PID 控制器由經(jīng)典的 PID 控制器和 RBF 神經(jīng)網(wǎng)絡(luò)組成，其基本思想是利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能和非線性函數(shù)的表示能力，遵從一定的最優(yōu)指標(biāo)，在線調(diào)整 PID 控制器的參數(shù)，使之適應(yīng)被控對象參數(shù)以及結(jié)構(gòu)的變化和輸入?yún)⒖夹盘柕淖兓?，并能夠抵御外來擾動的影響，達到具有良好的魯棒性的目標(biāo)。 神經(jīng)網(wǎng)絡(luò)應(yīng)用時不需考慮過程或現(xiàn)象的內(nèi)在機理， 2 一些高度非線性和高度復(fù)雜的問題能較好地得到處理，因此神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域取得了較大的發(fā)展，特別在模型辨識、控制器設(shè)計、優(yōu)化操作、故障分析與診斷等領(lǐng)域迅速得到應(yīng)用。神經(jīng)網(wǎng)絡(luò)控制作為二十一世紀(jì)的自動化 控制技術(shù)，國內(nèi)外理論與實踐均充分證明，其在工業(yè)復(fù)雜過程控制方面大有用武之地。而工業(yè)現(xiàn)場需要先進的控制方法，迫切需要工程化實用化的神經(jīng)網(wǎng)絡(luò)控制方法，所以研究神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用，對提高我國的自動化水平和企業(yè)的經(jīng)濟效益具有重大意義。神經(jīng)網(wǎng)絡(luò)具有很強的非線性逼近能力和自學(xué)習(xí)能力，所以將 RBF 神經(jīng)網(wǎng)絡(luò)算法與 PID 控制相結(jié)合產(chǎn)生的間接自校正控制策略，能自動整定 控制器的參數(shù)，使系統(tǒng)在較好的性能下運行。 雖然人工神經(jīng)網(wǎng)絡(luò)存在著以上的許多優(yōu)點及廣泛的應(yīng)用，但同時也存在著一些不足，由于神經(jīng)網(wǎng)絡(luò)的不足阻礙了神經(jīng)網(wǎng)絡(luò)的發(fā)展，在 現(xiàn)實應(yīng)用中 RBF 神經(jīng)網(wǎng)絡(luò)是最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一， RBF 神經(jīng)網(wǎng)絡(luò)是在 1988 年被 Moody和 Darken提出的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它從根本上解決了 BP 網(wǎng)絡(luò)的局部最優(yōu)問題，而且拓撲結(jié)構(gòu)緊湊，結(jié)構(gòu)參數(shù)可實現(xiàn)分離學(xué)習(xí)，收斂速度快。 RBF 網(wǎng)絡(luò)和模糊邏輯能夠?qū)崿F(xiàn)很好的互補，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)泛化能力，本課題是以 RBF 神經(jīng)網(wǎng)絡(luò)模型研究為主， RBF 神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點主要表現(xiàn)在以下幾個方面： 優(yōu)點：① 它具有唯一最佳逼近的特性，且無局部極小問題存在。② RBF 神經(jīng)網(wǎng)絡(luò)具有較強的輸入和輸出映射功能，并且理論證明在前向網(wǎng)絡(luò)中 RBF 網(wǎng)絡(luò)是完成映射功能的最優(yōu)網(wǎng)絡(luò)。③ 網(wǎng)絡(luò)連接權(quán)值與輸出呈線性關(guān)系。④ 分類能力好。⑤ 學(xué)習(xí)過程收斂速度快。 缺點：① 最嚴(yán)重的問題是沒能力來解釋自己的推理過程和推理依據(jù)。② 不能向用戶提出必要的詢問，而且當(dāng)數(shù)據(jù)不充分的時候，神經(jīng)網(wǎng)絡(luò)就無法進行工作。③ 把一切問題的特征都變?yōu)閿?shù)字，把一切推理都變?yōu)閿?shù)值計算，其結(jié)果勢必是丟失信息。④ 理論和學(xué)習(xí)算法還有待于進一步完善和提高。 此外， RBF 神經(jīng)網(wǎng)絡(luò)用于非線性系統(tǒng)建模需要解決的關(guān)鍵問題是樣本數(shù)據(jù)的選擇，在實際工業(yè)過程中，系統(tǒng)的信息往往只能從系統(tǒng)運行的操作數(shù)據(jù)中分 析得到，因此如何從系統(tǒng)運行的操作數(shù)據(jù)中提取系統(tǒng)運行狀況信息，以降低網(wǎng)絡(luò)對訓(xùn)練樣本的依賴，在實際應(yīng)用中具有重要的價值。隱含層基函數(shù)的中心是在輸入樣本集中選取的，這在許多情況下難以反映出系統(tǒng)真正的輸入輸出關(guān)系，并且初始中心點數(shù)太多；另外優(yōu)選過程會出現(xiàn)數(shù)據(jù)病態(tài)現(xiàn)象 等問題的存在嚴(yán)重阻礙了 RBF 神經(jīng)網(wǎng)絡(luò)的發(fā)展，致使其理論發(fā)展緩慢。同時也因為RBF 網(wǎng)絡(luò)的這些缺點限制了其應(yīng)用領(lǐng)域的拓寬及應(yīng)用程度的深入，不利于國民經(jīng)濟的健康發(fā)展。因此，研究 RBF 神經(jīng)網(wǎng)絡(luò)顯然具有重要理論意義和重要的應(yīng)用價值 ]5[ 。 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 神經(jīng)網(wǎng)絡(luò)的研究最早可以追溯到人類考試研究自己智能的時期。這一時期截止到 1949年。 1943 年，心理學(xué)家 WMcculloch 和數(shù)理邏輯學(xué)家 WPitts 在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先從信息處理的觀點出發(fā)，合作提出了一種簡單的人工神經(jīng)元數(shù)學(xué)模型。在 3 該模型中，神經(jīng)元表現(xiàn)為二個狀態(tài)，即“興奮”和“抑止”。此模型沿用至今，并且直接影響著這一領(lǐng)域研究的進展。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。 1945年馮 諾依曼領(lǐng)導(dǎo)的設(shè)計小組試制成功存儲程序式電子計算機， 標(biāo)志著電子計算機時代的開始。1948 年，他在研究工作中比較了人腦結(jié)構(gòu)與存儲程序式計算機的根本區(qū)別，提出了以簡單神經(jīng)元構(gòu)成的再生自動化網(wǎng)絡(luò)結(jié)構(gòu)。但是，由于指令存儲式計算機技術(shù)的發(fā)展非常迅速，迫使他放棄了神經(jīng)網(wǎng)絡(luò)研究的新途徑，繼續(xù)投身于指令存儲式計算機技術(shù)的研究，并在此領(lǐng)域作出了巨大貢獻。雖然，馮 諾依曼的名字是與普通計算機聯(lián)系在一起的，但他也是人人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)之一。 1949 年，心理學(xué)家 發(fā)表了論著《 Tlle origanization ofbehavior》 ,提出來很多有價值的觀點，特別 是他認為在一個神經(jīng)網(wǎng)絡(luò)里信息是分布式地存儲在突觸連接的權(quán)值中，而權(quán)值可以通過網(wǎng)絡(luò)的學(xué)習(xí)來調(diào)整。 Hebb 同時提出了網(wǎng)絡(luò)學(xué)習(xí)的規(guī)則，即 Hebbian 規(guī)則，從而使神經(jīng)網(wǎng)絡(luò)具有了可靠性。 Hebb 的工作對后來的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法產(chǎn)生了很大的影響，目前的一些神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則仍在采用 Hebbian 規(guī)則或它的改進型規(guī)則。 第一次研究高潮：五十至六十年代， 1958 年 FRosenblatt 設(shè)計制作了“感知機”，它是一種多層的神經(jīng)網(wǎng)絡(luò)。用于模擬一個生物視覺模型，第一次從理論研究轉(zhuǎn)圖工程實踐階段。這是第一個真正的神經(jīng)網(wǎng)絡(luò)，因為 它在 IBM704 計算機上得到了成功的模擬。最初感知機的學(xué)習(xí)機制是自組織的，響應(yīng)的發(fā)生與隨機的初始值有關(guān)，后來加入了訓(xùn)練過程，這與后來的 BP 算法和 Kohone 自組織算法類似。當(dāng)時，世界上不少實驗室仿效感知機，設(shè)計出了各種各樣的電子裝置。 1959 年 和 發(fā)表了論文《 Adaptive Switch Circuits 》 ,提出了自適應(yīng)線性元件網(wǎng)絡(luò)，簡稱 Adaline, Adaline 實質(zhì)上是一個二層前饋感知機型網(wǎng)絡(luò)。1962 年， Rosenblatt 出版了一本名為《 The Priciples of Neuro dynamics》的書，書中詳述了他的感知機。感知機具有輸入層、輸出層和中間層，它可以模仿人的特性，并用它做了實驗。 1967 年， Stephen Grossberg 通過對生理學(xué)的研究來開發(fā)神經(jīng)網(wǎng)絡(luò)模型，提出了一種網(wǎng)絡(luò)稱作 Avalanche（雪崩網(wǎng)），這種網(wǎng)絡(luò)可以連續(xù)語聲識別和控制機器人手臂的運動。低潮時期：六十年代末至七十年代， 1969 年， Minsky 和 Paper 等發(fā)表了專著《 Perceptrons》，該書指出，簡單的神經(jīng)網(wǎng)絡(luò)只能進行線性分類和求解一階謂詞問題，而不能進行非線性分類和解決比 較復(fù)雜的高階謂詞問題，如 XOR、對稱性判別和宇稱等問題。在當(dāng)時的技術(shù)條件下，解決此類問題是極其困難的。該書在學(xué)術(shù)界產(chǎn)生正反二方面的影響，它的副作用促使 20 世紀(jì) 60 年代人們對神經(jīng)網(wǎng)絡(luò)研究的熱情驟然下降，迅速轉(zhuǎn)入低潮。同時由于當(dāng)時沒有功能強大的數(shù)字計算機來支持各種實驗，從而導(dǎo)致許多研究者離開這一研究領(lǐng)域，使神經(jīng)網(wǎng)絡(luò)的研究停滯了十多年。即使如此， 20 世紀(jì) 70 年代，科學(xué)家們?nèi)匀辉谠擃I(lǐng)域開展了許多重要的工作。 19721 年，芬蘭的 Kohonen 開始從事隨機連接變化表的研究工作。從 1972年開始，他很快集中到聯(lián)想記憶方面 。 1968 年， Anderson 具有基于神經(jīng)元突觸的激活聯(lián)想記憶模型的 ANS 模型開始工作。 1973 年和 1977 年又把 LAM 應(yīng)用到諸如 識別、重構(gòu)和任意可視模式的聯(lián)想這樣的問題上。這一時期， Stephen Grossberg 在自組織網(wǎng)絡(luò)方面的研 4 究也十分活躍。同時，東京 NHA 廣播科學(xué)研究室大阪大學(xué)教授 Fukushima 提出了一種稱為 Neocognitron 的神經(jīng)網(wǎng)絡(luò)，它是一個視覺識別機制，與生物視覺理論相符合。 第二次研究高潮：八十年代初至現(xiàn)在，前面我們講過，在 60 年代，由于缺乏新思想和用于實驗的高性能計算機， 曾一度動搖了人們對神經(jīng)網(wǎng)絡(luò)的研究興趣。到了 80 年代，隨著個人計算機和工作站的計算能力的急劇增強和廣泛應(yīng)用，以及不斷引入新的概念，克服了擺在神經(jīng)網(wǎng)絡(luò)研究面前的障礙，人們對神經(jīng)網(wǎng)絡(luò)的研究熱情空前高漲。有二個概念對神經(jīng)網(wǎng)絡(luò)的復(fù)興具有極其重大的意義。其一是：用統(tǒng)計機解釋某些類型的遞歸網(wǎng)絡(luò)的操作，這類網(wǎng)絡(luò)課作為兩廂存儲器。物理學(xué)家 John Hopfiled 研究論文論述了這些思想。其二是：在 20 世紀(jì) 80 年代，幾個不同的研究者分別開發(fā)出了用于訓(xùn)練多層感知機的反串算法。其中最有影響力的反傳算法是 David Rumelhart 和 James McClelland 提出的。該算法有力的回答了 60 年代 Minsky 和 Papert 對神經(jīng)網(wǎng)絡(luò)的責(zé)難。 1982 年生物物理學(xué)家 教授提出了 Hoppield 神經(jīng)網(wǎng)絡(luò)模型，引入了能量函數(shù)概念，這一成果的取得使神經(jīng)網(wǎng)絡(luò)的研究取得了突破性進展。 84 年他用此模型成功地解決了復(fù)雜度為 NP 的旅行商問題 (TSP) 。 1987年 6 月在美國加州舉行了第一屆神經(jīng)網(wǎng)絡(luò)國際會議。有一千多名學(xué)者參加，并成立了國際神網(wǎng)絡(luò)學(xué)會。后確定為每年召開兩次國際聯(lián)合神經(jīng)網(wǎng)絡(luò)大會。 1990 年我國的 863 高技術(shù)研究 計劃，批準(zhǔn)了關(guān)于人工神經(jīng)網(wǎng)絡(luò)的三項課題，自然科學(xué)基金與國防科技預(yù)研基金也都把神經(jīng)網(wǎng)絡(luò)的研究列入選題指南，對中選的課題提供研究上的資助。 如今，神經(jīng)網(wǎng)絡(luò)的應(yīng)用，已滲透到模式識別、圖像處理、非線性優(yōu)化、語音處理、自然語言理解、自動目標(biāo)識別、機器人、專家系統(tǒng)等各個領(lǐng)域，并取得了令人矚目的成果。從眾多應(yīng)用研究領(lǐng)域取得的豐碩成果來看，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展具有強大的生命力。當(dāng)前存在的問題是智能水平還不高，許多應(yīng)用方面的要求還不能得到很好的滿足：網(wǎng)絡(luò)分析與綜合的一些理論性問題 (如穩(wěn)定性、收斂性的分析，網(wǎng)絡(luò)的結(jié)構(gòu)綜合等 )還未 得到很好的解決。隨著人們對大腦信息處理機理認知的深化，以及人工神經(jīng)網(wǎng)絡(luò)智能水平的提高，人工神經(jīng)網(wǎng)絡(luò)必將在科學(xué)技術(shù)領(lǐng)域發(fā)揮更大的作用。當(dāng)今的自動控制技術(shù)都是基于反饋的概念。反饋理論的要素包括三個部分：測量、比較和執(zhí)行。測量關(guān)心的變量，與期望值相比較，用這個誤差糾正調(diào)節(jié)控制系統(tǒng)的響應(yīng)。 PID（比例 積分 微分）控制器作為最早實用化的控制器已有 50 多年歷史，現(xiàn)在仍然是應(yīng)用最廣泛的工業(yè)控制器。 PID 控制器簡單易懂，使用中不需精確的系統(tǒng)模型等先決條件，因而成為應(yīng)用最為廣泛的控制器。 PID 控制器由比例單元（ P）、積分單 元（ I）和微分單元（ D）組成。 在實際生產(chǎn)過程中，由于受到參數(shù)整定方法繁雜的困擾，因此常規(guī) PID 控制的應(yīng)用受到很大的限制和挑戰(zhàn)。人們對 PID 應(yīng)用的同時，也對其進行各種改進，主要體現(xiàn)在兩個方面：一是對常規(guī) PID 本身結(jié)構(gòu)的改進，即變結(jié)構(gòu) PID 控制。如積分分離算法，抗積分飽和算法和微分項的改進等等。另一方面，與模糊控制、神經(jīng)網(wǎng)絡(luò)控制和專家控制相結(jié)合，揚長避短，發(fā)揮各自的優(yōu)勢，形成所謂智能 PID 控制。 神經(jīng)網(wǎng)絡(luò)是一個由大量簡單的處理單元廣泛連接組成的系統(tǒng)，用來模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。它從開始研究到發(fā)展并不是一帆風(fēng) 順的，經(jīng)歷了興起到低潮，再 5 轉(zhuǎn)入新的高潮的曲折發(fā)展道路。 20 世紀(jì) 80 年代中期以來，在美國、日本等一些西方工業(yè)發(fā)達國家里，掀起了一股競相研究、開發(fā)神經(jīng)網(wǎng)絡(luò)的熱潮。近十多年來人工神經(jīng)網(wǎng)絡(luò)的發(fā)展也表明了，這是一項有著廣泛的應(yīng)用前景的新型學(xué)科，它的發(fā)展對目前和未來科學(xué)技術(shù)水平的提高將有重要影響。 近十年來，神經(jīng)網(wǎng)絡(luò)理論與實踐有了引人注目的進展，它再一次拓展了計算概念的內(nèi)涵，使神經(jīng)計算、進化計算成為新的學(xué)科，神經(jīng)網(wǎng)絡(luò)的軟件模擬得到了廣泛的應(yīng)用?？萍及l(fā)達國家的主要公司對神經(jīng)網(wǎng)絡(luò)芯片、生物芯片情有獨鐘。例如 Intel 公司、 IBM 公司和HNC 公司已取得了多項專利，已有產(chǎn)品進入市場，被國防、企業(yè)和科研部門選用，許多公眾手中也擁有神經(jīng)網(wǎng)絡(luò)實用化的工具，其商業(yè)化令人鼓舞。神經(jīng)網(wǎng)絡(luò)在國民經(jīng)濟和國防科技現(xiàn)代化建設(shè)中具有廣闊的應(yīng)用領(lǐng)域和發(fā)展前景。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲和處理、自組織、自適應(yīng)和自學(xué)能力，特別適用于處理需要同時考慮多因素和多條件的、不精確和模糊的信息處理問題。它主要應(yīng)用領(lǐng)域有：語音識別、圖像識別、計算機視覺、智能機器人、故障診斷、實時語言翻譯、企業(yè)管理、市場分析、決策優(yōu)化、物資調(diào)運、自適